用于概率图像分割的主动平均场：与 Chan-Vese 及 Rudin-Osher-Fatemi 模型的联系
计算机视觉与模式识别
2016-10-06 v2
摘要
分割是从图像中提取语义上有意义区域的基本任务。分割算法的目标是准确地将对象标签分配给每个图像位置。然而，图像噪声、算法的局限性以及图像的模糊性会导致标签分配的不确定性。估计标签分配的不确定性在多个应用领域至关重要，例如在放射治疗规划中从医学图像中分割肿瘤。估计这些不确定性的一种方法是通过计算贝叶斯模型的后验概率，但这对于许多实际应用而言计算成本过高。另一方面，大多数计算高效的方法未能估计标签不确定性。因此，本文提出了主动平均场 (AMF) 方法，这是一种基于贝叶斯建模的技术，利用平均场近似来高效计算分割及其相应的不确定性。基于变分公式，所得的凸模型结合了任意标签似然度量与关于分割边界长度的先验。该模型的一个具体实现是 Chan-Vese 分割模型 (CV)，其中二元分割任务由高斯似然和正则化分割边界长度的先验定义。此外，从 AMF 模型导出的 Euler-Lagrange 方程等同于用于图像去噪的流行 Rudin-Osher-Fatemi (ROF) 模型的方程。因此，可以通过直接在对数似然比场上利用高效的 ROF 求解器来实现 AMF 模型的解。我们在合成数据以及真实的自然图像和医学图像上对该方法进行了定性评估。对于定量评估，我们将该方法应用于 icgbench 数据集。
引用
@article{arxiv.1501.05680,
title = {Active Mean Fields for Probabilistic Image Segmentation: Connections with Chan-Vese and Rudin-Osher-Fatemi Models},
author = {Marc Niethammer and Kilian M. Pohl and Firdaus Janoos and William M. Wells},
journal= {arXiv preprint arXiv:1501.05680},
year = {2016}
}