Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...
Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...
Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
3.1 Regionsbasierte <strong>Segmentierung</strong> 13<br />
3.1.1 Thresholding<br />
Thresholding ist eine der grundlegendsten <strong>Segmentierung</strong>stechniken. Im allgemeinen<br />
Fall wird die Regionszugehörigkeit eines Pixels p(x, y) durch die Ähnlichkeits- oder<br />
Distanzfunktion S(x, y) und durch einen Schwellwert (Threshold) θ ∈ R definiert. Als<br />
regionszugehörig werden alle Pixel betrachtet, deren Ähnlichkeit S(x, y) kleiner als die<br />
gewählte Schwelle ist.<br />
⎧<br />
⎨1 S(x, y) > θ<br />
I ∗ (x, y) =<br />
mit x, y ∈ Ω (3.1)<br />
⎩<br />
0 S(x, y) ≤ θ<br />
Der Schwellwert in Gleichung (3.1) ist als ein Intensitätswert aufzufassen. Die Funktion<br />
S(x, y) kann beliebig komplex modelliert werden. Ein simples und gerade deswegen<br />
häufig verwendetes Modell ist S(x, y) = I(x, y). Dies bedeutet, dass die Regionszugehörigkeit<br />
lediglich durch den Intensitätswert I eines Pixels (x, y) bestimmt wird.<br />
Daraus resultierend ist der Schwellwert θ als ein Intensitätswert aufzufassen. Der Vorteil<br />
dieser Ähnlichkeitsfunktion liegt in den <strong>Segmentierung</strong>sergebnissen. Diese sind zwar<br />
selten sehr genau, können aber sehr schnell ermittelt werden und sind für eine Vorverarbeitung<br />
meist ausreichend. Der Nachteil einer so simplen Ähnlichkeitsdefinition ist<br />
eine erhöhte Rauschabhängigkeit, da ein Pixel mit zu starker Helligkeitsabweichung<br />
nicht zur Region klassifiziert wird, selbst wenn die Abweichung durch ein allgemeines<br />
Bildrauschen hervorgerufn wird [Mor00]. Kritisch ist auch die Wahl eines geeigneten<br />
Thresholds θ. Dieser ist der wichtigste Parameter, der die <strong>Segmentierung</strong> steuert und<br />
so das Ergebnis maßgeblich beeinflusst. Eine Veränderung <strong>von</strong> θ kann völlig andere <strong>Segmentierung</strong>sergebnisse<br />
bewirken. Bei einfachen Bildern mit klar abgegrenzten Flächen<br />
und möglichst viel Intensitätshomogenität kann ein idealer Threshold schnell gefunden<br />
werden. In solchen Fällen ist Thresholding eine sehr effiziente <strong>Segmentierung</strong>smethode.<br />
Es kann in linearer Zeit, abhängig <strong>von</strong> der Bildgröße, ausgeführt werden, was für viele<br />
<strong>Segmentierung</strong>saufgaben eine sehr gute Komplexität darstellt. Für viele reale Bilder<br />
(Fotos, Videostandbilder) ist es aber weit schwieriger, ein optimales θ zu ermitteln. Es<br />
gibt jedoch einige Algorithmen zur automatischen Abschätzung eines optimalen Thresholds.<br />
Durch Histogramm-Analysen kann man einen möglichst optimalen Threshold<br />
algorithmisch bestimmen [Ots79].<br />
Der oben beschriebene Ansatz berücksichtigt keine Pixelnachbarschaften, wodurch es<br />
leicht zu einer Übersegmentierung kommen kann. Da die <strong>Segmentierung</strong> auf dem gesamten<br />
Bildraum ausgeführt wird, werden alle Pixel des Bildes der Region zugeord-