Distance-based shape statistics for image segmentation with priors
Statistiques de formes pour la segmentation d'images avec a priori
Résumé
The variational approach in image segmentation consists in defining a criterion depending on a contour and in computing its derivative with respect to the contour in order to minimize it with a gradient descent method. We propose a way to compute shape statistics of a sample set of contours and to incorporate them as a shape prior in the variational framework. We first define the set of "all shapes" as the set of "regular enough" shapes. We study several metrics on it and show they are topologically equivalent. One of them, the Hausdorff distance, is considered in the sequel. With the only knowledge of the distance between shapes we build a low-dimensional map thanks to the graph Laplacian technique. We then build a differentiable approximation of the Hausdorff distance. This allows to define the "mean" shape of a sample set of shapes and to find it with a variational approach. It happens that the notion of "shape gradient" depends strongly on the underlying inner product structure, and that consequently we also have to choose a convenient inner product in order to set priors on the deformation fields that a shape undergoes during the gradient descent process. We then compute statistics based on the instantaneous deformation fields that the "mean shape" should undergo to move towards each example of the sample set of shapes. The application of PCA to the fields leads to sensible characteristic modes of deformation that convey the shape variability. Contour statistics are turned into a shape prior; an example of image segmentation with this criterion is shown. A similar approach is also tried on images instead of contours: eigenmodes are shown for a human face database, and an expression recognition task is performed using SVM on deformation fields.
Le but de cette thèse est de construire, à partir d'un ensemble donné d'exemples de contours d'objets, un critère qui exprime quantitativement la ressemblance entre une forme quelconque et ces exemples. Ce critère permettra ainsi d'avoir un a priori sur la forme de l'objet à rechercher dans une nouvelle image à segmenter. On définit tout d'abord mathématiquement l'ensemble de "toutes les formes". L'étude de plusieurs métriques sur cet ensemble conduit à leur équivalence topologique. Une approximation dérivable de la distance de Hausdorff permet alors de construire un chemin entre deux formes quelconques par descente de gradient. Le gradient d'une application dépendant d'une forme est un champ de déformation appartenant à son espace tangent; il dépend de son produit scalaire, qui peut alors être vu comme un a priori sur les champs de déformation en changeant qualitativement les évolutions. Une extension de la notion de gradient à des a priori non linéaires est également proposée. Les champs instantanés de déformation d'une forme vers une autre obtenus par gradient d'une distance permettent de définir la "moyenne" d'un ensemble donné de contours, ainsi que les modes caractéristiques de déformation qui lui sont associés, exprimant la variabilité de la forme dans l'échantillon étudié. De ces statistiques sur les formes on déduit plusieurs critères de segmentation, qui sont testés et illustrés sur quelques exemples. Des statistiques assez similaires sont également menées sur des images (au lieu de formes) dans une approche difféomorphique, testées sur des photographies de visages, puis utilisées dans une tâche de reconnaissance d'expression.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...