Model Computation and Matching with the Neuractive Pyramid
Modélisation et Mise en Correspondance avec la Pyramide Neuractive
OPEN ACCESS
This paper introduces the neuractive pyramids to model objects under elastic deformations. One pyramid is built on each frame of the image sequence. Each level of the pyramid is a regular graph that is recursively built on a low-pass version of the original picture. Cells of this graph deform to model the local information of the picture . Deformations are obtained by the minimization of an energy function computed both on the gradient of the picture and the graph structure . Each cell contains a vector of statistical moments computed on its domain and its neighborood. Matching pyramids defines a vector Field of local elastic transformations . The matching operator is based on a self-organizing map, introduced by Kohonen . Softness and multiresolution aspects of the pyramids allow accurate and robust results. An application to the matching of 2D cardiac MRI scans shows the interest of the method for deformable objects.
Résumé
Cet article présente les pyramides neuractives pour la modélisation des objets subissant des déformations élastiques . Une pyramide est construite pour chaque image de la séquence . Chaque niveau de la pyramide est un graphe régulier construit récursivement sur l'image de départ convoluée par un filtre passe-bas. Les cellules de ce graphe s'adaptent au contenu local des images. L'adaptation du graphe est obtenue en minimisant une fonction énergétique basée sur le gradient de l'image et la déformation des cellules. Chaque cellule reçoit un vecteur de moments statistiques calculé sur sa zone d'intérêt et celles de ses voisines. La mise en correspondance des pyramides permet d'accéder au champ de vecteurs des transformations élastiques locales. L'algorithme de mise en correspondance est fondé sur une approche neuronale auto-organisatrice. La souplesse et l'aspect multirésolution des structures permettent d'obtenir des résultats robustes et précis . L'application à des images cardiaques obtenues par résonance magnétique (IRM) 2D montre l'intérêt de la méthode pour la modélisation d'objets complexes.
Pyramid, Multi resolution, Modeling, Self-organization, Matching.
Mots clés
Pyramide, Multirésolution, Modélisation, Auto-organisation, Mise en correspondance .
[1] M. Kass, A. WitkinetD.Tezopoulos, «Snakes :activecontourmodels.» Int. J. Comput. Vision, vol. 4, pp. 321-331,1988.
[2] Y . Wang et O. Lee, «Active Mesh-A Feature Seeking and Tracking Image SequenceRepresentation Scheme», IEEETrans. onImageProcessing,vol. 3 n°.5pp610-624 Sept 1994.
[3] L. Cohenand I. Cohen, «finite element methods for active contour models and balloons for 2D and 3 D images », IEEE Trans. Patt. Anal. Machine Intell.,Vol. 15, n°. 11, pp 1131-1147,Nov. 1993.
[4] S. Benayoun, «calcullocal dumouvement: application àl'imagerie médicale multidimensionnelle», Thèse, Université de Paris IX -Dauphine, 1994.
[5] W. C. Huang and D. B. Goldof, «Adaptive-size meshes for rigid and nonrigid shape analysis and synthesis», IEEETrans. Patt . Anal. Machine Intell., vol 15, n°.6 ,pp 11-616, jun 1993.
[6] B.K.P. Horn et B.G. Schunk, «Determining the Optical Flow», Artif. Intell., vol. 17 pp 185-203, 1981.
[7] D. Geiger and J. A. Vlontzlos, «Matching elastic contours», Comp. Vision andPatt. Recognition, pp. 602-614, New-York (USA), 1993.
[8] S.M. Song and R.M. Leahy, «Computation of 3D velocity fields from Cine CT images of a human heart», IEEETrans. on Medical Imaging, V61.44, pp 155-174, Sep 1991.
[9] H. Zheng, S.D. Blostein, «Adaptive regularization for motion field estimation«,Signal Processing VI: theories and applications,pp 1327-1330,1992.
[10] B. Serra and M. Berthod, «Subpixel contour matching using continuous dynamic programming«, Comp. Vision andPatt. Recognition, pp. 202-207, Seattle (USA), June 1994.
[11] P. Bouthemy, «A maximum likelihood framework for determining moving edges», IEEE Trans. Patt.Anal. Machine Intell., Vol. 11, n°. 5, pp 499-511, May 1989.
[12] W. I. Grosky and R. Jain, «A pyramid-based approach to segmentation applied to region matching», IEEETrans. Patt. Anal. Machine Intell.,vol8, n°. 5, pp 639-650, apr 1986.
[13] J. L. Crawley and A. C. Sanderson, «Multiple resolution representation and probabilistic matching of 2-D gray scale shape», IEEETrans. Patt. Anal. Machine Intell.,vol9, no. l, pp 113-121, jan 1987.
[14] S. Tanimoto, T. Pavlidis, «a hierarchical data structure for picture processing», Computer Graphics.and Image Processing,Vol. 4, n°. 2, pp 104-119, Jun. 1975.
[15] P-J. Reissman, LE. Magnin, «modélisation et mise en correspondance avec la pyramide neuractive», congrès RFIA Rennes, Vol. 1,pp309-317, 1996.
[16] J.M Jolion, «Analyse d'images : le modèle pyramidal. », Traitementdu signal,Vol7, n°. 7, pp 5-17, 1990.
[17] A.Rosenfeld, «Multiresolution image processing and analysis», SpringerVerlagBerlin, 1984.
[18] J.-M.Jolion, A.Rosenfeld,«a pyramid framework for early vision », Kluwer Academic Publishers, 1994.
[19] C. Mathieu, I.E. Magnin, «On the Choice of the first Level on Graph Pyramids», Journal of Mathematical Imaging and Vision, Vol 6, pp 85-96, 1996.
[20] C. Mathieu, «Segmentation d'images par pyramides souples : application à l'imagerie médicale multidimensionnelle», these : InstitutNational des Sciencesappliquées, France 228 p., 1993.
[21] T. Kohonen, «Self organization and Associative Memory», Springer-Verlag Berlin, 1984.
[22] P. Perez, F. Heitz, «Une approche multiéchelle à l'analyse d'images par champs markoviens»,Traitementdu signal,Vol9, n°. 6, pp 459-472, 1992.
[23] R. Bajscy, S. Kovacic,«Multiresolutionelastic matching»,Computervision, Graphics and Image Processing, Vol46, pp 1-21, 1989.
[24] Y. Amit, A. Kong, << Graphical templates for model registration >>, IEEE Trans. Patt.Anal. Machine Intell.,Vol. 18, n°. 3, pp 225-236, Mar 1996.
[25] M. Moshfeghi, S. Ranganath, K. Nawyn, «Three-dimensional elastic matching of volumes», IEEE Trans. on Image Processing, Vol . 3, n°. 2, pp 128-138 Mar 1994.