Graph cuts based active contour model with selective local or global segmentation

    本篇文章给出了图割方法在解决局部图像分割的问题，构思巧妙。下面将对文章进行较为详细的翻译。

摘要：图割和活动轮廓模型是图像分割中两个非常重要的方法。如今，很多研究人员倾向于将两种方法相结合形成一种高效计算的全局模型。然而，现存的基于活动轮廓的图割方法无法实现对局部分割，而且需要给出边缘项和区域项之间关系的规范化参数。本文提出了一种新的基于活动轮廓模型的图割方法去解决以上两个问题。首先，新的能量函数避免边缘项与区域项的权衡问题，从而在分割过程中不再要求给出规范化参数；再者通过构建一个指定图，本文模型可选择对图像进行局部或全局分割，因此，本文模型不仅可以实现对全局目标的分割，也可以提取局部想要的目标。

介绍：活动轮廓模型是十分常用的图像分割模型。活动轮廓模型的能量泛函可以加入图像的区域、边缘、先验等信息，得到广泛的应用。文中给出了测地线活动轮廓模型的能量泛函(测地线和CV模型的结合体)：

                                          (1)

    式(1)中，C为演化曲线，Cin和Cout为演化曲线内、外部灰度均值。这部分属于水平集函数的内容，前半部分为测地线活动轮廓模型，后半部分为CV模型。

    图割用组合优化方法为每个离散像素附值(标签)，是能量函数最小，从而达到分割图像的目的。图割能量函数表示为：

                                                                                    (2)

    在式(2)中，f：P--L是标签函数，这里的P是像素集，L是P映射的标签集。N是邻域系统(4邻域8邻域等)，D为p像素贴上fp标签的惩罚项，V为p，q像素分别贴上fp，fq的标签的惩罚项。

    近年来，很多研究人员倾向于将图割方法优化活动轮廓模型，因为图割与水平集相比，更有效的构建和全局最优,而且是给像素分配标签使得能量函数去的最小值，如式(2).式(1)可写为下式：

                               (3)

    式(3)中，，像素p是像素q的邻域N(q)，，Cs和Ct在这里可以看为目标和背景的像素均值。

    （附：详细分析式(3)。当能量取最小值时，分割结束，因此要求式(3)两部分在分割结束时取值尽量小。先看第一部分，第一部分可以认为是图割中的边界项，对应水平集的测地线模型。首先分析第一项的分子部分，根据的定义式，经过粗略的分析，角/边可认为是曲率。在水平集图像分割模型中， 为使曲线尽量平滑，通常会加入曲率信息，曲率越小，即曲线越平滑。所以在这里是合理的。而后面部分的xpq在本篇文章中并未给出，通过上下文分析，可认为是像素p(q)分配的标签，即0和1(前景和背景，通常可认为0为前景，1为背景)，根据这个前提对分子分析，可以得出结论：当相邻像素标签不同时，分子为1*，否则为0。再看第一项的分母，Ip-Iq的差越大，分母越大，分母越大，第一项所得的结果就越小。综合第一项的分子和分母，可得出结论：第一项是对边界处的曲率求和，并除去边界两边像素差，当该处边界两边像素差值越大，且曲率较小时，第一项取值越小，即可认为活动轮廓平滑且在较大梯度的位置处。而第二项和水平集图像分割方法中的CV模型非常相似，属于基于区域的图像分割模型，因此此处不再深刻分析。上式在本文所列的文献为：Iterative narrowband-based graph cut optimisation for geodesic active contours with region forces)

    通过对上式分析可知，上述分割方法仍然是全局最优，无法实现对局部的处理，且有权衡系数，下面将给出本文所给出的解决方法。

本文提出的基于活动轮廓模型的图割方法：首先，本文给出一个表格，即图的源集S和标签0和背景相对应，反之，图的汇集T和标签1和O相对应。

    为了避免区域项和边缘项权衡问题，得到对局部或全局进行分割的选择性能，本文提出了没有权衡系数的基于活动轮廓模型的图割方法，能量函数表示为：

                                                                                         (4)

    式(4)中的Eb和式(3)中的含义是一样的。 表明像素p和像素q分配不同标签的惩罚，可写为：

                                           (5)

    这里的Ct和Cs和式(3)中的意义一样。           

    通过对图的特变构建，可实现对局部和全局分割特性的分割选择，下面详细讲解：
(1)n-links(相邻像素的连接)：相邻的像素连接形成的边的权值为：。

（附：这里先分析下n-links。首先，Eb没变，通过对式(3)的分析可知，Eb只有在相邻像素取值不同时有值，其余为0。因此，在此处值又在相邻像素p和q标签不同时才不为0。再在后面乘上，即区域信息，可提高标签的准确程度，因此n-links合理。）

(2)t-links(顶点S/T的连接)：选择全局或局部分割的特性通过种子像素点的选取给出。局部分割可以选取局部的前景像素点作为种子点，从而实现对局部的分割；全局分割可以通过选取全局前景像素点作为种子点，为了方便，本文对每个像素给出了定义：

                                                 

    对于全局分割，如果，则加入pT的邻接并加权值9e+9，如果，则加入pS的邻接并加权值9e+9。

(附：当时，像素p更倾向于T，因此应该割断p与S的连接线，故给pT附较大值。当对全局运算时，T(此处的T为目标种子点)集覆盖到全局。不过通过对上式推导可知当 时上式即可实现，因此个人认为这里表述可能不是很准确，在以后的学习中会继续思考这块内容。) 

    对于非环形目标的局部分割，如果并且xp=1，则加入pT的连接线并赋值为9e+9，如果 并且xp=0，则加入pS的连接线并附权值为9e+9。

(附：对于局部图像分割，T(目标种子点集)的选取集中在目标位置处，如果，则说明p更倾向于t(目标)，且p原本赋值就为1，因此为前景概率极大，故连接pT且附值9e+9。这里和全局分割时的区别在于连接pT且赋值的条件加入了一个xp=1。)             

    对于环形目标的局部分割，如果 且xp=1,则加入pT的连接线并赋值为9e+9，如果 ，则加入pS的连接线并附权值为9e+9。

    给个人的一个思路主要是在局部图像分割时，选取目标种子点要落在局部目标内部。