Object segmentation in hyperspectral images using graph cuts based on active contours

Abstract

The interest in object segmentation on hyperspectral images is increasing and many approaches have been proposed to deal with this area. In this project, we develop an algorithm that combines both the active contours and the graph cut approaches for object segmentation in hyperspectral images. The active contours approach has the advantage of producing sub-regions with continuous boundaries. The graph cuts approach has emerged as a powerful optimization technique for minimizing energy functions while avoiding the problems of local minima inherent in other approaches. The combination of the two models has robust object segmentation capability because it has the ability to avoid the local minima and provide a more global result. Additionally, graph cuts guarantee continuity and produce smooth contours, free of self-crossing and uneven spacing problems. Our approach uses both spatial information and spectral information from hyperspectral images and it can segment more than one object in an image. We tested our algorithm using real and synthetic hyperspectral images, and obtained good results. This algorithm can be applied in many fields and it should represent an important advance in the field of object segmentation.

El interés en la segmentación de objetos sobre imágenes hiperespectrales está aumentando y muchos enfoques han sido propuestos para tratar con esta área. En este proyecto, nosotros desarrollamos un algoritmo que combina los enfoques de los contornos activos y el corte de grafos para la segmentación de objetos en imágenes hiperespectrales. El enfoque de los contornos activos tiene la ventaja de producir sub-regiones con fronteras continuas. El enfoque del corte de grafos ha emergido como una poderosa técnica de optimización para la minimización de funciones de energía y evitar los problemas de mínimos locales inherentes en otros enfoques. La combinación de los dos modelos tiene una capacidad robusta de segmentación de objetos, porque este tiene la habilidad de eliminar los mínimos locales y proveer un resultado mucho más global. Adicionalmente, el corte de grafos garantiza la continuidad y produce contornos suavizados, libres de los problemas de auto-cruces y espaciado asimétrico. Nuestro enfoque utiliza tanto la información espacial y la información espectral de las imágenes hiperespectrales y este puede segmentar más de un objeto en la imagen. Nosotros probamos nuestro algoritmo usando imágenes hiperespectrales reales y sintéticas, y obtuvimos buenos resultados. Este algoritmo puede ser aplicado en muchos campos y esto podría representar un importante avance para el campo de la segmentación de objetos.