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

Transformerを雰囲気で理解する
Transformerを雰囲気で理解するTransformerを雰囲気で理解する
Transformerを雰囲気で理解するAtsukiYamaguchi1
 
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Shogo Muramatsu
 
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language SupervisionDeep Learning JP
 
StyleGAN解説 CVPR2019読み会@DeNA
StyleGAN解説 CVPR2019読み会@DeNAStyleGAN解説 CVPR2019読み会@DeNA
StyleGAN解説 CVPR2019読み会@DeNAKento Doi
 
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video UnderstandingToru Tamaki
 
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチMIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチHironobu Fujiyoshi
 
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement LearningPreferred Networks
 
Graph convolution (スペクトルアプローチ)
Graph convolution (スペクトルアプローチ)Graph convolution (スペクトルアプローチ)
Graph convolution (スペクトルアプローチ)yukihiro domae
 
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMMMorpho, Inc.
 
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature FilterMorpho, Inc.
 
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Yusuke Uchida
 
平滑化処理の繰り返しによる画像セグメンテーションのためのグラフカット
平滑化処理の繰り返しによる画像セグメンテーションのためのグラフカット平滑化処理の繰り返しによる画像セグメンテーションのためのグラフカット
平滑化処理の繰り返しによる画像セグメンテーションのためのグラフカットMPRG_Chubu_University
 
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理Masatoshi Yoshida
 
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門グラフニューラルネットワーク入門
グラフニューラルネットワーク入門ryosuke-kojima
 
[DL輪読会] Adversarial Skill Chaining for Long-Horizon Robot Manipulation via T...
[DL輪読会] Adversarial Skill Chaining for Long-Horizon Robot Manipulation via  T...[DL輪読会] Adversarial Skill Chaining for Long-Horizon Robot Manipulation via  T...
[DL輪読会] Adversarial Skill Chaining for Long-Horizon Robot Manipulation via T...Deep Learning JP
 
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜SSII
 
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないことNorishige Fukushima
 

What's hot (20)

Transformerを雰囲気で理解する
Transformerを雰囲気で理解するTransformerを雰囲気で理解する
Transformerを雰囲気で理解する
 
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
 
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
 
StyleGAN解説 CVPR2019読み会@DeNA
StyleGAN解説 CVPR2019読み会@DeNAStyleGAN解説 CVPR2019読み会@DeNA
StyleGAN解説 CVPR2019読み会@DeNA
 
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
 
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチMIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
 
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
 
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
 
Graph convolution (スペクトルアプローチ)
Graph convolution (スペクトルアプローチ)Graph convolution (スペクトルアプローチ)
Graph convolution (スペクトルアプローチ)
 
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM
 
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
 
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
 
平滑化処理の繰り返しによる画像セグメンテーションのためのグラフカット
平滑化処理の繰り返しによる画像セグメンテーションのためのグラフカット平滑化処理の繰り返しによる画像セグメンテーションのためのグラフカット
平滑化処理の繰り返しによる画像セグメンテーションのためのグラフカット
 
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理
 
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
 
[DL輪読会] Adversarial Skill Chaining for Long-Horizon Robot Manipulation via T...
[DL輪読会] Adversarial Skill Chaining for Long-Horizon Robot Manipulation via  T...[DL輪読会] Adversarial Skill Chaining for Long-Horizon Robot Manipulation via  T...
[DL輪読会] Adversarial Skill Chaining for Long-Horizon Robot Manipulation via T...
 
劣微分
劣微分劣微分
劣微分
 
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
 
coordinate descent 法について
coordinate descent 法についてcoordinate descent 法について
coordinate descent 法について
 
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
 

Viewers also liked

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 methodsShunta Saito
 
0528 kanntigai ui_ux
0528 kanntigai ui_ux0528 kanntigai ui_ux
0528 kanntigai ui_uxSaori Matsui
 
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 -Shoko Tanaka
 
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 imageryShunta Saito
 
#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Yoichi Ochiai
 
#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Yoichi Ochiai
 
#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Yoichi Ochiai
 
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Takao Yamanaka
 
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 NetworksShunta Saito
 
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 SummitYoichi Ochiai
 
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Shunji Umetani
 
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 Yoichi Ochiai
 
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...Masaki Saito
 
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 03LINE Corporation
 
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 02LINE Corporation
 

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