Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...
Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...
Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
6 Zusammenfassung/Ausblick<br />
In der vorliegenden Arbeit wurde ein Algorithmus für die raum-<strong>zeitliche</strong> <strong>Segmentierung</strong><br />
von natürlichen Objekten in stark verdeckten Szenen entwickelt. Als Beispielobjekt diente<br />
eine Gurkenpflanze, die an zwei verschiedenen Messtagen mit einem Laserscanner raumzeitlich<br />
hochauflösend erfasst worden war und die mit Hilfe der <strong>Segmentierung</strong>sergebnisse<br />
phänotypisiert werden soll.<br />
Für die räumliche <strong>Segmentierung</strong> wurde ein zweistufiger Bottom-Up-Ansatz gewählt:<br />
Zunächst wurde mit einem graphbasierten Clustering eine Vorsegmentierung der 3-D-<br />
Punktwolke durchgeführt. Die Schwierigkeit der Trennung von sich berührenden Blättern<br />
wurde unter Verwendung eines auf den lokalen Normalenvektoren basierenden Ähnlichkeitsmaßes<br />
gelöst. Die sich daraus ergebende übersegmentierte Punktwolke bildete die<br />
Grundlage für ein statistisch basiertes Region-Merging. In diesem zweiten Schritt wurden<br />
ein regionenbasiertes und ein kantenbasiertes Verfahren verwendet, die auf statistischen<br />
Tests basierten, die eine Aussage darüber erlaubten, ob zwei Segmente demselben Blatt<br />
angehörten. Das war entweder dann der Fall, wenn die beiden Segmente dieselbe Oberfläche<br />
beschrieben oder wenn die Ränder der Segmente über eine gewisse Distanz dieselbe<br />
<strong>Raum</strong>kurve beschrieben. Die benötigten Randpunkte wurden mit Hilfe einer Variante des<br />
Douglas-Peucker-Algorithmus ermittelt. Insbesondere das kantenbasierte Region-Merging<br />
führte zu einer deutlichen Verbesserung der Ergebnisse aus dem ersten <strong>Segmentierung</strong>sschritt.<br />
Der entwickelte <strong>Segmentierung</strong>salgorithmus lieferte für die getesteten Datensätze sehr zufriedenstellende<br />
Ergebnisse: Die Gurkenblätter waren im Großen und Ganzen vollständig<br />
segmentiert. In Bereichen mit geringer Datendichte traten zwar weiterhin leichte Übersegmentierungen<br />
auf, dieses Problem lag jedoch in der Art der Datenerfassung begründet.<br />
Zu betonen ist, dass in keinem Fall Untersegmentierungen auftraten und somit die größte<br />
123