使用局部受控距离矢量流场的深度活动轮廓
计算机视觉与模式识别
2021-05-19 v1
摘要
活动轮廓模型（ACM）已广泛用于计算机视觉与图像处理。在近期研究中，卷积神经网络（CNN）已与活动轮廓结合，在轮廓演化与图像分割过程中取代用户，以消除 ACM 对能量泛函参数和初始化依赖相关的局限。然而，先前工作未以实现自动初始化为目标，本文解决了该问题。除手动初始化外，当前方法对初始位置高度敏感且无法精确描绘边界。我们提出一种全自动图像分割方法，以解决手动初始化、捕获范围不足、对边界收敛性差以及能量泛函参数赋值的问题。我们训练两个 CNN，预测活动轮廓加权参数并生成真值掩码以提取距离变换（DT）和初始化圆。距离变换用于形成从图像每个像素指向边界上最近点的矢量场，其大小等于欧氏距离图。我们在四个公开数据集上评估了我们的方法，包括两个建筑物实例分割数据集 Vaihingen 和 Bing huts，以及两个乳腺摄影图像数据集 INBreast 和 DDSM-BCRP。我们的方法在平均交并比（mIoU）上分别比最新研究高出 0.59 和 2.39 个百分点，在 Vaihingen 和 Bing huts 数据集的边界 F 值（BoundF）上分别高出 7.38 和 8.62 个百分点。INBreast 和 DDSM-BCRP 数据集的 Dice 相似系数分别为 94.23% 和 90.89%，表明我们的方法与最先进框架相当。
引用
@article{arxiv.2105.08447,
title = {Deep Active Contours Using Locally Controlled Distance Vector Flow},
author = {Parastoo Akbari and Atefeh Ziaei and Hamed Azarnoush},
journal= {arXiv preprint arXiv:2105.08447},
year = {2021}
}
备注
22 pages with 12 figures