Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...

Weitere Magazine

Empfehlungen

Info

28 4 DER SEEDED-REGION-GROWING ANSATZ 4.2.1 Regionsrepräsentation Beim Seeded-Region-Growing wird der segmentierte Bereich durch eine <strong>von</strong> einer Kontur umgebenen Region beschrieben, die mit Hilfe eines Labelingverfahrens wachsen bzw. schrumpfen kann. Sämtliche Pixel im Inneren des segmentierten Bereichs erhalten ein positives Label, während alle äußeren Bildpunkte ein negatives Label erhalten. In Abb. (7a) findet sich eine schematische Darstellung dieser Regionsrepräsentation. (a) Regionsrepräsentation durch positive / negative Labels (b) Nachbarschaft zur Ermittlung der inneren / äußeren Mittelwerte Abbildung 7: Zellrepräsentation und Mittelwertberechnung durch Labels Die Kontur der segmentierten Region, die in Abb.(7) rot eingefärbt ist, wird durch alle Pixel beschrieben, deren vier Nachbarbildpunkte unterschiedliche Labelvorzeichen haben. Ein Vorzeichenwechsel bei den Labels der Konturpixel bewirkt eine Veränderung des Konturverlaufs. Da in der vorliegenden Implementierung eine 4’er Nachbarschaft genutzt wird, resultiert daraus eine zwei Pixel breite Kontur, mit einer innen und einer außen verlaufenden Pixellinie. Wird die Nachbarschaft auf einen größeren Bereich ausgeweitet, hat dies eine breitere Kontur zur Folge, die aber einen höheren Verarbeitungsaufwand verursacht. Zum Zweck einer effizienten Implementierung ist es sinnvoll, alle Pixel, die zur aktuellen Kontur gehören, in einer seperaten Liste zu speichern, die zur Abarbeitung sequentiell durchlaufen werden kann. Gleichzeitig ist es vorteilhaft, eine Datenstruktur zu verwalten, die einen direkten Zugriff auf jeden Bildpunkt samt seines Labels ermöglicht.
4.2 Regionswachstum 29 4.2.2 Labeling Alle Pixel der aktuellen Regionskontur werden sequentiell abgearbeitet. Der Pixel an erster Position der Kontur-Liste wird ausgelesen und ein Label-Update berechnet. Ist nach dem Labelupdate die Bedingung für die Konturzugehörigkeit noch erfüllt, verbleibt der Pixel in der Konturliste, wird aber vom Anfang der Liste entfernt und am Ende angefügt. Die Liste <strong>von</strong> Konturpixeln wird also wie eine first-in-first-out Struktur verwaltet. Die Berechnung des Label-Updates basiert auf einer Mittelwertberechnung für innere und äußere Pixel. Innerhalb einer Nachbarschaft werden alle vorhandenen Pixel in die Berechnung einbezogen. In Abb.(7b) wird diese Nachbarschaft als eine 7x7 Pixel große Region verdeutlicht. Je nach dem, ob ein Konturpunkt näher am inneren oder äußeren Mittelwert liegt, wird ein positives oder negatives Labelupdate errechnet. Dieses Update wird auf das bereits vorhandene Label addiert. Je nach den Intensitätswerten im Bild, kann es zu Vorzeichenänderungen insbesondere bei den außen liegenden Pixeln kommen. Durch diese Vorzeichenwechsel verändert sich die Lage der Kontur. Durch die Addition der Labels bei jedem Umlauf zur Konturverarbeitung kann es an Stellen, an denen die Region ihr Wachstum bereits eingestellt hat, passieren, dass sich bei jeder Pixelbearbeitung das Label immer weiter aufsummiert. Für diese Konturpunkte steigt der Betrag des Labels stetig. Um die Beträge nicht zu groß werden zu lassen, werden die Labels durch ein Intervall [−a, a] begrenzt. Daraus resultierend erhalten Pixel, die sehr häufig bearbeitet werden, keinen höheren Wert als a bzw. −a. Das festgelegte Label-Intervall garantiert demnach ein möglichst dynamisches Konturverhalten, dass Konturveränderungen auch an Stellen ermöglicht, an denen sich die Kontur über viele Iterationen hinweg kaum verändert hat. Dies wird besonders wichtig, wenn zu später die Formvergleiche stattfinden. 4.2.3 2-Means-Clustering Die Berechnung der Labels erfolgt auf Basis der Intensitätswerte eines Pixels. Zur Labelberechnung für einen Konturpixel p(x, y) benötigt man den inneren Mittelwert µ in (p) und den äußeren Mittelwert µ out (p). Die Mittelwerte werden über die Nachbarschaftsregion N p ermittelt, die den Pixel p(x, y) als Zentrum hat und mit ihrer Form ein Quadrat einer bestimmten Größe beschreibt (siehe Abb. 7b). N p setzt sich aus den beiden Teilmengen N in und N out zusammen, so dass N p = N in ∪ N out gilt. N in enthält dabei alle Pixel, die sich innerhalb der wachsenden Region befinden und N out entsprechend alle Punkte, die außerhalb des Bereichs liegen. Zur Un-
Seite 1: Großer Beleg Bildverarbeitung Them
Seite 5: Zusammenfassung Die Erkennung und S
Seite 9 und 10: 3 1 Einführung Die Bildsegmentieru
Seite 11 und 12: 5 2 Medizinische Grundlagen Das fol
Seite 13 und 14: 2.1 Analyse und Gewinnung von Muske
Seite 15 und 16: 2.2 Probleme und Herausforderungen
Seite 17 und 18: 11 3 Grundlagen der Bildsegmentieru
Seite 19 und 20: 3.1 Regionsbasierte Segmentierung 1
Seite 25 und 26: 3.2 Kantenbasierte Segmentierung 19
Seite 27 und 28: 3.3 Variationsansätze und Energiem
Seite 29 und 30: 4.1 Überblick und Ablauf 23 Saat-P
Seite 31 und 32: 4.1 Überblick und Ablauf 25 stark
Seite 33: 4.2 Regionswachstum 27 Für die vor
Seite 37 und 38: 4.2 Regionswachstum 31 Abbildung 8:
Seite 39 und 40: 33 5 Formwissen-Erweiterung zur Reg
Seite 41 und 42: 5.3 Parzenschätzer 35 skaliert wer
Seite 43 und 44: 5.3 Parzenschätzer 37 einen solche
Seite 45 und 46: 5.4 Gradientenabstieg 39 σ 2 = 1 n
Seite 47 und 48: 5.4 Gradientenabstieg 41 Zur Berech
Seite 49 und 50: 5.5 Parameter des Seeded-Region-Gro
Seite 51 und 52: 5.5 Parameter des Seeded-Region-Gro
Seite 53 und 54: 47 6 Fazit Im sich anschließenden
Seite 55 und 56: 6.4 Weiterführende Entwicklung 49
Seite 57 und 58: 51 Abbildung 13: 15 Iterationen Abb
Seite 59 und 60: LITERATUR 53 Literatur [BC08] [Can8

Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?