segmentación multi-clase en dos dimensiones · • segmentación en dos fases: segmentación...
Post on 22-Jul-2020
20 Views
Preview:
TRANSCRIPT
Trabajo fin de grado:Segmentación de imágenes basada en la textura. Aplicación de CRF densos como
técnica de mejora
Diego Rodríguez MulióGrado en Ingeniería Electrónica Industrial y
Automática
Grado en Ingeniería Electrónica y Automática Industrial
Escuela Técnica Superior de Ingeniería y Diseño IndustrialUniversidad Politécnica de Madrid
15 de Septiembre de 2015
Objetivos• Segmentación multi-clase en dos dimensiones
Objetivo de análisis
Objetivos• Segmentación binaria en tres dimensiones
Región de interés de una resonancia magnética
Segmentación en dos dimensiones
Métodos y referencias
• Segmentación en dos fases:
Segmentación basada en la textura
Modelos de apariencia y
reducción de ruido
Textonboost de Shotton et al.
(Cambridge‐Microsoft)
CRF densos deKrähenbühl y Koltun
(Stanford)
Segmentacióntextonboost
Hierba Árbol Cielo
Segmentación textonboost• Textonización
o Textura = irregularidades de la imageno Se crean regiones de textura uniforme: textones
Mapa de textonesImagen original
Segmentación textonboost
ÁRBOL
CIELO
i
Segmentación textonboost• Clasificación
o Evaluación de característicaso Se obtienen mapas de probabilidad: potenciales unitarios
CRF
CRF definido sobre la imagen
Clasificación
CRF
CRF denso
Implementaciones• Códigos fuente proporcionados en las referencias
o Textonboost en dos dimensiones implementado en C++ por Krähenbühl P. (Stanford University)
o CRF densos en dos dimensiones implementado en C++ por Krähenbühl P. (Stanford University)
• Programas desarrollados
o Generador de imágenes *.pgm para visualizar potenciales unitarios de textonboost
o Adaptación de CRF densos en dos dimensiones para incorporar los potenciales unitarios de textonboost
Experimentos MSRC• Banco de imágenes MSRC (Microsoft) • Segmentación textonboost + CRF denso• Resultados precisos en el 81,11%
Experimentos nidos de cigüeña
• Banco de imágenes para reconocimiento de : nido, cigüeña, cielo y edificio
Experimentos nidos de cigüeña
• Textonboost detecta el 100% • Textonboost + CRF denso segmentan de forma
precisa el 67%
Conclusiones• El sistema de segmentación textonboost + CRF
denso otorga precisión suficiente para la detecciónde zonas de nidificación de aves
• Los CRF densos mejoran notablemente la precisión en la segmentación multi-clase bidimensional
Segmentación en tres dimensiones
Métodos y referencias• Segmentación en dos fases:
Segmentación basada en fusión de etiquetas y registro
no rígido
Modelos de apariencia y
reducción de ruido
LabelFusion de Platero y Tobar (UPM)
Adaptación a 3D de los CRF densos de Krähenbühl y
Koltun (Standford)
Implementaciones• Códigos fuente proporcionados en las referencias
o Segmentación LabelFusion basada en patches implementada en MATLAB por Platero C. (ETSIDI-UPM)
o CRF densos en dos dimensiones implementado en C++ por Krähenbühl P. (Stanford University)
• Programas desarrolladoso Conversores de imágenes MATLAB -> C++o CRF densos en tres dimensiones en C++o CRF densos en mexFunction para su ejecución en MATLAB
CRF densos 3D en C++• Pruebas sobre IBSR (Internet Brain Segmentation
Repository)
MexFunction• Implementa CRF denso y min-cut 3D• Biblioteca dinámica, con extensión *.mexw64• Desde MATLAB, se interpreta como un comando
Resultados IBSR• Comparativa de valores DICE
(promedio de los 18 pacientes)
o Potenciales unitarios: 0,8301 0,8372
o Potenciales unitarios + potenciales de adyacencia de Song:0,8334 0,8414
o Potenciales unitarios + potenciales densos:0,8340 0,8420
Conclusiones
Software público• Los programas empleados en este Trabajo Fin de
Grado se encuentran disponibles en el siguiente enlace:http://www.ieef.upm.es/joomla/index.php/grupos-
inv/vision-artificial
Gracias por su atención
top related