Deutsche Übersetzung des Titels: Nichtglatte Konvexe Variationsmethoden in der Bildverarbeitung

Vorschau

PDF, Englisch Download (8MB) | Nutzungsbedingungen

Abstract

Variational models constitute a foundation for the formulation and understanding of models in many areas of image processing and analysis. In this work, we consider a generic variational framework for convex relaxations of multiclass labeling problems, formulated on continuous domains. We propose several relaxations for length-based regularizers, with varying expressiveness and computational cost. In contrast to graph-based, combinatorial approaches, we rely on a geometric measure theory-based formulation, which avoids artifacts caused by an early discretization in theory as well as in practice. We investigate and compare numerical first-order approaches for solving the associated nonsmooth discretized problem, based on controlled smoothing and operator splitting. In order to obtain integral solutions, we propose a randomized rounding technique formulated in the spatially continuous setting, and prove that it allows to obtain solutions with an a priori optimality bound. Furthermore, we present a method for introducing more advanced prior shape knowledge into labeling problems, based on the sparse representation framework.

Übersetzung des Abstracts (Deutsch)

Variationsmethoden bilden in vielen Gebieten der Bildverarbeitung die Grundlage für die Formulierung von Modellen sowie für deren tieferes Verständnis. In dieser Arbeit betrachten wir einen Variationsansatz für konvexe Relaxierungen des Mehrklassen-Segmentierungsproblems, formuliert auf kontinuierlichen Bildgebieten. Wir stellen mehrere zugehörige Relaxierungen für längenbasierte Regularisierer vor, die sich in der Mächtigkeit, aber auch in der numerischen Komplexität, unterscheiden. Durch die Formulierung im Rahmen der geometrischen Maÿtheorie werden Diskretisierungsartefakte, die bei graphenbasierten kombinatorischen Verfahren aufgrund der frühzeitigen Diskretisierung auftreten, so weit wie möglich vermieden. Zur numerischen Lösung des zugehörigen nichtglatten Optimierungsproblems untersuchen wir Optimierungsmethoden erster Ordnung, basierend auf kontrollierter Glättung und Operator Splitting. Wir formulieren eine randomisierte Rundungsmethode für Mehrklassen-Segmentierungsprobleme auf kontinuierlichen Gebieten und zeigen, dass auf diese Weise ganzzahlige Lösungen mit einer a priori-Schranke für die Optimalität gefunden werden können. Weiterhin stellen wir eine "Sparse Representation"-basierte Methode vor, die es erlaubt, zusätzliches Vorwissen über die Objektform in Variationsansätze zu integrieren.