Statistical Shape Knowledge in Variational Image Segmentation


Cremers, Daniel


[img]
Vorschau
PDF
52_1.pdf - Veröffentlichte Version

Download (25MB)

URL: http://ub-madoc.bib.uni-mannheim.de/52
URN: urn:nbn:de:bsz:180-madoc-520
Dokumenttyp: Dissertation
Erscheinungsjahr: 2002
Titel einer Zeitschrift oder einer Reihe: None
Verlag: Universität Mannheim
Gutachter: Schnörr, Christoph
Datum der mündl. Prüfung: 24 Juli 2002
Sprache der Veröffentlichung: Englisch
Einrichtung: Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Bildverarbeitung, Mustererkennung u. Computergrafik (Schnörr 1999-2008)
Fachgebiet: 004 Informatik
Fachklassifikation: MSC: 68T45 ,
Normierte Schlagwörter (SWD): Computer Vision , Bildsegmentierung , Mustererkennung , Variationsrechnung , Statistik
Freie Schlagwörter (Deutsch): Optischer Fluss
Freie Schlagwörter (Englisch): computer vision , image segmentation , statistical shape models , variational methods , diffusion snake
Abstract: When interpreting an image, a human observer takes into account not only the external input given by the intensity information in the image, but also internally represented knowledge. The present work is devoted to modeling such an interaction by combining in a segmentation process both low-level image cues and statistically encoded prior knowledge about the shape of expected objects. To this end, we introduce the diffusion snake as a hybrid model combining the external energy of the Mumford-Shah functional with the internal energy of the snake. In particular, we present a method called "motion competition" as an extension of the Mumford-Shah functional which aims at maximizing the homogeneity with respect to the motion estimated in each region. These purely image-based segmentation methods are extended by a shape prior, which statistically encodes a set of training silhouettes. We propose two statistical shape models of different complexity. The first one is based on the assumption that the training shapes form a Gaussian distribution in the input space, whereas the second one assumes a Gaussian distribution upon a nonlinear mapping to an appropriate feature space. This nonlinear shape prior permits to simultaneously encode in a fully unsupervised manner a fairly complex set of shapes, such as the 2D silhouettes corresponding to several 3D objects. To make the shape prior independent of translation, rotation and scaling, we propose an intrinsic alignment of the evolving contour with the training set before applying the shape prior. Numerical results demonstrate that the evolving contour is restricted to a submanifold of familiar shapes while being entirely free to translate, rotate and scale. The shape prior compensates for ambiguous, missing or misleading low-level information. It permits a segmentation of objects of interest in images which are corrupted by noise, clutter or occlusion.
Übersetzter Titel: null (Deutsch)
Übersetzung des Abstracts: Die vorliegende Arbeit widmet sich der Fragestellung, wie sich vorher gelerntes Wissen über zu segmentierende Objekte in Segemntationsverfahren integieren lässt. Basierend auf klar definierten Optimierungskriterien werden Segmentierungen berechnet, die sowohl die gegebene Bildinformation als auch vorhandenes a-priori Wissen berücksichtigen. Das Segmentationsverfahren sind die "Diffusion Snakes", ein hybrides Modell mit der externen Energie des Mumford-Shah Funktionals und der internen Energie des Snakes. Das a-priori Wissen wird durch statistische Formmodelle unterschiedlicher Komplexität modelliert. Numerische Ergebnisse belegen, dass das a-priori Wissen die Segmentation deutlich verbessert, insbesondere wenn die Bildinformation durch Rauschen, Hintergrundstrukturen und teilweise Verdeckungen der Objekte gestört ist. Im letzten Teil der Arbeit wird der datengetriebene Anteil des Segmentationsverfahrens dahingehend modifiziert, dass eine Segmentierung von Objekten aufgrund ihrer relativen Bewegung möglich wird. Numerische Experimente belegen, dass sich insbesondere auch bewegte Objekte segmentieren lassen, die sich aufgrund ihrer Helligkeit nicht vom Hintergrund unterscheiden. Mathematisch lässt sich der datengetriebene Anteil als eine Erweiterung des Mumford-Shah Funktionals für das Problem der Bewegungssegmentation interpretieren. In Anlehnung an das existierende "region competition" wurde dieses Verfahren als "motion competition" bezeichnet. (Deutsch)
Zusätzliche Informationen:




Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt.




Metadaten-Export


Zitation


+ Suche Autoren in

+ Download-Statistik

Downloads im letzten Jahr

Detaillierte Angaben



Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail


Actions (login required)

Eintrag anzeigen Eintrag anzeigen