Tesis:
Image segmentation with boosted multi-class classifiers
- Autor: CETINA ROJAS, Kendrick
- Título: Image segmentation with boosted multi-class classifiers
- Fecha: 2018
- Materia: Sin materia definida
- Escuela: E.T.S DE INGENIEROS INFORMÁTICOS
- Departamentos: INTELIGENCIA ARTIFICIAL
- Acceso electrónico: http://oa.upm.es/53192/
- Director/a 1º: BUENAPOSADA BIENCINTO, José Miguel
- Director/a 2º: BAUMELA MOLINA, Luis
- Resumen: Segmentar una imagen consiste en dividirla en un conjunto de regiones o segmentos, generalmente dotados de alguna semántica. Es, por lo tanto, uno de los problemas más complejos a los que se enfrenta la visión por computador, pues en el caso más general implica comprender "qué hay en la imagen". En esta tesis abordamos el problema de la segmentación de imágenes planteando una solución supervisada que se apoya en recientes algoritmos de clasificación multi-clase basados en Boosting. Aunque el planteamiento de la solución es general, nos hemos centrado en el problema de segmentación de imágenes de microscopía electrónica (EM) del cerebro. Frente a la mayoría de trabajos publicados que segmentan una única estructura, nuestra propuesta parte de la idea de que el análisis simultáneo de varias estructuras cerebrales mejora el rendimiento de los algoritmos de segmentación, pues permite explotar mejor las dependencias entre las clases de estructuras y aprender descripciones de las imágenes que proporcionen mejores resultados de segmentacion, tal como se demuestra en la tesis. En esta tesis proponemos una técnica de segmentación de imágenes que es el estado del arte en algoritmos basados en Boosting para segmentación de dos estructuras cerebrales, sinapsis y mitocondrias, en imágenes EM del cerebro. Para lograr este objetivo realizamos varias aportaciones en diferentes áreas. Primero, estudiamos los descriptores de características de imagen más populares y compararmos su desempeño en imágenes EM, seleccionando las que producen las mejores métricas de segmentación. Para llegar a este resultado, hemos desarrollado un nuevo algoritmo de selección de características que es capaz de seleccionar el mejor conjunto de características y escalas para describir una pila de imágenes EM determinada. En segundo lugar, presentamos la curva Jaccard como una herramienta para comparar el rendimiento de dos algoritmos de segmentación independientemente de su punto de operación. Usamos esta curva para comparar el rendimiento de nuestro enfoque con los mejores algoritmos en la literatura. Como contribución final de la tesis, y para mejorar aún más la segmentación, desarrollamos un procedimiento general para optimizar los índices de calidad típicos en segmentación de imágenes. Para este fin, usamos resultados recientes de clasificación con costes para encontrar los costes que optimizan el índice deseado. Los experimentos muestran que nuestro procedimiento, utilizando un conjunto de características sencillas, puede mejorar el índice de Jaccard en las segmentaciones de las sinapsis y las mitocondrias, así como las de otras imágenes naturales. ----------ABSTRACT---------- The goal of image segmentation is to partition an image into different regions, each of them usually endowed with a semantic meaning (i.e. road, house, car, etc). Hence, it is one of the most complex problems faced by computer vision, since in its most general case it entails understanding "what is in the image." In this thesis we address the image segmentation problem from a supervised perspective. Our solution is supported by recent multi-class Boosting algorithms. Although we approach the problem from a general view point, our algorithms were conceived to address the problem of segmenting electron michrographs (EM) of brain tissue. Most state-of-the-art-approaches for this problem segment one single brain structure at a time. Instead, the starting point of our proposal is that the simultaneous analysis of several brain structures improves the performance of the segmentation. This lets the algorithm exploit the dependencies among the different classes of structures and find image descriptions that provide better segmentation results, as we prove in our experiments. In this thesis, we develop an image segmentation algorithm that is the state-of-the-art Boosting scheme for segmenting two brain structures, mitochondria and synapses, in EMimages of the brain. To reach this goal we make several contributions in different areas. First, we study the most popular image feature descriptors and compare their performance on EM images, selecting the ones that produce the best segmentation metrics. To reach this result we develop a new feature selection algorithm that is able to select the best set of features and scales to describe a given EM image stack. Secondly, we introduce the Jaccard Curve as a tool to compare the performance of two segmentation algorithms independently of their operation point. We use this curve to compare the performance of our approach with the best algorithms in the literature. As a final contribution of the thesis, and to improve even further the segmentation, we develop a general procedure to optimize typical image segmentation quality indices. To this end we use recent cost-sensitive classification results to learn the costs that optimize the desired index. The experiments show that our procedure, using a pool of simple features, can improve significantly the Jaccard index in the segmentations of synapses and mitochondria as well as that of other natural images.