Dokument 1.pdf - Opus

74 3.2. RESTAURIERUNG EINZELNER INTENSITÄTSBILDER
Groblokalisierung von Kandidatenpixel Der Algorithmus zur präzisen Bestim-
mung der Faserposition kann prinzipiell für jede Position im Bild ausgeführt werden,
erfordert jedoch einen hohen Rechenaufwand. Aus diesem Grund werden zunächst
pixelgenau potenzielle Bildpunkte als sog. Kandidatenpixel ausgemacht.
Dazu werden lokal helle Strukturen geortet, indem ein Fenster der Breite ˜df über
das Bild gleitet und jeweils innerhalb dieser Nachbarschaftsumgebung N (x, y) die ma-
ximale Intensität Îmax mit der minimalen Intensität Îmin verglichen wird. Übersteigt die-
se Differenz eine festgelegte Schwelle mdist, so gilt die Koordinate (xmax; ymax) des
ermittelten Maximums in der Umgebung N (x, y) als Kandidatenpixel:
Pkand =
(ˆx, ˆy)| Îmax − Îmin > mdist
. (3.13)
Dadurch, dass der Schwellwert auf die lokale Intensitätsdifferenz bezogen wird, be-
rücksichtigt die Filterung simultan den sonst notwendigen Schritt einer Gradientenkor-
rektur. Dieser ist erforderlich, da durch die eingeschränkte endoskopische Beleuchtung
die Helligkeit im Bild zu den Rändern hin meist deutliche abfällt (vgl. Abschn. 2.3.3).
Abbildung 3.16 (e) zeigt für das Ausgangsbild (d) das Resultat der Kandidatensuche,
wobei jeder weiße Bildpunkt eine mögliche pixelgenaue Koordinate für ein Faserzen-
trum darstellt.
Die Bedeutung dieser Einschränkung des Suchraums soll an einem typischen Bei-
spiel verdeutlicht werden. Ein Bild der Größe 1024×768 Pixel zeigt eine faseroptische
Abbildung mit 30.000 Fasern (vgl. Abb. 3.17(a)). Innerhalb einer ROI, die mit einem
Radius von 345 Pixel nahezu die gesamte sichtbare Apertur abdeckt, müssen von ur-
sprünglich 374.145 möglichen Pixelpositionen dann nur noch 46.050 Kandidatenpixel
(vgl. Abb. 3.17(c)) bearbeitet werden. Das entspricht einer Reduzierung auf weniger
als 13%. Noch wirkungsvoller sind die Zahlen bei geringerer Faserdichte. Es wur-
de überprüft, dass sich unter den Kandidatenpixel noch sämtliche richtigen Faserzen-
tren befinden. Werden die Schritte A und B im Ablauf der Abbildung 3.15 übersprun-
gen und dementsprechend ohne Vorselektion die Präzisierung und Triangulierung ab
Schritt C auf allen möglichen Bildpunkten durchgeführt, so steigert dies die Berech-
nungszeit für das oben verwendete Beispiel auf der eingesetzten Rechnerarchitektur
um das 15-fache von 6, 3s auf 98, 7s, da die Präzisierung während der Triangulierung
im Gegensatz zur Kandidatenselektion vergleichsweise rechenintensiv ist.
Relevanzbewertung In diesem Schritt wird die Ähnlichkeit der Intensitätsverteilung
in der Umgebung von Kandidatenpixel mit einer definierten Gauss-Verteilung bewer-