Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...
Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...
Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
3.5 <strong>Raum</strong>-<strong>zeitliche</strong> <strong>Segmentierung</strong>sverfahren<br />
Veröffentlichungen zu <strong>zeitliche</strong>n <strong>Segmentierung</strong>sverfahren beschäftigen sich hauptsächlich<br />
mit der Videosegmentierung, also mit der <strong>Segmentierung</strong> in dreidimensionalen Volumina.<br />
Veröffentlichungen zur vierdimensionalen <strong>Segmentierung</strong>, die auch in dieser Arbeit<br />
eine Rolle spielt, betreffen überwiegend den Bereich der medizinischen Bildverarbeitung.<br />
Gerade in diesem Bereich stellen die Graph Cuts von Boykov u. Kolmogorov (2004) ein<br />
sehr beliebtes Verfahren dar. Lombaert u. a. (2011) z. B. verwenden eine Variante der<br />
Graph Cuts, um medizinische Daten zu segmentieren. Die direkte Anwendung der Graph<br />
Cuts ist aufgrund der Größe der Daten und den daraus resultierenden Anforderungen<br />
an den Hauptspeicher sehr ineffizient; daher werden zunächst Datensätze mit verringerter<br />
Auflösung generiert, auf die die Graph Cuts angewendet werden. Die sich daraus ergebene<br />
grobe <strong>Segmentierung</strong> wird in einem zweiten Schritt um die jeweiligen Schnittstellen mit<br />
Hilfe eines Region-Growings verfeinert.<br />
3.5.2.2 <strong>Raum</strong>-<strong>zeitliche</strong> Clusteringverfahren<br />
Ähnlich wie die graphbasierten Verfahren können auch die Clustering-Verfahren um die<br />
<strong>zeitliche</strong> Dimension erweitert werden: Um eine raum-<strong>zeitliche</strong> <strong>Segmentierung</strong> durchzuführen,<br />
werden die Pixel bzw. Punkte aller Aufnahmen in einen gemeinsamen hochdimensionalen<br />
Merkmalsraum abgebildet, in dem mit Hilfe eines geeigneten Verfahrens Cluster<br />
gesucht werden. Im Gegensatz zu den rein räumlichen Clustering-Verfahren werden bei<br />
der Definition des Merkmalsraumes in der Regel zusätzlich Bewegungsinformationen mit<br />
einbezogen [DeMenthon u. Megret (2002)].<br />
Beispielsweise stellt DeMenthon (2002) für jedes Pixel eines Videos einen siebendimensionalen<br />
Merkmalsvektor auf, der sich aus drei Farb- und vier Bewegungskomponenten<br />
zusammensetzt. Zur Bestimmung der Bewegungskomponenten dienen Optical-Flow-<br />
Vektoren, die für die Berechnung zweier Bewegungswinkel (charakterisieren die Richtung<br />
der Bewegung) sowie zweier Bewegungsdistanzen (repräsentieren die Pixelposition) verwendet<br />
werden. Nach der Transformation der Punkte in den Merkmalsraum wird eine<br />
Clusteranalyse durchgeführt, für die die Autoren die Mean-Shift-Analyse wählen. Bei ihr<br />
handelt es sich um einen nichtparametrischen Dichteschätzer, der die lokalen Dichtegradienten<br />
von im Merkmalsraum benachbarten Punkten bestimmt. Mit Hilfe dieser Dichtegradienten<br />
lassen sich Extrema in den lokalen Punktdichten aufspüren. Über die Richtung<br />
45