Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...
Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...
Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
16 3 GRUNDLAGEN DER BILDSEGMENTIERUNG<br />
Der Vorteil vom Region-Growing im Gegensatz zum klassischen Thresholding liegt in<br />
der Form der extrahierten Regionen. Diese sind nämlich im beschriebenen Fall immer<br />
zusammenhängend. Dennoch wirken sich die Störungen bei den Intensitätswerten<br />
stark auf die Form der wachsenden Regionen aus. Insbesondere bei Muskelfaserschnitten<br />
können neben Störung durch Verrauschung auch andere Bildeigenschaften, wie geringer<br />
Kontrast oder undeutliche Färbung des Zwischengewebes eine <strong>Segmentierung</strong> stark<br />
erschweren. Bei <strong>ATPase</strong>-<strong>gefärbten</strong> Zellschnitten sind besonders bei Zellen mittlerer Helligkeit<br />
(siehe Tabelle 2 und Abb. 1) starke Intensitätsschwankungen vorhanden, die vom<br />
Färbeprozess stammen. Darüber hinaus hebt sich das Zellzwischengewebe an vereinzelten<br />
Stellen nicht stark genug vom Zellhintergrund ab, was zu auslaufenden Regionen bei<br />
der <strong>Segmentierung</strong> führen kann. Eine detaillierte Beschreibung des Regionswachstums<br />
im Seeded-Region-Growing-Ansatz, sowie die Lösungen zur Minderung der genannten<br />
Probleme finden sich in Kapitel (4).<br />
3.1.2 k-Means-Clustering<br />
Als Clustering-Problem bezeichnet man die Aufgabe, eine Menge <strong>von</strong> Datenpunkten<br />
einer bestimmten Anzahl <strong>von</strong> Klassen zuzuordnen. Solche Zuordnungsprobleme treten<br />
in sehr vielen verschiedenen Anwendungen auf, wie unter anderem bei der Datenkompression,<br />
dem Data-Mining, der Bildverarbeitung und der Mustererkennung. Das<br />
k-Means-Clustering stellt eine Möglichkeit zur Lösung eines solchen Zuordnungsverfahrens<br />
dar [KMN + 02a]. K-Means-Clustering ist eine Zuordnung, die ausgehend <strong>von</strong><br />
n vielen Datenpunkten p diese in k viele Klassen einteilt. Jede Klasse K i wird dabei<br />
durch einen Mittelpunkt c i beschrieben. Ein Punkt p des Datensatzes wird einer Klasse<br />
K i zugeordnet, wenn die Distanz zwischen p und c i kleiner ist, als die Abstände zu den<br />
restlichen Klassen. Dies lässt sich formal durch folgende Energiefunktion beschreiben<br />
[Vos07] [dS01].<br />
E(C) =<br />
k∑<br />
i=1<br />
∑<br />
∀p∈K i<br />
‖p − c i ‖ 2 (3.5)<br />
Lösung des k-Means-Clusterings ist also eine Menge C = {c i mit i ∈ [1, k]}, für die die<br />
Energiefunktion aus Gleichung (3.5) ein globales Minimum hat. Dies ist genau dann<br />
der Fall, wenn der Abstand der Punkte p ∈ K i zum Klassenmittelpunkt c i kleiner<br />
ist, als alle Distanzen zu den verbleibenden Mittelpunkten der anderen Klassen. Wird<br />
eine solche Menge C gefunden, so handelt es sich um eine globale Optimierung des