01.03.2014 Aufrufe

Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...

Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...

Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

4.5 Analyse und Bewertung des entwickelten <strong>Segmentierung</strong>sansatzes<br />

Segment nur unvollständig wiedergegeben wird. Diese Fälle treten zwar auf, sind in der<br />

Regel jedoch auf eine geringe Datendichte zurückzuführen, die in der Datenerfassung begründet<br />

liegt.<br />

Die Güte der endgültigen <strong>Segmentierung</strong> ist stark vom Ergebnis der Vorsegmentierung<br />

abhängig: Die Voraussetzung für ein erfolgreiches Region-Merging stellt eine vorsegmentierte<br />

Punktwolke ohne Untersegmentierungen dar. Ist diese Bedingung nicht erfüllt,<br />

treten garantiert auch im endgültigen Ergebnis Untersegmentierungen auf, was für die<br />

späteren Anwendungen nicht als zufriedenstellend angesehen werden kann. Gleichzeitig<br />

erschweren zu starke Übersegmentierungen ein Region-Merging, denn insbesondere der<br />

kantenbasierte Ansatz setzt voraus, dass für jedes der Blätter ein verhältnismäßig großes<br />

Segment existiert, welches um benachbarte kleinere Segmente erweitert wird. Würde sich<br />

jedes Blatt aus einer Vielzahl kleiner Segmente zusammensetzen, würde die Einführung<br />

einer Kantenmindestlänge ihren Zweck nicht erfüllen und damit die Unterscheidung zwischen<br />

Crease-Edges innerhalb eines Blattes und Crease-Edges, die von zwei benachbarten<br />

Blättern gebildet werden, scheitern. Der Parameter, der das Auftreten von Über- und Untersegmentierungen<br />

steuert, ist die Konstante κ bzw. die von der mittleren Z-Koordinate<br />

abhängige Funktion κ(z min ): Allein sie steuert die Güte der Vorsegmentierung und damit<br />

die Güte der endgültigen <strong>Segmentierung</strong>; eine sorgfältige Wahl ist somit unerlässlich. Für<br />

die beiden in dieser Arbeit verwendeten Datensätze wurden geeignete Werte festgelegt,<br />

diese müssen jedoch nicht zwangsläufig für alle Wachstumsstadien einer Gurkenpflanze<br />

geeignet sein.<br />

Abgesehen von der Wahl dieses Parameters führt der entwickelte Algorithmus die <strong>Segmentierung</strong><br />

vollautomatisch durch und bildet somit die Grundlage für eine automatische<br />

Phänotypisierung.<br />

Neben der Güte der Ergebnisse spielt für die Beurteilung des Algorithmus auch die Laufzeit<br />

eine Rolle: Der für die Vorsegmentierung verwendete Algorithmus von Felzenszwalb<br />

u. Huttenlocher (2004) ist ein gieriger Algorithmus, dessen Laufzeit allein von der Anzahl<br />

der Kanten im Graphen abhängt und somit sehr effizient ist. Den mit Abstand größten<br />

Rechenaufwand in der Berechnungskette erfordert das Region-Merging, obwohl auch an<br />

dieser Stelle nur lokale Entscheidungen getroffen werden: In diesem Schritt müssen für<br />

jedes Segment mit einer bestimmten Mindestgröße alle Nachbarsegmente gefunden und<br />

111

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!