randomwalk.ppt

Multi-Label Image Segmentation for Medical Applications Based on Graph-Theoretic Electrical Potentials Leo Grady, Gareth Funka-Lea ECCV’04 Workshop on CVAMIA MMBIA Outlines 背景简述 随机游走理论 基于随机游走的图像分割 相关扩展 Background 医学图像中的器官分割对诊断有重要意义 常用方法： WaterShed Snake Levelset Graphcut 局限： 无法充分交互 复杂边界 漏边界 同时分割多区域 Random Walker 一维图随机游走 二维图随机游走 加权图随机游走 1D Random Walker 从某点出发 随机向左右移动 移动概率相同 到达0点或N点则不能移动 求此点到达目的地N点的概率 1D Random Walker 1D Random Walker 2D Random Walker Weighted Random Walker Image Segmentation 将图像考虑成一张图(Graph) 像素对应G上节点 根据亮度差值定义节点间权重 用户指定确定的前景背景标签（红色箭头） Consider As A Graph Calculation Result Segmentation Solver Dirichlet边界条件问题 共轭梯度法可解 求解有冗余 一种效率更高的解法： L.Grady et al, Anisotropic interpolation on graphs: The combinatorial Dirichlet problem. Discrete Laplacian Matrix 离散拉普拉斯矩阵 设标记点M和未标记点U分类，矩阵可分解为： Sparse Linear Systems 离散拉普拉斯矩阵 令 对于每个标记点 合记为 Algorithm Summary 用户指定标记点VM 将图像映射为图G，边权重由前所示 求解每一个未标记节点i随机游走到每一个标记点的概率 节点属于的类为 ，由此完成图像分割 Advantages 速度快 无须迭代 可以GPU加速 效果好 充分利用了用户输入的信息 一次性划分多个区域 降低了漏边界的风险 Boundary Leak 弱边界 边界处对比度 噪声污染 Weak Boundaries Weak Boundary Result Experiments Experiments Further Improvements 用GPU求解RW L.Grady, Random Walks for Interactive Organ Segmentation in Two and Three Dimensions: Implementation and Validation, MICAI’05 先验模型引导RW L.Grady et al, Multilabel RandomWalker Image Segmentation Using Prior Models, CVPR’05 用RW做alpha扣图 L.Grady et al, Randomwalks For Interactive Alpha-Matting, VIIP’05 Prior Model, Why? Prior Model, How? Alpha Matting LPP Space Locality Preserving Projections X.He and P.Niyogi, Locality preserving projections, NIPS03 比RGB空间能够更好的识别边界信息 Thanks * * 目的地 陷阱 N … 目的地 陷阱 N … 目的地 陷阱 N … P=0.6 P=0.2 P=0.05 P=0.15 标记点 标记点 标记点 权重 到达L1的概率 到达L2的概率 到达L3的概率 L2 L3 L1 （示意） 和 相邻 其它情况 泄漏概率仅1/4 A B 4 3 5 C 原图 标准RW 使用先验模型 原始图 Trimap Poisson Grabcut RW *