Higher-Order Regularization in Computer Vision
Författare
Summary, in Swedish
Popular Abstract in Swedish
Inom många områden, exempelvis inom sjukvården, blir det allt vanligare med situationer där stora mängder av bilder behöver analyseras. Ofta kan dessa bildmängder vara så stora att det tar för lång tid för en människa att gå igenom dem. Till exempel kan man med hjälp av datortomografi ta tredimensionella röntgenbilder av människor, något som görs på sjukhus idag. Att gå igenom dessa bilder manuellt tar givetvis massor av resurser från läkare, resurser som skulle kunna användas bättre.
Ett av målen med datorseende är att automatisera analysen av stora bildmängder. Ett av de första stegen när man analyserar en bild automatiskt är ofta att rita ut gränser mellan olika objekt, att segmentera bilden i olika områden. När man ska göra en sådan segmentering så brukar man bygga upp en statistisk modell som säger att varje pixel i bilden med en viss sannolikhet tillhör ett visst objekt, exempelvis en lunga eller benmärgen.
Segmenteringen väljs sedan så att varje pixel får tillhörighet till det objekt som har högst sannolikhet i just den pixeln. Problemet är dock att varken modellen eller bilderna är perfekta och de resulterande segmenteringarna är ofta brusiga. Ett sätt att minska detta problem är att införa mer regler i modellen. För de flesta bilder är det till exempel troligt att pixlar som ligger nära varandra tillhör samma objekt. Att lägga in sådana regler i modellen brukar kallas att regularisera lösningen.
Regularisering kan även användas vid automatisk generering av så kallade djupkartor. I en djupkarta anges avståndet till varje objekt i en bild.
Djupkartor är exempelvis användbara inom spelindustrin. Med hjälp av djupkartor kan man till exempel mäta en hands rörelser och på så sett använda kroppen som en handkontroll. I automatiskt genererade djupkartor finns ofta brus som man kan minska med hjälp av regularisering.
En lägre ordningens regularisering innebär att man inför krav på storheter som man kan uppskatta utifrån två punkter, exempelvis längden på en kurva. I en högre ordningens regularisering inför man krav på storheter som kräver fler än två punkter. Ett exempel på en sådan storhet är en kurvas krökning.
Denna avhandling omfattar i huvudsak olika modeller för automatisk bildsegmentering och uppskattning av djupkartor. För de olika modellerna införs högre ordningens regulariseringsmodeller och det visas hur man effektivt hittar bra lösningar till dessa modeller.
Inom många områden, exempelvis inom sjukvården, blir det allt vanligare med situationer där stora mängder av bilder behöver analyseras. Ofta kan dessa bildmängder vara så stora att det tar för lång tid för en människa att gå igenom dem. Till exempel kan man med hjälp av datortomografi ta tredimensionella röntgenbilder av människor, något som görs på sjukhus idag. Att gå igenom dessa bilder manuellt tar givetvis massor av resurser från läkare, resurser som skulle kunna användas bättre.
Ett av målen med datorseende är att automatisera analysen av stora bildmängder. Ett av de första stegen när man analyserar en bild automatiskt är ofta att rita ut gränser mellan olika objekt, att segmentera bilden i olika områden. När man ska göra en sådan segmentering så brukar man bygga upp en statistisk modell som säger att varje pixel i bilden med en viss sannolikhet tillhör ett visst objekt, exempelvis en lunga eller benmärgen.
Segmenteringen väljs sedan så att varje pixel får tillhörighet till det objekt som har högst sannolikhet i just den pixeln. Problemet är dock att varken modellen eller bilderna är perfekta och de resulterande segmenteringarna är ofta brusiga. Ett sätt att minska detta problem är att införa mer regler i modellen. För de flesta bilder är det till exempel troligt att pixlar som ligger nära varandra tillhör samma objekt. Att lägga in sådana regler i modellen brukar kallas att regularisera lösningen.
Regularisering kan även användas vid automatisk generering av så kallade djupkartor. I en djupkarta anges avståndet till varje objekt i en bild.
Djupkartor är exempelvis användbara inom spelindustrin. Med hjälp av djupkartor kan man till exempel mäta en hands rörelser och på så sett använda kroppen som en handkontroll. I automatiskt genererade djupkartor finns ofta brus som man kan minska med hjälp av regularisering.
En lägre ordningens regularisering innebär att man inför krav på storheter som man kan uppskatta utifrån två punkter, exempelvis längden på en kurva. I en högre ordningens regularisering inför man krav på storheter som kräver fler än två punkter. Ett exempel på en sådan storhet är en kurvas krökning.
Denna avhandling omfattar i huvudsak olika modeller för automatisk bildsegmentering och uppskattning av djupkartor. För de olika modellerna införs högre ordningens regulariseringsmodeller och det visas hur man effektivt hittar bra lösningar till dessa modeller.
Avdelning/ar
- Mathematical Imaging Group
- eSSENCE: The e-Science Collaboration
- Matematik LTH
Publiceringsår
2014
Språk
Engelska
Fulltext
- Available as PDF - 17 MB
- Download statistics
Dokumenttyp
Doktorsavhandling
Förlag
Centre for Mathematical Sciences, Lund University
Ämne
- Computer Vision and Robotics (Autonomous Systems)
- Mathematics
Nyckelord
- Computer Vision
- Regularization
- Segmentation
- Dense Stereo
Status
Published
Forskningsgrupp
- Mathematical Imaging Group
Handledare
- Fredrik Kahl
- Carl Olsson
ISBN/ISSN/Övrigt
- ISBN: 978-91-7623-163-0 (print)
- ISBN: 978-91-7623-164-7
Försvarsdatum
11 december 2014
Försvarstid
13:15
Försvarsplats
Lecture hall MA:2, Matteannexet, Sölvegatan 20, Lund University, Faculty of Engineering, LTH.
Opponent
- Olga Veksler