Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...

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