面向鲁棒曲线状目标分割的局部强度序变换
图像与视频处理
2022-04-06 v1 计算机视觉与模式识别
摘要
曲线状结构分割在许多应用中十分重要，例如用于血管疾病早期检测的视网膜血管分割，以及用于道路状况评估与养护的路面裂缝分割。当前，基于深度学习的方法在这些任务上已取得令人印象深刻的性能。然而，多数方法主要关注寻找强大的深度架构，却忽视了捕捉固有的曲线状结构特征（如曲线状结构比背景更暗）以获得更鲁棒的表示。结果，跨数据集性能通常大幅下降，这给实际应用带来巨大挑战。本文旨在通过引入一种新颖的局部强度序变换（LIOT）来提升泛化能力。具体而言，我们基于每个像素与其沿四个（水平与垂直）方向的邻近像素之间的强度序，将灰度图像转换为对比度不变的四通道图像。这得到了一种保留曲线状结构固有特征同时对对比度变化鲁棒的表示。在三个视网膜血管分割数据集上的跨数据集评估表明，LIOT提升了某些最先进方法的泛化能力。此外，视网膜血管分割与路面裂缝分割之间的跨数据集评估显示，LIOT能够在外观差异较大的情况下保留曲线状结构的固有特征。所提方法的实现见 https://github.com/TY-Shi/LIOT。
引用
@article{arxiv.2202.12587,
title = {Local Intensity Order Transformation for Robust Curvilinear Object Segmentation},
author = {Tianyi Shi and Nicolas Boutry and Yongchao Xu and Thierry Géraud},
journal= {arXiv preprint arXiv:2202.12587},
year = {2022}
}
备注
Accepted by IEEE TIP