Original title:
Detekce hran v obraze pomocí konvexní optimalizace
Translated title:
Image Edge Detection Using Convex Optimisation
Authors:
Novosadová, Michaela ; Róka, Rastislav (referee) ; Dostál, Otto (referee) ; Rajmic, Pavel (advisor) Document type: Doctoral theses
Year:
2023
Language:
eng Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[eng][cze]
Detekce hran v obraze je jednou z nejdůležitějších technik v oblasti digitálního zpracování obrazu. Bývá používána, mimo jiné, jako první krok segmentace obrazu. I proto stále zůstává v oblasti zájmu vědců, kteří se snaží vyvíjet stále lepší detekční přístupy. Hlavním cílem této práce je nalezení vhodné metody detekce hran v obraze pomocí konvexní optimalizace. Navržená metoda je založená na řídkém modelování, a její hlavní část je formulována jako konvexní optimalizační problém, který je řešen pomocí proximálních algoritmů. Pro definici optimalizačního problému se předpokládá, že signál může být modelován jako přeparametrizovaný po částech polynomiální signál, který se skládá z disjunktních segmentů. Počet těchto segmentů je výrazně menší než je počet vzorků signálu, což vybízí k použití řídkosti. Návrh vhodného optimalizačního problému nejdříve probíhá na jednorozměrných signálech, jelikož implementace a porovnání jednotlivých algoritmů je pro jednorozměrné signály výrazně jednodušší a časově méně náročná, než pro dvojrozměrné. První část práce se věnuje představení základní teorie z oblasti zpracování signálu, řídkosti, konvexní optimalizace a proximálních algoritmů, a dále prezentuje průřez používanými metodami pro hranovou detekci v obraze. Druhá část práce se zaměřuje na návrh a následné vyhodnocení jednotlivých optimalizačních problémů pro segmentaci jednorozměrných syntetických signálů, které jsou poškozeny šumem. Vyhodnocení je provedeno jak z pohledu přesnosti detekce skoků tak i odšumění. Poslední část práce je věnována rozšíření nejlépe fungujícího přístupu k detekci skoků v jednorozměrném signálu pro použití na detekci hran v obraze. V této části je navržený přístup testován na standardizovaném datasetu obrázků, který obsahuje manuálně označené hrany od několika subjektů. Výsledky navržené metody jsou vyhodnoceny pomocí precision-recall křivek a jejich maximálního F skóre a následně porovnány s ostatními metodami hranové detekce.
Image edge detection is one of the most important techniques in digital image processing. It is used, among other things, as the first step of image segmentation. Therefore, it remains an area of interest for researchers trying to develop ever-better detection approaches. The main objective of this Thesis is to find a suitable method for image edge detection using convex optimisation. The proposed method is based on sparse modelling, and its main part is formulated as a convex optimisation problem solved by proximal algorithms. For defining the optimisation problem, it is assumed that the signal can be modelled as an over-parametrised, piecewise-polynomial signal that consists of disjoint segments. The number of these segments is significantly smaller than the number of signal samples, which encourages the use of sparsity. The formulation of a suitable optimisation problem is first performed on one-dimensional signals since the implementation and comparison of the different algorithms is significantly easier and less time-consuming for one-dimensional signals than two-dimensional ones. The first part of the Thesis introduces the basic theory in signal processing, sparsity, convex optimisation and proximal algorithms. It also presents a cross-section of the methods used for image edge detection. The second part of the Thesis focuses on the formulation and the subsequent evaluation of individual optimisation problems for the segmentation of one-dimensional synthetic signals corrupted by noise. The evaluation is conducted in terms of both denoising and breakpoint detection accuracy. The last part of the Thesis is dedicated to expanding the best-performing approach for breakpoint detection in one-dimensional signals for the application to image edge detection. The proposed approach is tested on a standardised dataset of images containing manually labelled edges of several subjects. The results of the proposed method are evaluated using precision-recall curves and their maximum F-measure score, and then compared with other edge detection methods.
Keywords:
detekce hran v obraze; gradient; konvexní optimalizace; proximální algoritmy; proximální operátory; Segmentace signálů; totální variace; řídkost; convex optimisation; gradient; image edge detection; proximal operator; proximal splitting algorithm; Signal segmentation; sparsity; total variation
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/209265
guest ::
