AbstractsBiology & Animal Science

Fourier based rotation invariance and biological image analysis : rotation invariant description and detection, and cell segmentation

by Kun Liu




Institution: Universität Freiburg
Department: Technische Fakultät (bisher: Fak. f. Angew. Wiss.)
Degree: PhD
Year: 2014
Record ID: 1102356
Full text PDF: http://www.freidok.uni-freiburg.de/volltexte/2014/9619/


Abstract

Während der grundlegende Ansatz, wie mittels Fourieranalyse Rotationsinvarianz erreicht werden kann, hinlänglich bekannt ist, beschränkt sich die typische Nutzung auf die Berechnung der Absolutbeträge nachdem die Bilddaten oder Bildmerkmale auf eine Fourierbasis projiziert wurden. Der Hauptbeitrag dieser Doktorarbeit ist die Verbesserung der Beschreibung, bzw. der Diskriminationsfähgigkeit von Fourier-basierten invarianten Methoden, durch die Kombination mit anderen modernen Techniken aus dem Bereich der Musterekerkennung und der Computer Vision. Das "Histogram of Oriented Gradients (HOG)" wird vielfach für die Beschreibung von Bildern genutzt und hat sich als sehr leistungsfähig erwiesen (Felzenszwalb et al., 2010). Diese Doktorarbeit präsentiert eine Methode zur Berechnung von rotationsinvarianten HOG-Deskriptoren mittels Fourieranalyse in Polar- und Kugelkoordinaten. Dies wird erreicht durch die Interpretation eines Gradientenhistogramms als kontinuierliche Funktion auf dem Einheitskreis, bzw. der Einheitskugel, die mittels der Fourierbasis (2D) oder Kugelflächenfunktionen (3D) dargestellt wird. Da die Rotationsinvarianz hier analytisch erreicht wird, werden Quantisierungsartefakte vermieden und es wird eine kontinuierliche Abbildung vom Bild- in den Merkmalsraum erreicht, die die darauf folgende Klassifizierungsaufgabe erleichtert. In den Experimenten war unsere Methode anderen "state-of-the-art" Methoden auf einem öffentlich verfügbaren Datensatz zur Fahrzeugerkennung in Luftbildern klar überlegen. Auf dem "Princeton Shape Benchmark" und dem "SHREC 2009 Generic Shape Benchmark" zeigte unsere Methode ebenfalls eine hohe Leistungsfähigkeit als Ähnlichkeitsmaß für 3D Formen. Anstatt invariante Merkmale zu benutzen, können wir auch direkt die Endergebnisse einer Erkennung rotationsinvariant machen. Basierend auf den equivarianten Filtern (Reisert and Burkhardt, 2008) wurde ein neues Modell entworfen, dass hohe Lernfähigkeit unter der Randbedingung der Rotationsinvarianz gewährleistet. Durch die gleichzeitige Nutzung von Rohmerkmalen und rotationsinvarianten Merkmalen haben wir eine solide Lösung gefunden, um eine "Codebook"-ähnliche Methode unter der Randbedingung der Invarianz zu nutzen. Dieses neue Modell liefert einen einfachen und verlässlichen Lernmechanismus für die equivarianten Filter, der die Leistungsfähigkeit in anspruchsvollen Aufgabenstellungen signifikant erhöht. Seine Leistungsfähigkeit wurde in einer 2D Objektdetektionsaufgabe, bei der die Objekte innerhalb der Ebene rotiert sind, sowie in einer 3D-Landmarkendetektion in mikroskopischen Volumendaten demonstriert. Dieser effiziente rotationsinvariante Detektor ist ein wichtiger Beitrag für das Projekt "3D Virtual Brain Explorer for Zebrafish". Dieses Projekt stellt Biologen ein Werkzeug zur Verfügung, um große Mengen von Zebrafischlarven (einem Modellorganismus für Wirbeltiere) auf eine Referenzlarve auszurichten, so dass Koexpression von Genen detailliert analysiert werden kann. Kapitel 5 der Doktorarbeit ist meinen Arbeiten zur Zellsegmentierung und…