Ziele im Bereich Bildverarbeitung und Mustererkennung
Um verschiedene Objekte unterscheiden zu können, ist es wichtig Merkmale zu finden, welche die Objekte eindeutig beschreiben. Ein wesentlicher Punkt in diesem Projekt ist deshalb, solche Merkmale aus Bildinformationen und Daten der Spektralanalyse zu gewinnen. Hierzu werden Verfahren der Bildverarbeitung und der Mustererkennung eingesetzt.
Schwerpunkt der Bildverarbeitung ist die Aufbereitung von Bildern nach bestimmten Kriterien. Dazu zählt beispielsweise das Auffinden von Kanten oder die Segmentierung („Abtrennen“) von Objekten im Bild. Man unterscheidet dabei, ob das Bild in Farbe (Farbbildverarbeitung) in Grauwerten (Graubildverarbeitung) oder in Schwarz-Weiß (Binärbildverarbeitung) vorliegt.
An den in Abbildung 1 dargestellten Bildern soll ein möglicher Ablauf von Bildverarbeitung veranschaulicht werden. Im ersten Schritt wird mit einer Kamera ein Bild von einer Probe mit mikrobakterieller Verunreinigung aufgenommen. Es handelt sich in diesem Fall um eine Hefezelle auf einer Metalloberfläche, welche zusätzlich noch mit Sand verschmutzt ist. Das Ziel ist die Hefezelle trotz der Verschmutzung zu segmentieren und deren Position und Größe im Bild zu erkennen. Dazu wird im ersten Schritt aus dem Graubild ein Schwarz-Weißbild berechnet und dieses dann so überarbeitet (Schritt 2), dass nur noch die Kontur der Zelle vorhanden ist (Schritt 3). Anschließend lässt sich daraus analog zu einer Schwerpunktberechnung bei mechanischen Körpern die Lage der Hefe und dessen Größe ermitteln (Schritt 3). Diese Ergebnisse werden zuletzt (Schritt 4) wieder auf das ursprüngliche Bild übertragen. In der Abbildung wird die Position des Mirkoorganismus mit einem blauen Kreuz und die Größe durch eine rote Umrandung markiert. Der grüne Kasten gibt das Suchfeld an, auf das die Bearbeitungsschritte angewendet wurden.
Der nächste Schritt ist die Extraktion von Merkmalen, die unabhängig von der Lage und der Orientierung des Objektes im Bild sind. Das heißt, das Merkmal soll eindeutig für ein Objekt stehen und sich weder durch eine Verschiebung noch eine Drehung des Objektes ändern. Der Mensch, erkennt eine Zelle immer noch als Zelle, unabhängig davon wo sich diese im Bild befindet und welche Orientierung sie hat. Für einen Computer hingegen ist diese Aufgabe ein ziemlich schwieriges Problem, da für ihn ein Bild nur eine Abfolge von Zahlen ist, die sich massiv verändert, wenn das Objekt im Bild gedreht oder verschoben wird. Die daraus resultierenden Zahlenkolonnen müssen deshalb so miteinander verrechnet werden, dass sich für dieses Objekt stets nur ein bestimmtes Merkmal (Grauwertinvariante) ergibt. Das Verfahren, welches dabei angewendet wird, ist am Lehrstuhl für Mustererkennung und Bildverarbeitung entwickelt worden, und wird in [hsm:dagm95] beschrieben. Die Abbildung 2 zeigt den Ablauf schematisch. Das Objekt (grün und gelbe Kugeln) wird zur Berechnung der Invarianten rotiert und im Bild verschoben. Berechnet man die Grauwertinvarianten für unterschiedliche Objekte, so ergeben sich verschiedene Punkte in dem Merkmaldiagramm. Punkte von Objekten, die sich sehr ähnlich sind, liegen in dem Diagramm dicht beieinander und können einer bestimmten Klasse zugeordnet werden (Abbildung 3).
Für diese Merkmalgewinnung können,
wie beschrieben, Daten aus der Bildverarbeitung, als auch von der
Spektralanalyse verwendet werden. Letzteres, also die Verbindung
von Bild- und Spektraldaten zur Erzeugung von charakteristischen
Merkmalen ist ein Ziel dieses Projektes.
Im Anschluß an die Merkmalgewinnung, kann der Computer nun mit Hilfe dieser Diagramme selbständig lernen, wo sich ähnliche Objekte befinden und Trennflächen zwischen den Klassen berechnen (Abbildung 3). Über diese Trennflächen lassen sich später auch neue und unbekannte Objekte den Klassen zuordnen (Klassifikation). Für das Lernen und die Kassifikation werden Support-Vector Maschinen eingesezt, welche in [vapnik95] auführlich beschrieben werden.
Literatur
weitere Literatur / Links