[MICCAI2019] Attention Guided Network for Retinal Image Segmentation

最新推荐文章于 2022-10-08 16:20:50 发布

hellopipu

最新推荐文章于 2022-10-08 16:20:50 发布

阅读量1.9k

点赞数 2

分类专栏： MICCAI2019 文章标签： segmentation MICCAI 2019 filter

本文链接：https://blog.csdn.net/qq_26020233/article/details/98793677

版权

该博客介绍了在MICCAI 2019会议上提出的一种利用Attention Guided Network进行视网膜图像分割的方法。文中详细阐述了Guided Image Filtering的概念，它是Kaiming He在ECCV 2010年提出的一种边缘感知滤波器，相较于双边滤波更好地保留了边缘信息。进一步，文章提到了Side Window Filtering的改进，并展示了其在不同滤波算法上的效果。作者基于M-Net网络结构进行了改进，引入了Attention Guided模块，提升了分割性能。最后，博客分享了实验结果和代码链接。

摘要由CSDN通过智能技术生成

作者信息：
Shihao Zhang，华南理工

文章在分割网络结构中引入Guided Image Filtering 和 attention block。Guided Image Filtering用来引导图像特征，传递结构信息（边缘信息）；attention block用来去除噪声与无关背景的影响。

Guided Image Filtering

Kaiming He ECCV2010提出。edge-aware滤波算子。介绍Guided Image Filtering之前，先简单介绍下双边滤波。

双边滤波

参考资料
高斯滤波引入了空间信息，但缺点是，滤波后虽然减少了高频噪声，但相应地原有的边缘也会更加模糊.公式如下，滤波窗内距离中心点越远的像素，对滤波后的结果影响（权值）越小：
在这里插入图片描述
高斯滤波结果如下：

双边滤波在此高斯滤波的基础上还引入了像素信息，滤波窗内与中心点像素差异越大的点对最终结果的影响越小，这使得边缘信息不会被背景信息所掩盖。

双边滤波结果如下：

Guided Image Filtering

参考论文：Guided Image Filtering

Guided Image Filtering相比起双边滤波，对边缘信息保留得更好。若有input 图像 p，guided 图像 I，滤波窗w，滤波后图像q，Guided Image Filtering定义滤波窗内，q与I为线性关系，则有如下，a，b为线性系数
在这里插入图片描述
约束为q与p要尽可能相似，则定义如下损失函数。其中第二项为正则项。

使E最小，则得到a，b的最优解。其中 $\mu_k$ , $\sigma_k^2$ 为I在窗口内的均值和方差， $\overline{p_k}$