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.
4.3 Räumliche <strong>Segmentierung</strong><br />
4.3.1 Entwicklung einer <strong>Segmentierung</strong>sstrategie<br />
Grundsätzlich existieren für die räumliche <strong>Segmentierung</strong> der in dieser Arbeit verwendeten<br />
Daten zwei Möglichkeiten:<br />
• Jede Aufnahme einer Scanposition wird zunächst unabhängig von den anderen<br />
beiden Aufnahmen der Epoche segmentiert. In diesem Fall können die bildhaften<br />
Darstellungen der Daten (Tiefen-, Intensitäts- und/oder RGB-Bilder) für die <strong>Segmentierung</strong><br />
verwendet werden. Diese Strategie bringt die bereits in Abschnitt 3.3<br />
erläuterten Vorteile der Vielfalt an bestehenden Verfahren und der Kenntnis über<br />
die Nachbarschaften mit sich. Speziell auf die vorliegenden Daten bezogen, ergeben<br />
sich jedoch zwei schwerwiegende Nachteile: Zum einen wurde mit Hilfe der sorgfältig<br />
ausgewählten Aufnahmekonfiguration die Pflanze zwar komplett erfasst, aufgrund<br />
der unabhängigen Betrachtung der einzelnen Messungen kommt diese vollständige<br />
Erfassung jedoch gar nicht zum Tragen: In den einzelnen Aufnahmen tritt weiterhin<br />
das Problem der Verdeckung und damit von unvollständigen Blättern auf. Zum<br />
anderen müssen – um eine räumlich stimmige <strong>Segmentierung</strong> zu erhalten – die Segmente<br />
der drei Aufnahmen in einem zweiten Schritt zusammengefügt werden.<br />
• Diese Probleme können umgangen werden, indem alle drei Aufnahmen einer Zeitepoche<br />
gemeinsam segmentiert werden. Die <strong>Segmentierung</strong> erfolgt nicht länger auf Bildebene,<br />
sondern direkt in der registrierten 3-D-Punktwolke, deren Punkten zusätzlich<br />
die entsprechenden Intensitäts- und RGB-Werte zugeordnet werden können. Nachteilig<br />
ist bei dieser Vorgehensweise die rechenintensive Nachbarschaftssuche.<br />
In dieser Arbeit erfolgt die <strong>Segmentierung</strong> in der 3-D-Punktwolke, da die Vorteile gegenüber<br />
der ersten Strategie deutlich überwiegen.<br />
Neben der Frage, ob jede Aufnahme für sich oder die 3-D-Punktwolke als Ganzes segmentiert<br />
wird, spielt die Art der Daten eine Rolle, die für die <strong>Segmentierung</strong> verwendet<br />
werden: Mit dem Wissen, dass eine <strong>Segmentierung</strong> nach Ähnlichkeitsmaßen gruppiert,<br />
lassen die Abbildungen 4.3 und 4.4 bereits Vermutungen darüber zu, welche Art der Daten<br />
für eine <strong>Segmentierung</strong> der Gurkenblätter geeignet sein könnte: Die spektralen Daten<br />
zeigen Variationen innerhalb eines Blattes, die zum Teil durch die Blattstrukturen oder<br />
– im Fall des RGB-Bildes – durch Schattenwurf entstehen. Gleichzeitig liefert diese Art<br />
55