35

セルの画像内のピクセルをエッジまたは非エッジとして分類するために、Python で分類器をトレーニングしました。いくつかの画像データセットで問題なく使用できましたが、この特定のデータセットで問題が発生しています。これは、人間の目でもかなりあいまいに見えます。それを正確にセグメント化できる既存の自動化手法は知りません。

予測後、次の画像を取得します。

予測画像

私は画像処理に比較的慣れておらず、細胞の最終セグメンテーションを実際に取得する方法がわかりません。ハフ循環変換、レベルセット、スケルトン化、輪郭検出など、いくつかの異なる手法を簡単に試しましたが、実際にはうまくいきませんでした。パラメータを正しく調整していないだけですか、それとももっと良いテクニックがありますか?

ちなみに、参照用に正しいアウトラインを次に示します。

アウトラインを修正する

そして元の画像：

ここに画像の説明を入力

そして、連続確率マップ:

連続確率マップ

4

3 に答える 3

59

境界検出に関する非常に優れた作業。私は以前、同様のセグメンテーションの問題に取り組んでいました。

仮説：

e(i,j)ピクセルの「エッジネス」度を示すエッジ マップを取得したらi,j、可能な限りエッジ マップを尊重する画像のセグメンテーションが必要です。
この「エッジ マップを尊重する」をより正式な方法で定式化するために、相関クラスタリング (CC)汎関数を検討することをお勧めします
。同じクラスター (それらの間にエッジがない) または異なるクラスター (それらの間にエッジがある) にあります。前述の論文
のセクション 7.1 の例を見てください。 CC は、医療 (神経) イメージングにおける同様のセグメンテーションの問題にも使用されます。
ここに。

練習

CC が実際に問題に適切な定式化であると確信しても、バイナリ エッジ マップを CC が処理できるアフィニティ マトリックスに正確に変換する方法についてはまだ疑問があります。CC は入力として、同じセグメントに属すると想定されるピクセルのペアの正のエントリと、異なるセグメントに属すると想定されるピクセルのペアの負のエントリを持つ (通常は疎な) 隣接行列を必要とすることに注意してください。

これが私の提案です：

  1. エッジ マップのエッジは非常に厚く、ローカライズされていないように見えます。前処理段階として、非最大抑制、または形態的シンニングをお勧めします。

  2. より適切にローカライズされたエッジが得られたら、「エッジ」ピクセルを無視し、「非エッジ」ピクセルのみを処理して、それらを「アクティブ」と呼びます。
    互いに隣り合っている 2 つのアクティブなピクセル: それらの間に「エッジ」ピクセルはありません。それらは一緒にある必要があります。したがって、近辺の隣人の隣接行列は正の全体を持つ必要があります。
    2 つの端点が「アクティブな」ピクセルであるライン上の 3 つのピクセルを考えてみましょう。中央の端点がエッジである場合、2 つのアクティブなピクセルは同じクラスターに属すべきではありません。隣接行列の対応するエントリは負でなければなりません。中央のピクセルもアクティブである場合、隣接行列の対応するエントリは正でなければなりません。

  3. すべての可能な隣接ペアとトリプレット (24 連結グリッド グラフを誘導) を考慮して、CC に適した正と負のエントリを持つアフィニティ マトリックスを構築できます。

  4. マトリックスが与えられたら、最高の CC スコア (最適化段階) を持つセグメンテーションを検索する必要があります。私はこれのためのMatlabコードをここに持っています。また、優れたopenGMパッケージを使用することもできます。

  5. 最適化は、アクティブなピクセルのみのパーティションで行われます。それを入力画像ドメインにマップし直して、エッジ ピクセルをセグメントに割り当てないままにすることができます。

于 2013-10-22T06:18:53.420 に答える
2

分類器のエッジ/非エッジ ピクセルの画像を見ると、入力の勾配画像が既に基本的に学習した分類器の結果を示していることがわかります。しかし、信頼度マップは次の点を除いて優れたソリューションを示しています。 1. さまざまなサイズの接続されたレベルセットです。2. セル内にノイズの多い輝点があり、分類器からの誤った出力を引き起こします。(おそらく何らかの平滑化を考慮することができます) 3. 各セルの内部 (グレースケールの変化、平均サイズ) を特徴付ける方がおそらく簡単だと思います。これらの分布を学習すると、おそらくより良い検出結果が得られるでしょう。トポロジー的には、大きなグレースケール値にネストされた一連の低グレースケール値があります。これを実行するには、 GMMでGraphcutsを使用できますユニタリ コストのモデルとペアワイズ項の学習勾配分布

于 2013-11-02T13:12:13.427 に答える
1

あなたのハフ変換は良い考えだと思います。試してみる必要があることの 1 つは (まだ行っていない場合)、変換を実行する前に画像をしきい値処理することですが、リンクしたばかりの記事はバイナリしきい値処理のみのようです。これにより、エッジと背景の違いが誇張されるため、検出しやすくなります。基本的に、関数を (ピクセルの値に作用するフィルターの形式で) 各ピクセルに適用します。

他に試すことができるのは、アクティブな輪郭です。基本的に、いくつかの円を配置すると、探しているものが見つかるまで画像内を移動します。

私の最後のアイデアは、おそらくウェーブレット変換を試すことです。これらは、画像の境界と境界線を選択するのに非常にうまく機能しているようです. これらのアイデアがあなたの出発点になることを願っています。

于 2013-09-29T00:56:27.653 に答える