SlideShare a Scribd company logo
1 of 21
動的輪郭モデル
Active Contours Model
あるまじろ
Active Contour Modelとは
• Active Contour Model
 対象となる空間を領域の性質を表す指標(エッジや他の特
徴量など)により複数の領域に分割
 分割した領域は時間変化により,その境界線が連続的に
変化
• 手法は大まかに2種類
 Snakes法
 Level set法
Snakesとは
前提1: 曲線はパラメータ表現される
前提2: 曲線のエネルギーを設定
𝜀 𝑣 = 𝛼𝜀𝑙𝑒𝑛 + 𝛽𝜀 𝑐𝑢𝑟𝑣 + 𝛾𝜀𝑖𝑚𝑔
𝜀𝑙𝑒𝑛 =
0
1
𝑑𝑣 𝑠
𝑑𝑠
2
𝑑𝑠
𝜀 𝑐𝑢𝑟𝑣 =
0
1
𝑑2 𝑣 𝑠
𝑑𝑠2
2
𝑑𝑠
𝜀𝑖𝑚𝑔 = −
0
1
𝛻 𝐺 ⊗ 𝐼 𝑣 𝑠 𝑑𝑠
:弧長に対応する項
:曲率に対応する項
:勾配強度に対応する項
v 𝑠 =
𝑥 𝑠
𝑦 𝑠
s ∈ 0,1
Snakes(貪欲法)
𝜀𝑙𝑒𝑛 =
𝑖=1
𝑁
𝑣𝑖 − 𝑣𝑖−1
2
𝜀 𝑐𝑢𝑟𝑣 =
𝑖=1
𝑁
𝑣𝑖+1 + 𝑣𝑖−1 − 2𝑣𝑖
2
𝜀𝑖𝑚𝑔 = −
𝑖=1
𝑁
𝐼′ 𝑣𝑖
:弧長に対応する項
:曲率に対応する項
:勾配強度に対応する項
𝜀 𝑣 = 𝛼𝜀𝑙𝑒𝑛 + 𝛽𝜀 𝑐𝑢𝑟𝑣 + 𝛾𝜀𝑖𝑚𝑔
𝜀 𝑣 = 𝛼𝜀𝑙𝑒𝑛 + 𝛽𝜀 𝑐𝑢𝑟𝑣 + 𝛾𝜀𝑖𝑚𝑔
Snakes(貪欲法)の解法
Step1: 曲線は指定
Step2: 変数を設定・初期化
d : 頂点の総移動量
n : 繰り返し回数
Step3: n=0にする
頂点の8近傍の𝜀 𝑣 を
それぞれ計算
Step4: 𝜀 𝑣 最小の画素へ移動
し,移動量をdに加算
Step5: すべての頂点において
計算をし,Step3に戻る
Step6: しきい値以下のdになる
か,n回処理したら終了
Snakes(まとめ)
• 利点
 ノイズに強い領域分割
 高速かつ実装が簡単
• 欠点
 パラメータに強く依存
 初期輪郭線に強く依存
 複数物体の分割が困難(位相問題)
Level set法とは
• 位相変化が可能な動的輪郭モデル
• 領域の分離,結合を自然な形で表現可能
前提1: 曲線は𝜑 𝑥, 𝑦, 𝑡 のゼロ等高線
として表現
前提2: 曲線上の点は,法線方向に動く
接線
法線
Level set法(Upwind Scheme)
Step1: 曲線は指定
Step2: 変数を設定・初期化
𝜑 : グリッドの補助関数値
F : 成長速度を保持するスカラー量
n : 繰り返し回数
Step3: 閉曲線上のグリッドに対して,
𝜑 = 0を設定.
境界を基準として符号付距離
(内側が負,外側が正)を与
える
Step4: 成長速度の計算
𝜑
0
0 0
0
0 0 0
0
0 0
0
-2
-3 -2
-2
-1 -1 -1
-1
-2 -1
-2
5 4 3
-2 -3 ・・・
・・・
F(値は適当)
-3 -3 -2 ・・・
-2 -2 -3
Step3(左)とStep4(右)の図解
Step5: 補助関数値の更新
Step6: Zero level setの検出
Step7: 再初期化
閉曲線上のグリッドに対して,
𝜑 = 0を設定.
境界を基準として符号付距離
(内側が負,外側が正)を与
える
Step8: Step.3~Step.6をφの変化量
が閾値以下になるか,繰り返
し回数nが一定値を超えるま
で繰り返す
Level set法(Upwind Scheme)の続き
𝐹|𝛻𝜑| = 𝛻+or𝛻−
𝛻+ = max(𝐷−𝑥
𝑖.𝑗)2 + m𝑖𝑛(𝐷+𝑥
𝑖.𝑗)2 + max(𝐷−𝑦
𝑖.𝑗)2 + m𝑖𝑛(𝐷+𝑦
𝑖.𝑗)2
𝛻−
= max(𝐷+𝑥
𝑖.𝑗)2
+ m𝑖𝑛(𝐷−𝑥
𝑖.𝑗)2
+ max(𝐷+𝑦
𝑖.𝑗)2
+ m𝑖𝑛(𝐷−𝑦
𝑖.𝑗)2
補助関数値の更新
𝐷−𝑥
𝑖.𝑗 =
𝜑𝑖,𝑗 − 𝜑𝑖−1,𝑗
ℎ
𝐷+𝑥
𝑖.𝑗 =
𝜑𝑖+1,𝑗 − 𝜑𝑖,𝑗
ℎ
𝐷−𝑦
𝑖.𝑗 =
𝜑𝑖,𝑗 − 𝜑𝑖,𝑗−1
ℎ
𝐷+𝑦
𝑖.𝑗 =
𝜑𝑖,𝑗+1 − 𝜑𝑖,𝑗
ℎ
ただし,
𝜑𝑖,𝑗
𝜑𝑖−1,𝑗
𝜑𝑖,𝑗+1
𝜑𝑖+1,𝑗
𝜑𝑖,𝑗−1
補助関数値の更新(例)
𝜑
局所成長速度場と拡散成長速度場
局所成長速度場と拡散成長速度場に関する画像は,
参考より引用しております.
拡張成長速度場のほうが解が安定
かつ形状も高精度
参考
• 「バイオメディカルエンジニアリング 5,6コマ目 画像処理概論1」
 http://www.riken.jp/brict/Ijiri/classes/
• 「コンピュータビジョン アルゴリズムと応用」
 私のバイブル
• 「CV勉強会 発表資料 レベルセット法 4.6-4.12」
 今回一番理解の助けになりました
 後半の資料はここからの転載です
 http://www.slideshare.net/takmin/

More Related Content

What's hot

What's hot (20)

【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
 
12. Diffusion Model の数学的基礎.pdf
12. Diffusion Model の数学的基礎.pdf12. Diffusion Model の数学的基礎.pdf
12. Diffusion Model の数学的基礎.pdf
 
「深層学習」第6章 畳込みニューラルネット
「深層学習」第6章 畳込みニューラルネット「深層学習」第6章 畳込みニューラルネット
「深層学習」第6章 畳込みニューラルネット
 
深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン
 
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
 
スパースモデリングによる多次元信号・画像復元
スパースモデリングによる多次元信号・画像復元スパースモデリングによる多次元信号・画像復元
スパースモデリングによる多次元信号・画像復元
 
Optimizer入門&最新動向
Optimizer入門&最新動向Optimizer入門&最新動向
Optimizer入門&最新動向
 
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
 
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
 
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
 
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
 
Direct Sparse Odometryの解説
Direct Sparse Odometryの解説Direct Sparse Odometryの解説
Direct Sparse Odometryの解説
 
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
 
勾配降下法の 最適化アルゴリズム
勾配降下法の最適化アルゴリズム勾配降下法の最適化アルゴリズム
勾配降下法の 最適化アルゴリズム
 
冗長変換とその画像復元応用
冗長変換とその画像復元応用冗長変換とその画像復元応用
冗長変換とその画像復元応用
 
「世界モデル」と関連研究について
「世界モデル」と関連研究について「世界モデル」と関連研究について
「世界モデル」と関連研究について
 
GAN(と強化学習との関係)
GAN(と強化学習との関係)GAN(と強化学習との関係)
GAN(と強化学習との関係)
 
画像認識のための深層学習
画像認識のための深層学習画像認識のための深層学習
画像認識のための深層学習
 
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
 
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
 

Viewers also liked

Viewers also liked (20)

1章前半
1章前半1章前半
1章前半
 
Chapter1 4.6
Chapter1 4.6Chapter1 4.6
Chapter1 4.6
 
Semantic segmentation
Semantic segmentationSemantic segmentation
Semantic segmentation
 
A brief introduction to recent segmentation methods
A brief introduction to recent segmentation methodsA brief introduction to recent segmentation methods
A brief introduction to recent segmentation methods
 
0528 kanntigai ui_ux
0528 kanntigai ui_ux0528 kanntigai ui_ux
0528 kanntigai ui_ux
 
女子の心をつかむUIデザインポイント - MERY編 -
女子の心をつかむUIデザインポイント - MERY編 -女子の心をつかむUIデザインポイント - MERY編 -
女子の心をつかむUIデザインポイント - MERY編 -
 
Chapter1 4.6 mod
Chapter1 4.6 modChapter1 4.6 mod
Chapter1 4.6 mod
 
Building and road detection from large aerial imagery
Building and road detection from large aerial imageryBuilding and road detection from large aerial imagery
Building and road detection from large aerial imagery
 
#FTMA15 第六回課題 全コースサーベイ
#FTMA15 第六回課題 全コースサーベイ#FTMA15 第六回課題 全コースサーベイ
#FTMA15 第六回課題 全コースサーベイ
 
#FTMA15 第五回課題 全コースサーベイ
#FTMA15 第五回課題 全コースサーベイ#FTMA15 第五回課題 全コースサーベイ
#FTMA15 第五回課題 全コースサーベイ
 
#FTMA15 第七回課題 全コースサーベイ
#FTMA15 第七回課題 全コースサーベイ#FTMA15 第七回課題 全コースサーベイ
#FTMA15 第七回課題 全コースサーベイ
 
顕著性マップの推定手法
顕著性マップの推定手法顕著性マップの推定手法
顕著性マップの推定手法
 
DeepPose: Human Pose Estimation via Deep Neural Networks
DeepPose: Human Pose Estimation via Deep Neural NetworksDeepPose: Human Pose Estimation via Deep Neural Networks
DeepPose: Human Pose Estimation via Deep Neural Networks
 
DeepAKB
DeepAKBDeepAKB
DeepAKB
 
Digital Nature Group at Ars Electronica Summit
Digital Nature Group at Ars Electronica SummitDigital Nature Group at Ars Electronica Summit
Digital Nature Group at Ars Electronica Summit
 
ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化
ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化
ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化
 
落合陽一前陣速攻のスライド0131 #JILS
落合陽一前陣速攻のスライド0131 #JILS 落合陽一前陣速攻のスライド0131 #JILS
落合陽一前陣速攻のスライド0131 #JILS
 
Discrete MRF Inference of Marginal Densities for Non-uniformly Discretized Va...
Discrete MRF Inference of Marginal Densities for Non-uniformly Discretized Va...Discrete MRF Inference of Marginal Densities for Non-uniformly Discretized Va...
Discrete MRF Inference of Marginal Densities for Non-uniformly Discretized Va...
 
LINE 2016 エンジニアインターン 03
LINE 2016 エンジニアインターン 03LINE 2016 エンジニアインターン 03
LINE 2016 エンジニアインターン 03
 
LINE 2016 エンジニアインターン 02
LINE 2016 エンジニアインターン 02LINE 2016 エンジニアインターン 02
LINE 2016 エンジニアインターン 02
 

動的輪郭モデル