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.
3.1 Regionsbasierte <strong>Segmentierung</strong> 17<br />
Zuordnungsproblems. Das heißt, es gibt keine andere Klassenaufteilung, die eine bessere<br />
Zuordnung ermöglicht.<br />
Das Problem des k-Means-Clusterings ist aber, dass eine globale Optimierung nur<br />
schwer zu ermitteln ist. Es gibt verschiedene Herangehensweisen, um hier eine Lösung<br />
zu finden. Eine der bekanntesten ist der sogenannte Lloyd’s Algorithm“[KMN + 02a].<br />
”<br />
Durch eine einfache Implementierung kann eine Lösung, die ein lokales Minimum für<br />
E(C) darstellt, gefunden werden. Durch ein Iterationsschema können diese lokalen<br />
Lösungen weiter verfeinert werden. Zur Approximation einer relativ guten Lösung nutzt<br />
der Lloyd’s Algorithm“ die Tatsache aus, dass die optimale Positionierung eines Klassenmittelpunktes<br />
c i im Zentrum der durch die Klasse beschriebenen Punkte sein muss.<br />
”<br />
Ausgehend <strong>von</strong> einer Initialisierung der Centroiden c i werden alle Punkte der Datenmenge<br />
anhand ihrer Distanzen zu den Klassen zugeordnet. Anschließend werden die<br />
Mittelpunkte c i durch eine Mittelung über alle in einer Klasse enthaltenen Punkte<br />
neu positioniert. Dadurch ergibt sich ein iteratives Schema, bei dem sich nach jedem<br />
Durchlauf die Klassenmittelpunkte immer näher an eine optimale Postion annähern.<br />
Dieser Prozess wird in Abb. (2) grafisch verdeutlicht. In Tabelle (3) findet sich eine<br />
Ablaufs-Beschreibung des Algorithmus [Vos07].<br />
Tabelle 3: Ablauf vom k-Means-Clustering (Lloyd’s Algorithm)<br />
1. Initialisiere die Klassenmittelpunkte c i<br />
2. Ordne alle Datenpunkte p den Klassen zu<br />
3. Neuberechnung der c i durch Mittelung über Klassenelemente<br />
4. Bei Verschiebung der c i gehe zu Schritt 2, sonst Ende<br />
Der Vorteil dieser Clustering-Methode ist, dass der Algorithmus definitiv k viele Klassen<br />
findet und dabei in den meisten Fällen schon nach wenigen Iterationen zu einem<br />
Klassifikationsergebnis kommt. Je nach Modellierung der Distanz-Funktion kann dieser<br />
Ansatz für verschiedenste Verfahren angewendet werden. Im Beispiel <strong>von</strong> Zellerkennung<br />
kann sowohl eine <strong>Segmentierung</strong>, als auch eine Zell-Typ-Klassifikation erreicht werden.<br />
Letztere Anwendung wurde bereits als Vorverarbeitungsschritt in einer Level-Set basierten<br />
<strong>Segmentierung</strong> in [Vos07] ausgenutzt.<br />
Nachteilig am k-Means-Clustering ist aber, dass die Ergebnisse im besonderen Maße<br />
<strong>von</strong> der Initialisierung der Klassenmittelpunkte c i abhängen. Das bedeutet einerseits:<br />
Eine ungeschickte Initialisierung der Klassenmittelpunkte erhöht die Anzahl der nötigen<br />
Iterationen und damit die Laufzeit. Andererseits können zwei unterschiedliche Positionierungen<br />
der Initialpunkte c i zu verschiedenen Klassifikationen führen. Die Ergebnisse