Wavelet ?????????????????Graph

Document Sample
Wavelet ?????????????????Graph Powered By Docstoc
					Wavelet係数の局所テクスチャ特徴量を用いた
  Graph Cutsによる画像セグメンテーション




  福田恵太,滝口哲也,有木康雄 (神戸大学)
    電子情報通信学会 総合大会 2008


                          1
           研究目的

画像処理に おける          に
         重要な問題の一つ 一枚の画像から  対象と
なる領域を     セグ ン ーショ の問題がある
     抽出する メ テ    ン       .




      背景              物体




     画像の認識,識別,検索,編集など
      様々な画像処理技術の前処理
                                 2
                                       研究背景

     セグ ン ーショ 問題を ネルギー最小問題で解く
  近年, メ テ    ン   エ           手法
            が多く   れて .
               提案さ いる

             動的輪郭モデル(Snakes), Level Set Method


そ              いう
 の中でGraph Cutsと 手法を用いる.
      Y.Boykov, M.P.Jolly,“Interactive graph cuts for optimal boundary &
      region segmentation of object in N-D images”, IEEE International
      Conference on Computer Vision and Pattern Recognition



 利点

 領域と境界のエネルギー関数から 大域解を 求める
 簡単なラベル付けから   メ テ   ン
           のセグ ン ーショ が可
                                                                           3
                        Graph Cuts
                                                         物体らしいほ
                           近傍画素が類
                                                         ど大きな値
O                          似しているほど         S:”obj”
                            大きな値                             t-link
               ラ の作成
              グ フ                     O
                             n-link
          B
                                                     B
入力画像 (3×4)                                                 t-link
                                                     背景らしいほ
      S       min cut                     T:”bkg”    ど大きな値


O

                           メ テ
                         セグ ン ーション
                B
              S→Tへのコスト総和が
      T       最小となるカット
                                      セグメンテーション結果           4
              従来手法の問題点(1)


       ッ 弱い
 局所的なエ ジに

          返し よ グ フ ッ
 平滑化処理の繰り に る ラ カ ト
  T. Nagahashi, H.Fujiyoshi, and T.Kanade,“ Image Segmentation Using
  Iterated Graph Cuts Based on Multi-scale Smoothing, ”ACCV2007


      ッ
 局所的なエ ジ情報に     メ テ  ン
           頑健なセグ ン ーショ が可能




               ッ     こ でノ ズが生じ
              エ ジの強いと ろ イ     る                                        5
        従来手法の問題点(2)

            た
 物体及び背景が類似し 色を持つ画像
     ク チ 特徴量を
 局所テ ス ャ    色分布と共にt - linkで扱う
色分布に      メ テ  ン
    依存せずセグ ン ーショ が可能




              て た
         色が類似し いる め区別できない

        よ 平滑化と
多重解像度解析に り        ク チ 特徴の定義を
              局所テ ス ャ       並列に
     繰り グ フ ッ に る メ テ   ン 行う
  行い, 返し ラ カ ト よ セグ ン ーショ を .
                                  6
                      提案手法の流れ


                                                     seed

                                  LL: 平滑化画像
    Haar Waveletによる
     多重解像度解析             LL,LH,HL,HH              Graph Cuts
入                          画像取得                  Segmentation        出
力       (level k)                      n-link                        力


                      LH,HL,HH:テクスチャ特徴
                                                            t-link

                                             事前確率
                                             GMM(色+テクスチャ)の更新



                                       k ← k-1



          抽出結果を テ コチ を 定義し 用いる フで平滑化 得る
          初期値kま ク ス ャn-linkに 色特徴とッ を
           高周波から 再学習と た , 各周波数画像を 戻す
           全て ッ ス トを 解像度レグ こ 前の段階に
             低周波数画像を与え行い, ラと ト学習
             のエ で多重解像度を ので,
                元に
                ジに               カ
                              ベルを 共に 実行                              7
                 多重解像度解析

                LL2 HL2          多重解像度解析
LL1    HL1                HL1
                LH2 HH2
                                        を
                                 画像データ 特定の周波数帯域を   持つい
                                  つ
                                 く かの小さ いサイ       に
                                           ズの画像データ 分割
LH1    HH1       LH1      HH1    する 方法.

Haar Wavelet 変換 (k=2の時)




      Level 0               Level 1            Level 2

 LL:平滑化画像        HL:縦方向 LH:横方向 HH:斜め方向の変化量
 n-link に使用                       t-link に使用             8
                                          n-link

  平滑化画像 (n-link)
LL:

                                                   低解像画像から 徐々に解像
                                                   度を   こ で,
                                                     上げる と 大域的から
                                                         メ テ   ン
                                                   局所的なセグ ン ーショ を
                                                      する
                                                   可能と .
                                                    T. Nagahashi [ACCV2007]
       Level 1                          Level 0
                                                                  近接が類似している
          ス
  n-linkのコ ト                                                      ほど高い値を持つ.
                                                           B{ p , q}
               (I p  Iq )   2
                                        1
B{ p ,q}  exp                  
                   2 2           dist ( p, q)       p          q
                                 
B{ p ,q} : エッジのコスト
I p : 画素pの輝度値        I q : 画素qの輝度値
                                                                              9
           局所テクスチャ特徴量
        局所テ ス ャ
HL,LH,HH:  ク チ 特徴を定義
注目画素p     ×3   ェ レト
     周辺 (3 ) のウ ーブ ッ 係数の絶対値平均 とする




   元画像      LH (Level 1)   HH (Level 1)   HL (Level 1)

              れぞ    ク チ 特徴量を
         物体背景そ れの色+テ ス ャ    学習し,
                   ッ 与え コ ト 計算する
           t-linkのエ ジに る ス を    .                        10
                                         t-link
                                                      ス
                                              t-linkのコ ト (事後確率)

                 色 (RGB)                           ln Pr( O | Y p )
                  ク チ 特徴 を MM
                 テ ス ャ    G                                       O
                     Pr( Y p | O)

                          距離変換                                           B

                     Pr(O)                                    T:”bkg”
                                                背景らしいほど 高
     空間情報)
事前確率 (                                               {p,T
                                                  い値をもつ  }間のt-linkへ使用

                                                物体と背景の境界を    し 境界から
                                                         0.5と ,    の距離
             d obj         if d obj  d bkg     を   ,
                                                 用いて 事前確率を定義する  .
 Pr(O) 
             1  d bkg     otherwise

 Pr(B) 1  Pr(O)
                                                     背景も同様に             11
                 セグメンテーション

            S                         ッ 対する ス
                                     エ ジに  コ ト



      O


                  B



            T

以上のよ にう 全エ ジに て ス を
           ッ 対し コ ト 与え   ,    R p ("obj" )   ln Pr(O | Yp )
                   ルゴ ズムに り
min-cut / max-flowア リ    よ,   R p ("bkg" )   ln Pr(B | Yp )
 ラ のカ ト 行い, メ テ
グ フ ッを                 ン
              セグ ン ーショ 画像を
得る

                                                                12
                     実験条件

       し ,
 評価方法と て
      従来手法(1)      Graph Cuts
      従来手法(2)      平滑化処理のみのGraph Cuts
                テ ス ャ   使っ Graph Cuts
      提案手法 平滑化かつ ク チ 特徴を た
 Berkley Image database(50枚)を使用 (HS画像あり)
 多重解像度解析はLevel 3まで実行
 以下の式から誤検出率err(%)を算出



           物体領域の誤検出画素数 背景領域の誤検出画素 
                                  数
err (%)                           100
              全画素数        全画素数     

           物体を背景と誤検出             背景を物体と誤検出
                                             13
             実験結果


                 ラ
            各手法のエ ー率(%)
解像度レベル k   従来手法(1)   従来手法(2)   提案手法

   1        4.48      3.67     3.18
   2        4.48      2.89     2.68
   3        4.48      2.90     1.57


              た   つ 考察
   比較的誤検出率が高かっ 画像に いて



                                      14
            実験結果 ( 2 )

平滑化と     よ 効果
    事前確率に る
元画像+seed   従来手法(1)   従来手法(2)   提案手法




            17.86%     4.42%   1.93%




             9.96%    0.87%     0.57%
                                        15
             実験結果 ( 3 )

 ク チ 特徴量に る
テ ス ャ    よ 効果

元画像+seed   従来手法(1)   従来手法(2)   提案手法




            10.56%    7.45%    1.86%




            11.84%    16.64%    1.99%
                                       16
             実験結果 ( 4 )


 ク チ 変化の度合いが異なる
テ ス ャ          画像に対する効果
元画像+seed   従来手法(1)   従来手法(2)   提案手法




                                      17
            まとめと考察

 多重解像度解析に り   よ 平滑化と   ク チ 特徴を
                     局所テ ス ャ      繰り
                               用いた 返
 に る
し よ Graph Cutsを   た
               提案し .


 物体背景が類似色を     持つ    ク チ 変化の強いに て 従
                  画像やテ ス ャ      対し ,
             り          れた
来のGraph Cutsよ 高精度な結果が得ら .


   ク チ 特徴と
 テ ス ャ       ち が有効か画像ご に た の差を
          色特徴ど ら       と 違う めそ 考
 る
え .




                                   18
御静聴ありがとうございました




                 19
              つ
         処理時間に いて
  画像サイズ:650×400

従来(1)    従来(2)     提案

10.92秒   62.96秒   87.22秒


  画像サイズ:480×320
従来(1)    従来(2)     提案

8.04秒    36.77秒   55.43秒

                    Pentium® 4 CPU 3.20GHz   20
    min cut max flow アルゴリズム

              S       つながり      カト
                          が強いほど ッ
                         は通らない.




              T           min cut

T         T       S       S


SからTへのエッジが最も小さくなるようにカットする           21
      応用目的




花弁領域抽出の自動化にGraph Cuts   22

				
DOCUMENT INFO
Shared By:
Categories:
Tags:
Stats:
views:16
posted:6/23/2012
language:Japanese
pages:22