(45-4) 11 * << * >> * Русский * English * Содержание * Все выпуски

Система признаков для расширенного суперпиксельного представления изображений
А.А. Егорова 1, В.В. Сергеев 1,2

Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, г. Самара, Московское шоссе, д. 34,
ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,
443001, Россия, г. Самара, ул. Молодогвардейская, д. 151

 PDF, 1441 kB

DOI: 10.18287/2412-6179-CO-876

Страницы: 562-574.

Аннотация:
Как правило, при решении прикладных задач анализа и обработки изображений на основе суперпиксельного представления используется малый набор признаков суперпикселей. Расширение описания суперпикселей может повысить качество обрабатывающих алгоритмов. В статье предлагается набор из 25 базовых признаков суперпикселей, характеризующих их форму, яркость, геометрические параметры и положение на плоскости. Предлагаемые признаки отвечают требованиям низкой сложности вычисления в процессе сегментации изображения и достаточности для решения широкого класса прикладных задач. На их основе представлена модификация известного подхода к формированию суперпикселей, которая заключается в быстрой первичной суперпиксельной сегментации изображения со строгим предикатом однородности, обеспечивающим получение суперпикселей, с высокой точностью сохраняющих информацию исходного растрового изображения, и последующем укрупнении суперпикселей при более мягких предикатах однородности. Экспериментально показано, что такой подход позволяет существенно сократить число элементов изображения, что способствует снижению сложности обрабатывающих алгоритмов, а расширенные суперпиксели более точно соответствуют содержательным областям изображения.

Ключевые слова:
суперпиксельная сегментация, признак, моментные инварианты, полиномиальная аппроксимация.

Благодарности
Работа выполнена при поддержке гранта РФФИ (№ 19-37-90116), а также Министерства науки и высшего образования РФ в рамках выполнения работ по Государственному заданию ФНИЦ «Кристаллография и фотоника» РАН (соглашение № 007-ГЗ/Ч3363/26).

Цитирование:
Егорова, А.А. Система признаков для расширенного суперпиксельного представления изображений / А.А. Егорова, В.В. Сергеев // Компьютерная оптика. – 2021. – Т. 45, № 4. – С. 562-574. – DOI: 10.18287/2412-6179-CO-876.

Citation:
Egorova AA, Sergeyev VV. Extended set of superpixel features. Computer Optics 2021; 45(4): 562-574. DOI: 10.18287/2412-6179-CO-876.

Литература:

  1. Введение в цифровую обработку изображений / Л.П. Ярославский. – М.: Советское радио, 1979. – 312 с.
  2. Pratt, W.K. Digital image processing / W.K. Pratt. – 4th ed. – Hoboken, NJ: John Wiley & Sons, Inc., 2007. – 812 p.
  3. Обработка изображений в автоматизированных системах научных исследований / В.А. Виттих, В.В. Сергеев, В.А. Сойфер. – М.: Наука, 1982. – 214 с.
  4. Алгоритмы машинной графики и обработки изображений / Т. Павлидис. – М.: Радио и связь, 1986. – 400 с.
  5. Методы компьютерной обработки изображений / М.В. Гашников и др.; под ред. В.А. Сойфера. – Изд. 2-е, испр. – М.: Физматлит, 2003. – 784 с.
  6. Gonzalez, R.C. Digital image processing / R.C. Gonzalez, R.E. Woods. – London: Pearson, 2018. – 1168 p.
  7. Achanta, R. SLIC superpixels compared to state-of-the-art superpixel methods / Achanta [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2012. – Vol. 34, Issue 11. – P. 2274-2282.
  8. Stutz, D. Superpixels: An evaluation of the state-of-the-art / D. Stutz, A. Hermans, B. Leibe // Computer Vision and Image Understanding. – 2018. – Vol. 166. – P. 1-27.
  9. Felzenszwalb, P.F. Efficient graph-based image segmentation / P.F. Felzenszwalb, D.P. Huttenlocher // International Journal of Computer Vision. – 2004. – Vol. 59, Issue 2. – P. 167-181.
  10. Vedaldi, A. Quick shift and kernel methods for mode seeking / A. Vedaldi, S. Soatto // Proceedings of the European Conference on Computer Vision. – 2008. – P. 705-718.
  11. Levinshtein, A. Turbopixels: Fast superpixels using geometric flows / A. Levinshtein [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2009. – Vol. 31, Issue 12. – P. 2290-2297.
  12. Veksler, O. Superpixels and supervoxels in an energy optimization framework / O. Veksler, Y. Boykov, P. Mehrani. – In: Computer Vision – ECCV 2010 / ed. by K. Daniilidis, P. Maragos, N. Paragios. – Berlin, Heidelberg: Springer-Verlag, 2010. – P. 211-224.
  13. Блохинов, Ю.Б. Разработка алгоритма семантической сегментации аэрофотоснимков реального времени / Ю.Б. Блохинов, В.А. Горбачев, Ю.О. Ракутин, А.Д. Никитин // Компьютерная оптика. – 2018. – Т. 42, № 1. – С. 141-148. – DOI: 10.18287/2412-6179-2018-42-1-141-148.
  14. Liu, M. Entropy rate superpixel segmentation / M. Liu [et al.] // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2011. – P. 2097-2104.
  15. Wang, J. VCells: Simple and efficient superpixels using edge-weighted centroidal Voronoi tessellations / J. Wang, X. Wang // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2012. – Vol. 34, Issue 6. – P. 1241-1247.
  16. Conrad, C. Contour-relaxed superpixels / C. Conrad, M. Mertz, R. Mester. – In: Energy minimization methods in computer vision and pattern recognition / ed. by A. Heyden, F. Kahl, C. Olsson, M. Oskarsson, X.-C. Tai. – Heidelberg: Springer, 2013. – P. 280-293.
  17. Shen, J. Lazy random walks for superpixel segmentation / J. Shen, Y. Du, W. Wang, X. Li // IEEE Transactions on Image Processing. – 2014. – Vol. 23, Issue 4. – P. 1451-1462.
  18. Neubert, P. Compact watershed and preemptive SLIC: On improving trade-offs of superpixel segmentation algorithms / P. Neubert, P. Protzel // 2014 22nd International Conference on Pattern Recognition. – 2014. – P. 996-1001.
  19. Van den Bergh, M. SEEDS: Superpixels extracted via energy-driven sampling / M. Van den Bergh [et al.] // International Journal of Computer Vision. – 2015. – Vol. 111, Issue 3. – P. 298-314.
  20. Li, Z. Superpixel segmentation using linear spectral clustering / Z. Li, J. Chen // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2015. – P. 1356-1363.
  21. Wei, X. Superpixel hierarchy / X. Wei [et al.] // IEEE Transactions on Image Processing. – 2018. – Vol. 27, Issue 10. – P. 4838-4849.
  22. Fu, K. A survey on image segmentation / K. Fu, J. Mui // Pattern Recognition. – 1981. – Vol. 13, Issue 1. – P. 3-16.
  23. Денисов, Д.А. Сегментация изображений на ЭВМ / Д.А. Денисов, В.А. Низовкин // Зарубежная радиоэлектроника. – 1985. – № 10. – C. 5-31.
  24. Haralick, R. Image segmentation techniques / R. Haralick, L. Shapiro // Computer Vision, Graphics and Image Processing. – 1985. – Vol. 29. Issue 2. – P. 100-132.
  25. Pal, N. A review on image segmentation techniques / N. Pal, S. Pal // Pattern Recognition. – 1993. – Vol. 26, Issue 9. – P. 1277-1294.
  26. Mehnert, A. An improved seeded region growing algorithm / A. Mehnert, O. Jackway // Pattern Recognition Letters. – 1997. – Vol. 18, Issue 10. – P. 1065-1071.
  27. Чукин, Ю.В. Структуры данных для представления изображений / Ю.В. Чукин // Зарубежная радиоэлектроника. – 1983. – № 8. – С. 35-47.
  28. Wang, M. Superpixel segmentation: A benchmark / M. Wang [et al.] // Signal processing: Image Communication. – 2017. – Vol. 56. – P. 28-39.
  29. Neubert, P. Superpixel benchmark and comparison / P. Neubert, P. Protzel // Forum Bildverarbeitung. – 2012. – P. 1-12.
  30. Schick, A. An evaluation of the compactness of superpixels / A. Schick, M. Fischer, R. Stiefelhagen // Pattern Recognition Letters. – 2014. – Vol. 43. – P. 71-80.
  31. Schick, A. Measuring and evaluating the compactness of superpixels / A. Schick, M. Fischer, R. Stiefelhagen // Proceedings of the International Conference on Pattern Recognition. – 2012. – P. 930-934.
  32. Сергеев, В.В. Имитационная модель изображения и метод сжатия данных / В.В Сергеев, В.А Сойфер // Автоматика и вычислительная техника. – 1978. – Т. 12, № 3. – С. 76-78.
  33. Сергеев, В.В. Метод сжатия видеоданных с использованием критерия равномерного приближения / В.В Сергеев // Вопросы кибернетики. Кодирование и передача информации в вычислительных сетях. – 1978. – № 42. – С. 146-149.
  34. Csillik, O. Fast segmentation and classification of very high resolution remote sensing data using SLIC superpixels / O. Csillik // Remote Sensing. – 2017. – Vol. 9, Issue 3. – P. 1-19.
  35. Li, S. Multi-scale superpixel spectral-spatial classification of hyperspectral images / S. Li [et al.] // International Journal of Remote Sensing. – 2016. – Vol. 37, Issue 20. – P. 4905-4922.
  36. Левчук, В.А. Методика количественного описания биомедицинских изображений на основе словарей суперпикселов / В.А. Левчук, В.А. Ковалев // Информатика. – 2016. – Т. 1. – С. 49-57.
  37. Lucks, L. Superpixel-wise assessment of building damage from aerial images / L. Lucks [et al.] // Proceedings of the 14th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications. – 2019. – Vol. 4. – P. 211-220.
  38. Gould, S. Multi-class segmentation with relative location prior / S. Gould [et al.] // International Journal of Computer Vision. – 2008. – Vol. 80. – P. 300-316.
  39. Barnard, K. Matching words and pictures / K. Barnard [et al.] // Journal of Machine Learning Research. – 2003. – Vol. 3, Issue 2. – P. 1107-1135.
  40. Hoiem, D. Geometric context from a single image / D. Hoiem, A.A. Efros, M. Hebert // Tenth IEEE International Conference on Computer Vision (ICCV'05). – 2005. – Vol. 1. – P. 654-661.
  41. Tighe, J. SuperParsing: Scalable nonparametric image parsing with superpixels / J. Tighe, S. Lazebnik // International Journal of Computer Vision. – 2010. – Vol. 101, Issue 2. – P. 352-365.
  42. Malisiewicz, T. Recognition by association via learning per-exemplar distances / T. Malisiewicz, A.A. Efros // 2008 IEEE Conference on Computer Vision and Pattern Recognition. – 2008. – P. 1-8.
  43. Hoiem, D. Recovering occlusion boundaries from a single image / D. Hoiem [et al.] // 2007 IEEE 11th International Conference on Computer Vision. – 2007. – P. 1-8.
  44. Cheng, J. Superpixel classification for initialization in model based optic disc segmentation / J. Cheng, J. Liu, Y. Xu // Annual International Conference of the IEEE Engineering in Medicine and Biology Society. – 2012. – P. 1450-1453.
  45. Pont-Tuset, J. Multiscale combinatorial grouping for image segmentation and object proposal generation / J. Pont-Tuset [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2016. – Vol. 39, Issue 1. – P. 128-140.
  46. Ильясова, Н.Ю. Алгоритмы автоматической кластеризации изображения микрочастиц / Н.Ю. Ильясова, А.В. Устинов, А.Г. Храмов // Компьютерная оптика. – 1993. – Вып. 13. – С. 39-46.
  47. Абрамов, Н.С. Распознавание на основе инвариантных моментов / Н.С. Абрамов, В.М. Хачумов // Вестник РУДН. Серия Математика. Информатика. Физика. – 2014. – № 2. – C. 142-149.
  48. Распознавание и цифровая обработка изображений / Б.В. Анисимов, В.Д. Курганов, В.К. Злобин. – М.: Высшая школа, 1983. – 295 с.
  49. Hu, M.K. Visual pattern recognition by moment invariants / M.K. Hu // IRE Transactions on Information Theory. – 1962. – Vol. 8, Issue 2. – P. 179-187.
  50. Maitra, S. Moment invariants / S. Maitra // Proceedings of the IEEE. – 1979. – Vol. 67, Issue 4. – P. 697-699.
  51. Глумов, Н.И. Построение и применение моментных инвариантов для обработки изображений в скользящем окне / Н.И. Глумов // Компьютерная оптика. – 1995. – Вып. 14-15, Часть 1. – С. 46-54.
  52. Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений / А.Ю. Линник. – М.: Физматлит, 1962. – 349 c.
  53. Liu, T. Image segmentation using hierarchical merge tree / T. Liu, M. Seyedhosseini, T. Tasdizen // IEEE Transactions on Image Processing. – 2016. – Vol. 25, Issue 10. – P. 4596-4607.
  54. Setyanto, A. Hierarchical visual content modelling and query based on trees / A. Setyanto, J. Woods // Electronic Letters on Computer Vision and Image Analysis. – 2016. – Vol. 15, Issue 2. – P. 40-42.
  55. Jiao, X. An unsupervised image segmentation method combining graph clustering and high-level feature representation / X. Jiao, Y. Chen, R. Dong // Neurocomputing. – 2020. – Vol. 409. – P. 83-92.
  56. Galvão, F.L. Image segmentation using dense and sparse hierarchies of superpixels / F.L. Galvão [et al.] // Pattern Recognition. – 2020. – Vol. 108. – P. 1-14.
  57. Treméau, A. Regions adjacency graph applied to color image segmentation / A. Treméau, P. Colantoni // IEEE Transactions on Image Processing. – 2000. – Vol. 9, Issue 4. – P. 735-744.
  58. Harary, F. Graph theory / F. Harary. – Boston: Addison-Wesley, 1971. – 274 p.
  59. Ren, Z. Image Segmentation by cascaded region agglomeration / Z. Ren, G. Shakhnarovich // 2013 IEEE Conference on Computer Vision and Pattern Recognition. – 2013. – P. 2011-2018.
  60. Wang, K. End-to-end trainable network for superpixel and image segmentation / K. Wang, L. Li, J. Zhang // Pattern Recognition Letters. – 2020. – Vol. 140. – P. 135-142.
  61. Chang, K. Machine learning based image segmentation / K. Chang. – Paris: Université PSL, 2019. – 153 p.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20