Применение метода мажоризации-минимизации к алгоритму Чана --- Везе в задаче сегментации изображений

Предложена модификация алгоритма Чана --- Везе, проведенная в целях преодоления недостатков оригинала, таких как высокая вычислительная сложность и использование приближенных аппроксимаций. В рассматриваемой модификации оптимизация проводится методом мажоризации-минимизации, основная идея которого состоит в снижении сложности задачи с помощью мажоритарной функции. Показана возможность применения функций Хевисайда и Дирака вследствие использования предлагаемого метода оптимизации. Это позволило достичь тех же или лучших уровней насыщения при оптимизации методом разреза графов за меньшее число итераций, что снизило время работы. Предложенный алгоритм протестирован на наборе данных Caltech101. Алгоритм является общим, не зависит от предметной области и не требует предварительного обучения. Это позволяет использовать его в качестве основы для широкого спектра алгоритмов сегментации изображений

Литература

[1] Chan T.F., Vese L.A. Active contours without edges. IEEE Trans. Image Process., 2001, vol. 2, no. 10, pp. 266--277. DOI: 10.1109/83.902291

[2] Hunter D., Lange K. Quantile regression via an MM algorithm. J. Comput. Sc., 2000, vol. 9, no. 1, pp. 60--77. DOI: 10.2307/1390613

[3] Sonka M., Hlavac R.B.V. Image processing, analysis and machine vision. Thomson Learning, 2007.

[4] Engel K. Real-time volume graphics. AK Peters, 2006.

[5] Canny J. A computational approach to edge detection. IEEE Trans. Pattern Anal. Mach. Intell., 1986, vol. 8, no. 6, pp. 679--698. DOI: 10.1109/TPAMI.1986.4767851

[6] Chen L. The lambda-connected segmentation and the optimal algorithm for split-and-merge segmentation. Chinese J. Computers, 1991, vol. 14, no. 5, pp. 321--331.

[7] MacQueen J. Some methods for classification and analysis of multivariate observations. Proc. 5th Berkeley Symp. Mathematical Statistics and Probability, 1967, pp. 281--297.

[8] Zhang Y., Brady M., Smith S. Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Trans. Med. Imag., 2001, vol. 20, no. 1, pp. 45--57. DOI: 10.1109/42.906424

[9] Boykov Y., Kolmogorov V. An experimental comparison of min-cut/max-flow algorithms for energy minimization in vision. IEEE Trans. Pattern Anal. Mach. Intell., 2004, vol. 26, no. 9, pp. 1124--1137. DOI: 10.1109/TPAMI.2004.60

[10] Wang X., Guo L., Yin J., et al. Narrowband Chan --- Vese model of sonar image segmentation: an adaptive ladder initialization approach. Appl. Acoust., 2016, vol. 113, pp. 238--254. DOI: 10.1016/j.apacoust.2016.06.028

[11] Abdelsamea M.M., Gnecco G., Gaber M.M. A SOM-based Chan --- Vese model for unsupervised image segmentation. Soft Comput., 2017, vol. 21, no. 8, pp. 2047--2067. DOI: 10.1007/s00500-015-1906-z

[12] Chai T.Y., Goi B.M., Tay Y.H., et al. Local Chan --- Vese segmentation for non-ideal visible wavelength iris images. TAAI, 2015. DOI: 10.1109/TAAI.2015.7407059

[13] Barbosa D., Dietenbeck T., Schaerer J., et al. B-spline explicit active surfaces: an efficient framework for real-time 3-D region-based segmentation. IEEE Trans. Image Process., 2012, vol. 21, no. 1, pp. 241--251. DOI: 10.1109/TIP.2011.2161484

[14] Zhao Y., Karypis G. Criterion functions for document clustering: experiments and analysis. Minneapolis, 2001.

[15] Otsu N. A threshold selection method from gray-level histograms. IEEE Trans. Sys., Man., Cyber., 1979, vol. 9, no. 1, pp. 62--66. DOI: 10.1109/TSMC.1979.4310076

[16] Dutta R. Image segmentation using thresholding. Kolkata, 2018.

[17] Yuheng S., Hao Y. Image segmentation algorithms overview. arxiv.org: веб-сайт. URL: https://arxiv.org/abs/1707.02051 (дата обращения: 15.03.2019).

[18] Fauza B., Kiweewa A., Bai L. A review of vessel segmentation technique. ICCAIS, 2017. DOI: 10.1109/CAIS.2018.8441989