An Efficient Smoothing and Thresholding Image Segmentation Framework with Weighted Anisotropic-Isotropic Total Variation

要約

この論文では、異方性および等方性合計変動 (AITV) の加重差を組み込んだ効率的な多段階画像セグメンテーション フレームワークを設計します。
セグメンテーション フレームワークは通常、平滑化としきい値処理の 2 つの段階で構成されており、したがって SaT と呼ばれます。
最初の段階では、AITV で正規化されたマムフォード シャー (MS) モデルによって平滑化された画像が取得されます。このモデルは、乗算器の交互方向法 (ADMM) によって、近位演算子の閉形式解を使用して効率的に解くことができます。
$\ell_1 -\alpha \ell_2$ 正則化子。
ADMM アルゴリズムの収束を分析します。
第 2 段階では、$K$-means クラスタリングによって平滑化された画像を閾値化し、最終的なセグメンテーション結果を取得します。
数値実験により、提案されたセグメンテーション フレームワークがグレースケール画像とカラー画像の両方に多用途であり、高品質のセグメンテーション結果を数秒以内に生成するのに効率的であり、ノイズ、ぼやけ、またはその両方で破損した入力画像に対して堅牢であることが実証されています。
AITV法を元の凸型TVおよび非凸型TV$^p (0要約(オリジナル)

In this paper, we design an efficient, multi-stage image segmentation framework that incorporates a weighted difference of anisotropic and isotropic total variation (AITV). The segmentation framework generally consists of two stages: smoothing and thresholding, thus referred to as SaT. In the first stage, a smoothed image is obtained by an AITV-regularized Mumford-Shah (MS) model, which can be solved efficiently by the alternating direction method of multipliers (ADMM) with a closed-form solution of a proximal operator of the $\ell_1 -\alpha \ell_2$ regularizer. Convergence of the ADMM algorithm is analyzed. In the second stage, we threshold the smoothed image by $K$-means clustering to obtain the final segmentation result. Numerical experiments demonstrate that the proposed segmentation framework is versatile for both grayscale and color images, efficient in producing high-quality segmentation results within a few seconds, and robust to input images that are corrupted with noise, blur, or both. We compare the AITV method with its original convex TV and nonconvex TV$^p (0arxiv情報

提供元, 利用サービス

arxiv.jp, Google