Get documents about "Wavelet ?????????????????Graph
Document Sample
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
