Chenfiona的个人博客分享 http://blog.sciencenet.cn/u/Chenfiona

博文

【综述专栏】轮廓检测方法综述

已有 4045 次阅读 2018-7-11 15:11 |个人分类:好文推荐|系统分类:论文交流

本期推荐最新上线综述,来自中科院自动化所徐德研究员团队:轮廓检测是一项非常困难的工作,当前的轮廓检测方法主要有哪些?未来还有哪些可深入研究的方向?

===========================================

An Overview of Contour Detection Approaches

Xin-Yi Gong, Hu Su, De Xu, Zheng-Tao Zhang, Fei Shen, Hua-Bin Yang

在线阅读:

https://rdcu.be/2HzQ

全文下载:

https://link.springer.com/article/10.1007/s11633-018-1117-z


Springer.jpg

图片来自SpringerLink


========================

【研究背景】


轮廓(contour)是图像目标(imagery object)的典型特征,而轮廓检测是计算机视觉领域的重要研究方向。要解决一些实际性问题,如目标识别、场景理解等,轮廓检测算法(contour detection algorithms)是基础。当前,有很多研究者专注于此,也取得了不少进展。


所谓轮廓,即物体的外围或图形的外框。轮廓检测旨在从图像中提取可体现物体形状的曲线(curves)。实际上,人们对于轮廓的定义只是基于常识,目前尚无数学上的正式定义。

插图1.jpg

来自网络


轮廓与两个概念关系密切:边缘(edge)和边界(boundary),这两个概念对应着图像中目标在光度(photometrical)特征、几何(geometrical)特征和物理(physical)特征上的不连续性(discontinuities)。在设计特殊检测仪(special detectors)时,这三方面的区别越明显,就越有利于进行特征选择(feature selection)。


D.R. Martin等人将边界(boundary)定义为图像的轮廓(contour),体现了一个目标到另一个目标像素(pixel ownership)的变化。还有一些研究者倾向于将轮廓视为兴趣区域(interesting regions)的边界。此时,轮廓检测仪(contour detectors)并不能保证可以产生闭合的轮廓(closed contours),也不能将图像分成不同的区域。当轮廓不是区域的边界(region boundaries)时,会经常出现上述问题。由此可见,轮廓(contour)和边界(boundary)这两个概念虽然紧密相关,却并非完全一样。


边缘由图像中强度函数(intensity function)的变化来体现,可通过特定的低水平图像特征(low-level image features)来检测,如亮度(brightness)或颜色(color)。因此,边缘检测是一种低水平技术(low-level technique),可应用于边界或轮廓检测(boundary or contour detection)。

插图2.jpg

来自文章


如上图所示,四种可用于检测轮廓的经典方法为:光照变化(luminance change)、纹理变化(texture change)、感知分类(perceptual grouping)、错觉轮廓(illusory contour)。前两种情况下,轮廓可由区域边界(regions boundaries)得出。后两种情况下,全局关系(global relations)可帮助感知轮廓(perception of a contour)。


轮廓检测是一项非常困难的工作,因为在实际操作中会出现各种各样的问题和变化。通常,在只能获取局部特征时,检测仪很难得出理想结果,特别是对于那些有纹理(textures)、低对比度(low-contrast objects)、或者含有大量噪声的图像(severely noisy images)。为了提升性能,研究者们研发出了更加复杂的检测仪,它们需要高水平信息(high-level information),有时甚至是先验知识(prior knowledge),如提前了解检测对象的形状等。


封面.png

来自网络


总而言之,无论是在理论上,还是实际上,轮廓检测都非常重要。当前,还没有这一领域的综述性研究。最近发表的一篇相关综述是在2011年,且仅仅集中于一种方法,未对其他方法进行深入讨论。此外,这篇综述在一定程度上落后于当时的研究进展。当前,深度学习技术已经成功应用于轮廓检测,性能可比肩其他前沿方法。因而,撰写一篇囊括最新轮廓检测方法及其进展的综述十分有必要。


本文对当前的轮廓检测算法进行了分类(taxonomy)。第一类是基于像素的方法(pixel-based approach):根据提取特定特征(certain extracted features),决定某个像素是否位于轮廓上。第二类是基于边缘的方法(edge-based approach):检测边缘(edges),而后通过分组或优化边缘片段来得到轮廓(edge fragments)。

插图5.jpg

来自文章


第三类是基于区域的方法(region-based approach):将区域内部信息(internal information)考虑在内,将轮廓视为兴趣区域(interesting regions)的边界。第四类是基于深度网络的方法(deep-network-based approaches):将具有良好泛化能力(generalization abilities)的深度网络应用于轮廓检测中。


=======================================

【本文结构】


1. Introduction

2. Pixel-based approaches

2.1 Methods based on brain-inspired feature

2.2 Methods based on natural features

2.3 Discussions

3. Edge-based approaches

3.1 Contour extraction

3.2 Contour completion

3.3 Edge-based active contour

3.4 Discussions

4. Region-based approaches

4.1 Region segmentation approaches

4.2 Region-based active contour

4.3 Discussions

5. Deep-learning based approach

5.1 Existing methods

5.2 Discussions

6. Challenging issues

7. Conclusions


===========================

【未来研究方向】


通过文献综述,可看出当前学界倾向于将不同的特征综合应用于轮廓检测。虽然有些研究提出同时使用多层次、多尺度的信息来获取高质量边缘(high-quality edges),但却并未对特征是否充足、是否必要进行深入研究。因此,分析特征间的相互关系,减少特征维数(feature dimension),进而提升计算效率,是一个非常有前景的研究方向。


另外,还可在轮廓检测前加入先验形状信息(prior shape information),这对于完成一些特定任务(如追踪)而言非常重要。所提出的方法应该具备抵抗非理想轮廓(reject undesired contours)的能力,保证在有遮挡的情况下(occlusion)也能检测到目标。当前已经有研究者提出了这样的方法,但也有的研究不尽如人意。因此,这也将是未来可以涉足的研究方向。


最后插图.jpg

来自文章


最后,研究者们还可关注语音视觉属性(semantic visual attributes)与训练DCNN网络(trained DCNN)之间的关系。在此基础上,充分利用人类经验,通过训练DCNN,剔除一些非典型特征,进而提升工作效率。


===========================

【研究结论】


本文主要讨论并综述了过去二十年间关于轮廓检测(contour detection)的各种方法。为了区分边缘检测,本文首先讨论了边缘(edge)、边界(boundary)和轮廓(contour)的三个概念的不同之处。


而后详细梳理分析了传统轮廓提取方法(traditional contour extraction approaches),将其分为三类,并探讨了它们的不同及相互关系。此外,文章还介绍了基于DCNN的轮廓检测方法(DCNN-based methods)的最新理论进展。最后提出了几个具有发展潜力、值得进一步研究的方向。


=====================================

【全文信息】


An Overview of Contour Detection Approaches

Xin-Yi Gong, Hu Su, De Xu, Zheng-Tao Zhang, Fei Shen, Hua-Bin Yang


摘要:

Object contour plays an important role in fields such as semantic segmentation and image classification. However, the extraction of contour is a difficult task, especially when the contour is incomplete or unclosed. In this paper, the existing contour detection approaches are reviewed and roughly divided into three categories: pixel-based, edge-based, and region-based. In addition, since the traditional contour detection approaches have achieved a high degree of sophistication, the deep convolutional neural networks (DCNNs) have good performance in image recognition, therefore, the DCNNs based contour detection approaches are also covered in this paper. Moreover, the future development of contour detection is analyzed and predicted.


关键词:

Contour detection, contour salience, gestalt principle, contour grouping, active contour. 


全文下载:

https://link.springer.com/article/10.1007/s11633-018-1117-z


本文系IJAC小编编译,翻译如有不当之处,欢迎后台留言批评指正!



【IJAC作者服务站正式成立!】


主编和三小编将在群中,为大家提供力所能及的帮助和支持,这里会定期分享全文,还将提供稿件查询、投稿答疑等服务,另外,诸多惊喜回馈活动,也期待您的参与!让我们共同建设一个和谐温馨的学术交流社区!IJAC始终秉承着初心:不止于发表,还将是您的论文小助手、科研小帮手!


入群指南:因群人数已过百,需要管理员邀请才可加入,如需入群,请公众号(IJAC)后台回复"姓名+单位+研究方向+个人微信ID",小编审核通过后会向您发送邀请哒!



好文推荐

【综述专栏】陈恩红: 社交网络的信息传播分析及其应用

【专家观点】你的工作,会被机器取代吗?

【综述专栏】 王田苗:智能机器人研究现状及发展趋势思考与建议

【综述专栏】薛建儒: 自动驾驶的场景理解研究

【当期精选】基于立体视觉的大规模3D语义地图构建

【最新专题】自动化与计算方法的研究进展

【IJAC专题】计算机视觉 | 让机器“看”懂世界

10月重磅 | IJAC特约专题:类人计算

【IJAC专题】AI & 图像处理

【IJAC专题】机器人相关论文荐读

【IJAC专题】“自动控制”精选论文



论文助手

Nature社论:论文提笔前,编辑给你的小建议

投稿小心机:别再放过cover letter!

Science:没时间写论文?这么办!

2018国际会议参考列表(上)

2018国际会议参考列表(下)

【投稿指南】您想问的都在这里!

【IJAC支招】Poster=PPT? NO!

【同行评议】优秀论文背后的“伯乐”们

【同行评议】如何撰写审稿报告?

支招| 教您如何提升科研成果的影响力



往期目录

5-6月OnlineFirst文章集锦 (附免费全文)

【当期目录】2018年第3期发表!

4月OnlineFirst文章集锦 (附免费全文)

1-3月OnlineFirst文章集锦 (附免费全文)

【人气集锦】2016-2017年高被引+高下载论文

【当期目录】IJAC2018年第1期上新!

【当期目录】IJAC第六期上新!年度压轴!

10月重磅 |  IJAC特约专题:类人计算

【当期目录】贴“秋膘”:IJAC第4期精神大餐已上齐!



更多精彩内容,欢迎关注

1) IJAC官方网站:

http://link.springer.com/journal/11633

http://www.ijac.net

2) Linkedin: Int. J. of Automation and Computing

3) 新浪微博: IJAC-国际自动化与计算杂志

4) Twitter: IJAC_Journal

5) Facebook: ijac journal

关于杂志或文章,您有任何意见或建议,欢迎后台留言或私信小编

本文编辑:欧梨成

点击“此处",进入原文下载通道



http://blog.sciencenet.cn/blog-749317-1123459.html

上一篇:【综述专栏】陈恩红: 社交网络的信息传播分析及其应用
下一篇:【精选好文】乔红团队:精密工件测量和检测新方法

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2021-10-16 22:59

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部