Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...

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