引入Hann窗以减少基于图像块的图像分割中的边缘效应
图像与视频处理
2020-07-01 v1 计算机视觉与模式识别
摘要
使用计算密集型方法（例如卷积神经网络，CNN）可处理的图像尺寸存在限制。某些成像模态——尤其是生物和医学成像——可产生高达数十亿像素的图像，这意味着必须将其分割成较小的部分或图像块进行处理。然而，在执行图像分割时，这可能导致不良伪影，例如最终重新组合图像中的边缘效应。我们引入信号处理中的加窗方法，以有效减少此类边缘效应。基于图像块的中心部分通常比其边缘和角落包含更丰富的上下文信息这一假设，我们通过重叠图像块来重建预测，并根据二维窗口对其进行加权。我们比较了四种不同窗口的结果：Hann窗、Bartlett-Hann窗、三角窗以及Cui等人最近提出的窗口，并表明基于余弦的Hann窗在结构相似性指数（SSIM）衡量下取得了最佳改进。所提出的加窗方法可与任何用于分割的CNN模型一起使用，无需任何修改，并能显著改善网络预测。
引用
@article{arxiv.1910.07831,
title = {Introducing Hann windows for reducing edge-effects in patch-based image segmentation},
author = {Nicolas Pielawski and Carolina Wählby},
journal= {arXiv preprint arXiv:1910.07831},
year = {2020}
}