Algorithmen der Videosignalverarbeitung: Optimierung durch ...

VIDEOSIGNAL-ALGORITHMEN
H. BLUME, O. FRANZEN, H. SCHRÖDER, FKTG
Algorithmen der
Videosignalverarbeitung:
Optimierung durch Evolutionsstrategien
In multimedialen Anwendungen werden
heute eine Vielzahl von Algorithmen zur
Verbesserung der Bild- und Tonqualität
verwendet. Diese Algorithmen müssen
optimal an die audiovisuellen Eigenschaften
der menschlichen Wahrnehmung
angepaßt werden. Die menschliche
Wahrnehmung weist aber viele
nichtlineare Eigenschaften auf, die keine
analytische Beschreibung erlauben.
Daher werden beim Algorithmenentwurf
und der Algorithmenoptimierung häufig
heuristische Methoden oder stark vereinfachte
Signalmodelle eingesetzt.
Das stellt eine starke Einschränkung
dar, die dazu führt, daß Algorithmen
häufig mit suboptimalen Parameterkonfigurationen
verwendet werden.
In diesem Beitrag soll ein neuer Ansatz
zur Optimierung multimedialer Anwendungen
und hier insbesondere von Algorithmen
aus dem Bereich der Videosignalverarbeitung
auf der Basis von Evolutionsstrategien
vorgestellt und seine
Wirksamkeit anhand einiger Beispiele
belegt werden. Es wird hervorgehoben,
daß Optimierungspotentiale und Anwendungsbereiche
in vielen Aufgabenstellungen
existieren. Dabei werden insbesondere
Beispiele aus der Nachverarbeitung
von Videosignalen mit dem Ziel
der Bildqualitätsverbesserung diskutiert.
H. Blume, O. Franzen, Prof. Dr.-Ing. H. Schröder,
Universität Dortmund, Lehrstuhl für Nachrichtentechnik,
AG Schaltungen der Informationsverarbeitung
1. Optimierung mit Algorithmen
der Videosignalverarbeitung
TV, HDTV
Computer
Text, Graphik
Digital-Video
CD-ROM
zeitliche
Aufwärtskonversion
Decodierung
Multimedia-Terminal
Ein moderner Multimedia-Arbeitsplatz
erfordert eine Vielzahl von Algorithmen
zur Videosignalverarbeitung. Im Bild 1
ist erkennbar, daß zum Beispiel verschiedene
Eingangsformate (TV-Signale,
Graphiken, Texte, usw.) für verschiedene
Wiedergabedisplays (Zeilensprungmonitore,
progressive LC-Displays,
Projektoren usw.), die alle unterschiedliche
örtlich-zeitliche Eigenschaften
haben, aufbereitet werden müssen.
Hierzu sind diverse Algorithmen zur
Formatkonversion erforderlich.
Weiterhin gibt es aber auch eine große
Zahl von Algorithmen, die der Nachbearbeitung
und Bildqualitätsverbesserung
der Videosignale dienen (Rauschreduktion,
Kantenversteilerung, MPEG-
Artefaktreduktion usw.).
Zwei dieser Algorithmen, die in einer
Feature-Box erforderlich sind, seien
hier kurz vorgestellt.
Ein wichtiges Anwendungsbeispiel stellt
eine Proscan-Konversion dar, bei der
für die Zeilensprungsignale eines TV-
Signals die fehlenden Zwischenzeilen
berechnet werden, um eine progressive
Bildwiedergabe zu ermöglichen. Dieses
auch als De-Interlacing bekannte Verfahren
ist zum Beispiel für eine Darstellung
von TV-Signalen auf LC-Projektoren
bzw. LC-Displays erforderlich, weil
diese Displays keine Zeilensprung-Darstellung
erlauben. Bild 2 verdeutlicht
diese Aufgabenstellung.
Bei einer Proscan-Konversion sind insbesondere
zwei Probleme zu lösen:
Bewegungsschätzung
Bild 1. Feature-Box in einem Multimedia-Terminal
Proscan
Konversion
Nachverarbeitung,
Kantenversteilerung,
Rauschreduktion
usw.
Codierung
Eingangsformate
Videokonferenz
Bildtelefon
Ausgangsformate
CRT/LCD
DMD
Display
Zeilensprung/
progressiv
50/70/100 Hz
digitale
Übertragung /
Speicherung
FERNSEH- UND KINO-TECHNIK 52. Jahrgang Nr. 1+2/1998 43

VIDEOSIGNAL-ALGORITHMEN
Vollbildfolge
(progressiv)
Halbbildfolge
(Zeilensprung)
• Vertikal hochfrequente Bildanteile
müssen so interpoliert werden, daß
sie im progressiven Ausgangsbild erhalten
bleiben (zum Beispiel die Räder,
die Straße, der Horizont).
• Bei einer Bewegung von Objekten im
Bild dürfen keine zerrissenen Kanten
(Zähnchenbildung) durch das Zusammenschieben
von Bildinformationen
zweier aufeinanderfolgender
Halbbilder entstehen (zum Beispiel
innerhalb des bewegten Wagens).
ausgetastete Halbbildzeile
Bild 2. Aufgabenstellung bei einer Proscan-Konversion
aktive Halbbildzeile
Bild 3. Beispiel zur Proscan-Konversion: links, fehlerbehaftete statische Proscan-Konversion,
rechts, ideale vektorgestützte Proscan-Konversion
0 10 20 30 40
A n
→
→
1 1
s′ = ⋅V
s′
= ⋅
AnB
V
2 n 2 BnAn+1
Bild 3 stellt die Problematik einer Proscan-Konversion
an einem Bildbeispiel
(Ausschnitt aus der Sequenz „Train“)
dar. Im Bild 3 (links) ist eine fehlerbehaftete
statische Proscan-Konversion (das
heißt ohne Verwendung von Bewegungsvektoren)
dargestellt. Erkennbar
ergeben sich Zähnchenstrukturen an
den Kanten des bewegten Wagons. Bei
der im Bild 3 (rechts) dargestellten idealen
vektorgestützten Proscan-Konversion
ergeben sich demgegenüber keinerlei
Bewegungsstörungen an den Kanten.
Ein weiteres Anwendungsbeispiel ist
eine örtlich zeitliche Formatkonversion,
bei der aus einer Ausgangssequenz
eine Bildsequenz mit einem anderen
örtlich-zeitlichen Abtastraster gebildet
werden muß. Ein Beispiel dafür ist eine
empfängerseitige Zwischenbildinterpolation
von 50 Hz Zeilensprung auf
100 Hz Zeilensprung, wie sie in hochqualitativen
TV-Empfängern eingesetzt
wird, um systemimmanente Artefakte
wie das 50-Hz-Großflächenflimmern
oder das 25-Hz-Kantenflackern zu reduzieren
[2]. Das Prinzip solch einer
Zwischenbildinterpolation ist im
Bild 4 dargestellt. Aus jeweils zwei Originalbildern
(A n , B n ) müssen bei einer
100-Hz-Zwischenbildinterpolation vier
Bilder α n , n, n, n) berechnet werden.
s= ∆x
B n
s= ∆x
A n+1
α n s= ∆x
γ s´ β n
n s´
δ n s= ∆x
α n+1
Bild 4. Problemstellung bei einer zeitlichen Zwischenbildinterpolation
t [ms]
50 Hz
100 Hz
Die wichtigsten Punkte, die beim Design
eines geeigneten Algorithmus zur
Zwischenbildinterpolation berücksichtigt
werden müssen, sind wieder der Erhalt
der vollen örtlichen Auflösung sowie
eine gute Bewegungsdarstellung.
Hochqualitative Verfahren bieten deshalb
meist eine Bewegungskompensation
[2]. Es gibt sehr viele Bereiche, in denen
eine Proscan-Konversion (für LCoder
DMD-Displays) bzw. eine Zwischenbildinterpolation
(Studiobereich,
TV-Empfänger, TV-Karten im Computerbereich
usw.) erforderlich ist. Der
Entwicklung optimaler Algorithmen
kommt daher eine große Bedeutung zu.
Ziel dieser Algorithmen ist es jeweils
eine optimale Bildqualität zu erreichen,
die sich zum Beispiel in einer optimalen
Bildschärfe, Detailauflösung, Aliasunterdrückung
usw. ausdrückt. Gerade
diese Anforderungen liefern dabei aber
häufig unterschiedliche Ergebnisse bezüglich
der zu optimierenden Algorithmenparameter.
Weitere Probleme stellen
sich durch die Größe des zu optimierenden
Parameterraums. Betrachtet
man zum Beispiel einen Blockmatching-Algorithmus
zur Bewegungsschätzung
[7], so sind dies sowohl die
Grundparameter
• Blockgröße,
• Unterabtastfaktor,
• Suchbereichsgröße,
• Suchreihenfolge,
• Frequenzgang der Vorfilter,
als auch komplexere Parameter, die die
verwendete Suchstrategie betreffen
(Anzahl von Suchschritten, Prädiktorpositionen
usw. [7]).
Alleine dieses Beispiel verdeutlicht
schon die Vielzahl der freien Parameter.
Je komplexer eine Signalverarbeitung
wird, desto schwieriger gestaltet sich
deren Optimierung, da die einzelnen
Parameter bei einer Kaskadierung von
einzelnen Signalverarbeitungsstufen
(zum Beispiel vektorgestützte Signalverarbeitung
als nachfolgender Schritt
einer Bewegungsschätzung) nicht unabhängig
voneinander sind und somit
jeweils das Gesamtsystem mit all seinen
Parametern betrachtet und optimiert
werden muß.
Es ergibt sich die Frage nach der Bewertung
einer Parametereinstellung eines
Algorithmus. Hier können verschiedene
Ansätze verfolgt werden.
• Eine Möglichkeit besteht darin, ein
mathematisches Modell zu bilden
44 FERNSEH- UND KINO-TECHNIK 52. Jahrgang Nr. 1+2/1998

VIDEOSIGNAL-ALGORITHMEN
und den zu untersuchenden Algorithmus
anhand dieses Modells zu optimieren
bzw. die Parametereinstellung
anhand dieses Modells zu überprüfen
(zum Beispiel Bildsignal als
Markov-Prozeß 1. Ordnung, Bildpunkte
als statistisch voneinander
unabhängig annehmen usw.). Zu dieser
Betrachtungsweise gehört auch
die Analyse an Modellsignalen (deterministische
Analyse). Der Nachteil
dieser Vorgehensweise ist, daß die
Bildmodelle die Realität nur bedingt
beschreiben.
• Eine weitere Methode ist die Optimierung
eines Algorithmus anhand
realer Testsequenzen und objektiver
Bewertungsmaßstäbe. Ein Beispiel
für ein objektives Bewertungsmaß ist
der Störabstand des bearbeiteten
Bildes, gemessen als SNR (Signal to
Noise Ratio) bzw. PSNR (Peak
SNR), der die subjektiv wahrgenommene
Bildqualität allerdings nur annähernd
beschreibt. Eine Vielzahl
von Arbeiten beschäftigt sich mit der
Problematik, objektive Bewertungsmaßstäbe
(Gütemaße) zu bestimmen,
die die subjektive Wahrnehmung
möglichst gut in ein objektives
Maß umsetzen (Subjectve Mean
Square Error [6] usw.). Optimierungsmethoden
unter Verwendung
realen Bildmaterials und eines objektiven
Gütemaßes erfordern umfangreiche
Simulationen. Ihre Nachteile
liegen in einer oft heuristischen Parametereinstellung.
• Da die objektiven Bewertungsmaße
die reale subjektive menschliche
Wahrnehmung mit ihren vielen nichtlinearen
Eigenschaften aber nicht
gänzlich beschreiben können, werden
im Bereich der Videosignalverarbeitung
weiterhin subjektive Tests
durchgeführt. Hierbei muß eine Probandengruppe
die Ergebnisse verschiedener
Algorithmen bzw. verschiedener
Parametereinstellungen
eines Algorithmus vergleichen und
bewerten. Jeder Teilnehmer solcher
Testserien wird beurteilen können,
wie aufwendig solch eine Vorgehensweise
ist.
Wie im Bild 5 erkennbar, ergibt sich für
eine Optimierung ein Ablauf, bei dem
nach der Bewertung einer Parametereinstellung
(objektiv oder subjektiv)
eine Rückkopplung erforderlich ist, bei
der der Algorithmenentwickler heuristisches
Vorwissen über das zu optimierende
Problem einbringen kann.
Algorithmus
Rückkopplung
Güteberechnung
Betrachtet man komplexe Algorithmen
wie zum Beispiel eine Bewegungsvektorschätzung
in Kombination mit einer
vektorgestützten Nachverarbeitung, so
enthält dieser Gesamtkomplex an Algorithmen
eine Unzahl freier zu optimierender
Parameter, deren gegenseitige
Abhängigkeiten zum Teil unüberschaubar
sind. Daher bietet es sich an, ein automatisiertes
Optimierungsverfahren
anzuwenden, das es zumindest gestattet,
eine Optimierung bezüglich der objektiven
Bewertungsmaße vorzunehmen.
Diese so gefundenen Lösungen
können dann in subjektiven Tests weiter
verifiziert werden. Für einen automatisierten
Optimierungsablauf ist es erforderlich,
ein numerisches Optimierungsverfahren
zu verwenden, das die im
Bild 5 dargestellte Rückkopplung vornimmt.
Hierbei muß eine intelligente
(strategische) Variation der Parameter
vorgenommen werden.
Es existiert eine Vielzahl von Algorithmen
zur numerischen Optimierung [10].
Für die vorliegenden Optimierungsprobleme
der Videosignalverarbeitung, die
komplexe Lösungsräume mit vielen Nebenoptima
(multimodale Lösungsräume)
haben, eignen sich besonders naturanaloge
Optimierungsverfahren wie
zum Beispiel Evolutionsstrategien [9].
In den folgenden Abschnitten sollen daher
die Grundzüge von Evolutionsstrategien
dargestellt und die zuvor beschriebene
Vorgehensweise zur Algorithmenoptimierung
anhand von Beispielalgorithmen
aus der Videosignalverarbeitung
dargestellt werden.
2. Evolutionsstrategien
Um eine hohe Konvergenzgeschwindigkeit
der Evolutionsstrategie sowie eine
große Anzahl geeignet mutierter Individuen
zu erzielen, werden die zu optimierenden
Parameter p(i), (die „Objekt-
Parametereinstellung
Testsequenz
Referenz-
Sequenz
Bild 5. Optimierungsablauf für einen Algorithmus
der Videosignalverarbeitung
Evolutionsstrategien werden seit Ende
der 60er Jahre zur Optimierung einer
Vielzahl von technischen Aufgabenstellungen
verwendet [8]. Die Vorteile dieser
Strategien zeigen sich insbesondere
bei komplexen Optimierungsproblemen,
die aufgrund der Größe und Struktur
des Parameter- und Güteraumes
keine analytische Optimierung erlauben,
oder bedingt durch den großen Simulationsaufwand
jeder einzelnen Realisierung
kein vollständiges Absuchen
des Parameterraumes erlauben. Genau
diese Randbedingungen sind bei der
Optimierung einiger Algorithmen der Videosignalverarbeitung
gegeben.
Optimierungsverfahren, die die Mechanismen
der biologischen Evolution verwenden,
um technische Probleme zu
optimieren, werden als „Evolutionäre Algorithmen“
bezeichnet. Da die biologische
Evolution zu extrem komplexen
Lebensformen geführt hat, die optimal
an ihre Umwelt angepaßt sind, wird vermutet,
daß nicht nur die Ergebnisse einer
biologischen Evolution optimal sind,
sondern auch ihre Mechanismen [8].
Sogenannte „Evolutionsstrategien“
(ES) stellen eine Methode aus der Menge
der „Evolutionären Algorithmen“ dar.
Bei einer ES wird eine potentielle Lösung
im Parameterraum als Individuum
in einer künstlichen Umwelt angesehen.
Dieses Individuum wird gemäß des Grades
seiner Anpassung an die künstliche
Umwelt je nach Optimierungsaufgabe
durch eine Fehler- oder Gütefunktion
bewertet. Faßt man mehrere Individuen
zu einer Population zusammen, so kann
man verschiedene Mechanismen der
biologischen Evolution modellieren, wie
zum Beispiel
• Mutation,
• Rekombination,
• Selektion.
2.1. Mutation
Die Mutation ist eine willkürliche Änderung
des genetischen Materials eines
Individuums. Angewendet auf das Problem
einer technischen Optimierung bedeutet
dies, daß Zufallswerte zu den
Parametern eines Systems addiert werden.
Die Verteilungsfunktion dieser Zufallszahlen
(mit einem Mittelwert von Null)
wird als geometrische Verteilung für diskrete
Parameter und als Normalverteilung
für kontinuierliche Parameter gewählt
[9].
FERNSEH- UND KINO-TECHNIK 52. Jahrgang Nr. 1+2/1998 45

VIDEOSIGNAL-ALGORITHMEN
variablen“) mit einem jeweils zugehörigen
Streuwert σ(i) („Strategieparameter“)
korreliert, mit der die Objektvariablen
additiv modifiziert werden.
Diese Streuwerte σ(i) werden durch
Multiplikation der alten Streuwerte mit
dem Exponentialfunktionswert einer
normalverteilten Zufallszahl ebenfalls
mutiert [9].
Die Streuwerte werden mit den korrespondierenden
Parametern an die
nächste Generation vererbt. Dadurch
entsteht ein Selbstadaptionsprozeß der
Streuwerte während der Parameteroptimierung.
Im Verlaufe des Optimierungsprozesses
setzen sich die Individuen
durch, deren Streuwerte ein möglichst
schnelles Fortschreiten in Richtung des
Optimums ermöglichen.
Die Mutation eines Individuums wird in
Gl. (1) beschrieben, wobei N(0,x) eine
normalverteilte Zufallszahl mit einem
Mittelwert von Null und einer Standardabweichung
x ist. W stellt die Dimension
des Optimierungsproblems dar und c
ist eine Konstante des Mutationsprozesses
⎛ c ⎞
τ 0 = N⎜0,
⎟
⎝ 2W
⎠
(1)
⎛
c
τ + ⎛ ⎞ ⎞
⎜ N ⎜ , ⎟ ⎟⎫
⎜ 0 0
⎜ ⎟ ⎟⎪
für
⎝ W ⎠
σ( i ) = σ( i ) ⋅e⎝
2 ⎠⎬
⎪
i = 1...
W
pi ( ) = pi ( ) + σ( i ) ⋅N( 01 , )
⎭
Die Mutation der Streuwerte enthält je
einen für alle Streuwerte gemeinsamen
Anteil τ 0 sowie einen spezifischen Anteil
für jeden einzelnen Streuwert. Mit diesen
Streuwerten werden anschließend
die Objektvariablen mutiert.
2.2. Rekombination
Mit Rekombination wird die Schaffung
eines neuen Individuums („Kind“) unter
Verwendung der Gene zweier anderer
Individuen („Eltern“) bezeichnet. Dieser
Mechanismus korrespondiert mit der
sexuellen Fortpflanzung in der Natur.
Durch die Rekombination können Distanzen
im Parameterraum überbrückt
werden, die die Streuweiten der Mutation
weit überschreiten.
Es werden zwei Methoden der Rekombination
unterschieden: die diskrete und
die intermediäre Rekombination.
Im Falle der diskreten Rekombination
werden die Parameter p(i) bzw. die
Streuwerte σ(i) für ein neues Individuum
zufällig mit der gleichen Wahrscheinlichkeit
entweder von dem einen oder
von dem anderen Eltern-Individuum
Selektion n−1
Selektion n Selektion n−1
µ
Eltern
ausgewählt. Bei der intermediären Rekombination
wird jeder Parameter bzw.
Streuwert eines neuen Individuums als
arithmetischer Mittelwert der jeweiligen
Parameter bzw. Streuwerte der Eltern
berechnet [9].
2.3. Selektion
µ+λ
λ
Kinder
Generierung n
µ
Eltern
Bild 6. Darstellung der ( + )-Strategie (links) und der (
Mutation und Rekombination sind Mechanismen
zur Erzeugung neuer Individuen.
Um einen Fortschritt beim Optimierungsprozeß
zu erzielen, ist die Selektion
der besten Individuen einer Generation
in jedem Optimierungsschritt
erforderlich. Hierdurch kann die Populationsgröße,
das heißt die Anzahl von Eltern-
und Kind-Individuen in einer Generation
während der Optimierung konstant
gehalten werden. Die am häufigsten
verwendeten Evolutionsstrategien
sind die im Bild 6 dargestellten (µ+λ)-
und (µ,λ)-Strategien [9].
Bei diesen Strategien bestehen die Generationen
jeweils aus µ Eltern und λ
Kindern. Jedes der λ Kind-Individuen
wird durch Rekombination zweier zufällig
ausgewählter Eltern-Individuen und
anschließende Mutation des Kind-Individuums
erzeugt.
Die Qualität des neuen Individuums
wird durch eine Fehler- bzw. Gütefunktion
bewertet. Verwendet man eine
(µ+λ)-Strategie zur Selektion, so werden
als Eltern-Individuen für die nächste
Generation die µ besten Individuen
der insgesamt µ+λ Eltern- und Kind-Individuen
der aktuellen Generation ausgewählt.
Bei einer (µ,λ)-Strategie werden
nur die besten Individuen der λ Kinder
der aktuellen Generation als Eltern-
µ
Eltern
λ
Kinder
Selektion n
µ
Eltern
Generierung n+1 Generierung n Generierung n+1
)-Strategie (rechts)
Individuen für die nächste Generation
ausgewählt.
Die (µ,λ)-Strategie stellt eine bessere
Repräsentation der biologischen Evolution
dar, da sie das Konzept einer begrenzten
Lebensspanne der Individuen
enthält.
2.4. Klassisches Anwendungsbeispiel
Ein bekanntes, sehr anschauliches Optimierungsproblem
ist die Konstruktion
eines Stabtragewerks [3]. Dieses aus
dem Bauingenieurwesen stammende
Beispiel erfordert die Kostenminimierung
(Optimierung) einer Brückenkonstruktion.
Zu optimieren sind die Stabdicken
und Längen sowie die Anzahl erforderlicher
Knotenpunkte der im Bild 7
dargestellten Brückenkonstruktion. Unter
Berücksichtigung aller gegebenen
technischen Restriktionen (wie zum
Beispiel einem geraden Brückenboden)
aber auch aller Symmetriebedingungen
ergibt sich ein 25dimensionales, analytisch
nicht lösbares Optimierungsproblem.
Im Bild 7 sind die Ausgangskonfiguration
sowie zwei Zwischenlösungen nach
der 10. und 70. Iteration einer Optimierung
mit einer Evolutionsstrategie dargestellt.
Durch Anwendung der Evolutionsstrategien
ist es möglich, das erforderliche
Gewicht der Brücke von über
14.000 Einheiten auf rund 11.000 Einheiten
zu minimieren [3]. Die Evolutionsstrategie
erbringt für dieses Problem
Lösungen, die mit anderen Optimierungsverfahren
nicht erzielt werden
können.
Bild 7. Optimierung eines Brückentragewerks; a) Startkonfiguration b), c) Zwischenlösungen
der Brückenoptimierung (entnommen aus [3])
46 FERNSEH- UND KINO-TECHNIK 52. Jahrgang Nr. 1+2/1998

VIDEOSIGNAL-ALGORITHMEN
Diese Vorgehensweise der Parameteroptimierung
soll nun auf Algorithmen
der Videosignalverarbeitung übertragen
und anhand von Beispielen in den folgenden
Abschnitten diskutiert werden.
3. Optimierung linearer Filter
Eine Filterung von Bildsignalen ist eine
der wichtigsten Aufgaben in der digitalen
Video-Signalverarbeitung. Die gefilterten
Bilder sollen dabei häufig eine
möglichst hohe Auflösung und eine
hohe Bildschärfe haben. Aus diesen
Forderungen resultieren Vorgaben an
die Eigenschaften eines Filters sowohl
im Frequenz- als auch im Ortsbereich.
Hier soll nun ein Verfahren zum Filterentwurf
für FIR-Filter vorgestellt werden,
das Vorgaben in beiden Bereichen
erlaubt. Ein Filter wird dazu durch mehrere
Teilfehlerfunktionen bewertet, die
die Abweichungen der Eigenschaften
des Filters von den Vorgaben repräsentieren.
Eine weitere Fehlerfunktion bewertet
den Hardwareaufwand bei der
Implementierung des Filters. Die gewichtete
Addition der Werte der einzelnen
Teilfehlerfunktionen ergibt eine zu
minimierende Gesamtfehlerfunktion,
die ein direktes Maß für die Eignung des
Filters darstellt. Durch die Wahl der Gewichte
können beim Entwurf Schwerpunkte
auf verschiedene Eigenschaften
des Filters gelegt werden.
Weil sich die Gesamtfehlerfunktion additiv
aus komplexen Teilfehlerfunktionen
zusammensetzt, ist zu erwarten,
daß das korrespondierende Gütegebirge
viele Maxima und Minima aufweist,
(„multimodales Gütegebirge“). Aus diesem
Grund bietet sich für dieses Optimierungsproblem
die Verwendung von
Evolutionsstrategien an, weil sie mit höherer
Wahrscheinlichkeit als herkömmliche
Optimierungsverfahren das globale
Optimum eines multimodalen Gütegebirges
erreichen.
3.1. Eindimensionale FIR-Filter
Wie schon zuvor diskutiert, unterliegen
Filter, die eine für Bildsignale optimale
Signalformung vornehmen sollen, Toleranzvorschriften
sowohl im Frequenzbereich
als auch im Orts- (bzw. Zeit-)
Bereich. Es ergibt sich eine allgemeine
Fehlerfunktion, die im Sinne einer optimalen
Approximation minimiert werden
soll
Etotal = EFreq( Θx , Θ y ) + EOrt
( x, y ). (2)
|H(f)| ➞
4
3
2
1
0
-0,2
0 0,1 0,2 0,3 0,4 0,5 −4 −2 0 2 4
f/f s ➞
n ➞
Bild 8. Frequenzgang |H(f)| und Sprungantwort g s (n) eines FIR-Filters mit Zufallskoeffizienten
(L=11 Filterkoeffizienten)
Dabei stellt sich heraus, daß beide Fehleranteile
nicht unabhängig voneinander
sind. Bei linearen Systemen bedeutet
das, daß zum Beispiel eine stärkere
Bandbegrenzung des Frequenzgangs
eine Ausdehnung in der Impulsantwort
(und umgekehrt) bewirkt. Es liegt hier
also ein nichtlineares komplexes Approximationsproblem
vor. Die Technik der
Evolutionsstrategien gestattet auf der
Basis einer wohldefinierten Fehlerfunktion
eine Optimierung des vorliegenden
nichtlinearen mehrdimensionalen Problems.
Es wird eine zusammengesetzte Fehlerfunktion
zur Lösung des Entwurfsproblems
auf der Basis einer Summe von
mit λ i gewichteten Teilfehlerfunktionen
E i gebildet
I
Etotal = ∑ λ i ⋅Ei
.
(3)
i=
1
Mit diesen Teilfehlerfunktionen werden
Entwürfe für 1D-FIR-Filter durchgeführt.
Bei einer Optimierung eines linearphasigen
1D-FIR-Filters mit L Filterkoeffizienten
können W =
L + 1⎥
⎣
⎢
⎢
⎦
⎥
Filterkoeffizienten
frei gewählt werden, was bedeu-
2
tet, daß es sich um eine Optimierung in
einem W-dimensionalen Parameterraum
handelt.
3.1.1. Teilfehlerfunktionen
a) Teilfehlerfunktionen im Frequenzbereich
• Abweichung vom Sollfrequenzgang,
• Flankensteilheit im Frequenzbereich,
• Gleichverstärkungsabweichung,
• Abweichung bei der Grenzfrequenz.
b) Teilfehlerfunktionen im Ortsbereich
• Betragsabweichung des ersten
Überschwingers,
• Positionsabweichung des ersten
Überschwingers,
g s (n) ➞
1,0
0,8
0,6
0,4
0,2
0
• Größe weiterer Überschwinger,
• Flankensteilheit der Sprungantwort.
c) Teilfehlerfunktion bezüglich des Implementierungsaufwands
• Summe der „1“-Bits der Filterkoeffizienten.
3.1.2. Minimierung der Fehlerfunktion
durch eine Evolutionsstrategie
Die Approximationsqualität bezüglich
der Anforderungen an ein Videosignalfilter
ist nach Gl. (2) durch die gewichtete
Summe der Teilfehlerfunktionen gegeben.
Die Minimierung der Gesamtfehlerfunktion
ist analytisch nicht möglich,
da das W-dimensionale Optimierungsproblem
nichtlinear ist.
Ein erster Schritt bei einer Verwendung
von Evolutionsstrategien ist, die Stabilität
des Optimierungsvorgangs zu überprüfen.
Hierzu werden Optimierungsläufe
von willkürlich gewählten
(schlechten) Initialwerten aus gestartet
und die Ergebnisse mit Lösungen von
Standardverfahren verglichen. Ergeben
sich bei diesen Optimierungsläufen jeweils
sinnvolle Ergebnisse, so ist dies
ein Hinweis auf die Stabilität des Optimierungsprozesses.
Beim 1D-Filterentwurf wurden daher
zum Beispiel Zufallskoeffizienten als
Startparameter gewählt. Das sich aus
diesen Initialwerten ergebende Filter
hat Eigenschaften, die in keiner Weise
die Vorgaben erfüllen (Bild 8), so daß
beim Optimierungsvorgang große Distanzen
im Parameterraum überwunden
werden müssen.
Als weitere Initial-Parametersätze wurden
die Koeffizienten eines reinen Mittelwertfilters
sowie die mittels eines Kaiserfenster-Entwurfes
erhaltene Parameter
verwendet, die Nebenoptima im
Parameterraum darstellen.
FERNSEH- UND KINO-TECHNIK 52. Jahrgang Nr. 1+2/1998 47

VIDEOSIGNAL-ALGORITHMEN
|H(f)| ➞
E total ➞
10
5
1
0,8
0,6
0,4
0,3
g s (n) ➞
0
−0,2
0 0,1 0,2 0,3 0,4 0,5 −4 −2 0 2 4
f/f s ➞
n ➞
1,30
1,25
1,20
1,15
1,10
1,05
beste Individuen
1
0,8
0,6
0,4
0,3
0
Anhebungsnetzwerk
Kaiser-Fenster
schlechteste Individuen
1,00
0 250 500 750 1000
Generationen ➞
|H(f x/f s,x, f y/f s,y)|
15
0
0,5
0
0
f/f y s,y −0,5 −0,5 f/ xfs,x
g(n,n) s x y
3
2
1
0
−1
−2
5
0,5
3
Bild 9 (oben). Frequenzgang
|H(f)| und
Sprungantwort g s (n)
eines FIR-Filters, der
mit einer (10,200)-ES
entworfenen wurde
(L=11 Koeffizienten)
Bild 10 (links). Verlauf
der Fehlerfunktion
E total über den Generationen
für einen Filterentwurf
mit einer
(10,200)- Evolutionsstrategie
1
n
−1
1
y −3
−1
−5
−3 n
−5
x
Bild 11. Frequenzgang H(f) und Sprungantwort g s (n) eines Filters mit Zufallskoeffizienten
|H(f x/f s,x, f y/f s,y)|
1,2
1
0,8
0,6
0,4
0,2
0,5 0
0
f/f
0
y s,y
−0,5 −0,5
f/ xfs,x
g(n,n) s x y
1,2
1
0,8
0,6
0,4
0,2
0
−0,2
5
3
0,5 1
n y −1 −3 −3 −5 −5
−1
1
n x
Bild 12.Frequenzgang H(f) und Sprungantwort g s (n) eines Filters mit Koeffizienten aus einer
Optimierung mit einer (10,200)- Evolutionsstrategie
3
3
5
5
Ausgehend von diesen Initialsätzen
wurden Filter unter Verwendung von
(µ+λ)- und (µ,λ)-ES sowie mit herkömmlichen
Gradientenstrategien entworfen.
Die Evolutionsstrategien erweisen sich
als geeignet zur Minimierung der Gesamtfehlerfunktion.
Sowohl von Zufallswerten
als auch von mit anderen Entwurfstechniken
entworfenen Initial-
Koeffizienten ausgehend können Verbesserungen
erzielt werden. Bild 9
stellt das Ergebnis der Optimierung
ausgehend von zufälligen Initialwerten
unter Verwendung einer (10,200)-Strategie
(intermediäre Rekombination von
Objekt- und Strategieparametern) dar.
Vergleichende Optimierungsläufe mit
Gradientenstrategien zeigen, daß sie im
allgemeinen nicht zum Entwurf von
FIR-Filtern durch Minimierung der Gesamtfehlerfunktion
geeignet sind, weil
sie entweder keine Verbesserung der
Gesamtfehlerfunktion ermöglichen oder
ausgehend von den Zufallswerten in ein
Filter ohne Tiefpaßcharakter konvergieren.
Das Versagen von Gradientenstrategien
ist ein Hinweis auf die Multimodalität
des Fehlergebirges.
Die Simulationen mit der Evolutionsstrategie
erforderten durchschnittlich
300.000 Bewertungen der Fehlerfunktion,
was etwa 1500 Generationen entspricht.
Die Simulationszeit betrug etwa
5 Minuten auf einem Pentium-PC mit einem
233-MHz-Prozessor. Im Gegensatz
zu Standardverfahren zum Filterentwurf
ermöglichen Evolutionsstrategien
durch Wahl der Gewichtungswerte
i dedizierte Filterfunktionen direkt zu
beeinflussen.
Sind die Korrespondenzen zwischen
subjektiver Bildqualität und dedizierten
Filtereigenschaften bekannt, kann eine
detaillierte Anpassung der Filtereigenschaften
vorgenommen werden, um
eine hohe resultierende Bildqualität zu
erzielen.
Von besonderem Interesse ist bei der Optimierung
ein Vergleich mit Standardentwurfsverfahren.
Im Bild 10 sind der Verlauf
der Optimierung über den Generationen
sowie die Ergebnisse herkömmlicher
Entwurfsverfahren aufgetragen.
Ersichtlich übertreffen die Evolutionsstrategien
die verfügbaren herkömmlichen
Verfahren ab etwa der 400. Generation.
3.2. Zweidimensionale FIR-Filter
Der Entwurf von 2D-FIR-Filtern mit ES
erfordert einen drastisch höheren Simulationsaufwand
als im 1D-Fall. Prinzipi-
48 FERNSEH- UND KINO-TECHNIK 52. Jahrgang Nr. 1+2/1998

VIDEOSIGNAL-ALGORITHMEN
Eingangsbilder A1 B1
A2
zu interpolierender fehlende
x Bildpunkt Zwischenzeilen
0 x 0
x
y
0
aktive
Zeilen
46
[dB]
44
42
40
vektorgestützter
Referenzwert nach [1]
statischer
Referenzwert nach [1]
PSNR ➞
38
36
Referenzwert nach [6]
y 0
T n 1
34
Masken des Medianfilters
− T n T n+1 t
Bild 13 (oben). Medianmasken für eine Proscan-Konversion
Bild 14 (rechts). Optimierung einer Proscan-Konversion mit zufälligen
Initialwerten; Testsequenz „Train“; maximale, minimale und mittlere
Güte jeder Population
32
30
28
0 10 20 30 40 50 60 70 80 90 100
Generationen ➞
T n−1
T n
W i
T n+1
y
Generation: 1
PSNR: 34,8 dB
0
7
2
7
5
3 5 7 10
8
0
6
1 2 4
6
4 5
9
5
5 8 2 2
3 5
0 4 0 4 4
4
9
3
1
2
10
3
6
2 4 7 2
7
6
1 3
5 8
1
Generation: 21
PSNR: 38,8 dB
5
0 10 2
4 10 4
5 10
ell sind allerdings die gleichen Verfahren
anwendbar. Bild 11 und Bild 12
stellen den Frequenzgang eines Filters
mit zufälligen Koeffizienten sowie das
Ergebnis eines Filterentwurfs mit Evolutionsstrategien
für ein separierbares
2D-Filter (mit L x =L y =L=11) dar. Wiederum
ist die Evolutionsstrategie in der
Lage, aus den Zufallswerten heraus, in
eine gute Lösung des Optimierungsproblems
der Ordnung 2 ⋅
⎢L
+ 1⎥
⎣
⎢
2 ⎦
⎥
zu konvergieren.
In [4] werden hierzu auch Ergebnisse
für nichtseparierbare 2D-Filter (zum
Beispiel Diagonalfilter) vorgestellt.
4. Optimierung nichtlinearer Filter
0
7
0 2
9
1 10
0
1 5 10 6 0 1
1 4 3
5
3
0 0 2
1 3
5
0
8 10 2 10
1 10 1
0 2
3 5
1
5
0
0
Generation: 41
PSNR: 40,0 dB
Generation: 61
PSNR: 41,9 dB
0 10 0 10 0 10
6 0 10
3
3
6 0 10 0 9
0 9
2 0
0
80
3
0
0
6
0
0
0
3
0
0 2
0
2
1
0
1
1
0 0
0
0
0
9
8
6
0 10
0
1 10
0
9 0 0
0 4 7
10 0 1
0 4 1
10 5 0 0 10
0
1
2 5 0
2
1 4 5 2
4
0
0
0
3
3
0 2
3
0 0 0 1
0 0 0
0
1
0 1
0 0
0
0
8 10
1
8 10 10
1
0 10 7 1
8 10
10 0 0
0
8 0
0 0
7 0
0
0
0
0
4
1 1
0
0
2 0 2 0
0 0
1
0 3 0 0
0
Nichtlineare Filter, die in vielen Anwendungen
wie einer Formatkonversion
oder einer Reduktion von Impulsrauschen
heute eingesetzt werden [2], werden
bisher zumeist heuristisch entworfen.
Es existieren für nichtlineare Filter
lediglich deterministische (Modellsignale)
oder statistische (Verteilungsfunktionen)
Beschreibungs- und Analysemethoden.
Daher bietet es sich für nichtlineare
Filter ebenfalls an, eine Optimierung
über Evolutionsstrategien vorzunehmen.
4.1. Nichtlineare Filter zur
Proscan-Konversion
Generation: 81
PSNR: 43,2 dB
x
Bild 15. Optimierung einer Proscan-Konversion, Adaption der Gewichtungsmasken, Testsequenz
„Train“
Einige hochqualitative Algorithmen zur
Proscan-Konversion (s. Kap. 2) verwenden
nichtlineare Filter (gewichtete Medianfilter)
[2]. Für jede mögliche Position
im Fenster des Medianfilters muß ein
Gewichtungswert bestimmt werden (Integer-Wert
im Intervall [0,10]). Das Optimierungsproblem
ist aufgrund der Freiheitsgrade
der gewichteten Medianfilter
(50 Maskengewichte in den drei Masken,
Bild 13) 50-dimensional und es
existieren 11 50 verschiedene Kombinationen,
so daß ein vollständiges Absuchen
des Parameterraumes nicht möglich
ist. Daher müssen intelligente Optimie-rungsalgorithmen
eingesetzt werden.
Bild 14 stellt die Ergebnisse einer Optimierung
vektorgestützter gewichteter
Proscan-Medianfilter ausgehend von
zufälligen Startwerten dar. Als Gütefunktion
wurde hier das „Peak Signal to
Noise Ratio“ (PSNR) der interpolierten
progressiven Bilder verwendet. Bei der
Optimierung wurde eine (10,70)-Evolutionsstrategie
eingesetzt (diskrete Rekombination
der Objektparameter, intermediäre
Rekombination der Strategieparameter).
Deutlich zu erkennen ist im Bild 14, daß
die Referenzverfahren durch die Ergebnisse
der Optimierung übertroffen werden.
Startet man den Evolutionsvorgang
bereits bei heuristischen Initialwerten
werden noch bessere Ergebnisse
erzielt.
Die sich im Laufe der Optimierung ergebenden
Maskenkonfigurationen sind im
Bild 15 aufgetragen. Dargestellt sind jeweils
die Gewichtungsmaske im Vorgänger-,
aktuellen und Nachfolger-Bild.
Die Höhe der Balken repräsentiert dabei
die Größe der Gewichte. Ausgehend
von den zufälligen Initialwerten bilden
sich Ergebnisse heraus, die eine deutliche
Zeilenorientierung im Vorgängerund
Nachfolgerbild sowie eine Spaltenorientierung
im aktuellen Bild widerspiegeln.
FERNSEH- UND KINO-TECHNIK 52. Jahrgang Nr. 1+2/1998 49

VIDEOSIGNAL-ALGORITHMEN
PSNR ➞
Halbbild A n
V
r
A n B n
2
26,0
[dB]
25,6
25,4
25,2
25,0
24,8
24,6
24,4
24,2
T − 10 ms
rekursive
Elemente
4.2. Nichtlineare Filter zur
Zwischenbildinterpolation
W
Gewichtungs-Masken
An
N1 N2
N3
W
gewichteter Median
Bn
T0
Referenzwert nach [1]
Referenzwert nach [2]
T + 10 ms
Zwischenbild β n
24,0
0 20 40 60 80 100 120 140 160 180 200
Generationen ➞
Halbbild B n
V
r
A n B n
2
Bild 16. Vektorgestützte
gewichtete
Zwischenbildinterpolation
Bild 17. Optimierung
einer zeitlichen Zwischenbildinterpolation;
Testsequenz
„Football“; dargestellt
sind maximale und
minimale sowie die
mittlere Güte jeder
Population
Neben einer Proscan-Konversion ist die
Interpolation von Zwischenbildern eine
sehr wichtige Aufgabenstellung im Bereich
der Videosignalverarbeitung. Anwendungen
hierzu liegen zum Beispiel
in der Konversion eines 50-Hz-TV-Signals
auf ein 100-Hz-TV-Signal zur
Flimmerreduktion in TV-Geräten (Upconversion),
aber auch in Graphikkarten
bzw. in der Studiotechnik (PAL-
NTSC-Konversion) [2]. Auch in diesem
Bereich werden vorteilhaft Algorithmen
eingesetzt, die vektorgestützte nichtlineare
Interpolationsfilter (gewichtete
Medianfilter) verwenden. Die Vorteile
dieser gewichteten Medianfilter liegen
insbesondere in ihrer Eigenschaft, Fehler
von Bewegungsvektoren in einem
gewissen Maße zu kompensieren [1].
Als weiteres Anwendungsbeispiel für
Evolutionsstrategien im Bereich der Videosignalverarbeitung
wurde deshalb
der Entwurf von gewichteten Medianfiltern
zur Zwischenbildinterpolation untersucht.
Bild 16 stellt dar, wie unter Zuhilfenahme
eines vektorgestützten gewichteten
Medianfilters aus zwei Originalbildern
(A n und B n ) und einem Bewegungsvektor
V AB n n
ein Bildpunkt aus dem Zwischenbild
(β n ) berechnet wird. Das Design
der Gewichtungsmasken für diese
Interpolation ist Aufgabe des evolutionären
Optimierungsvorgangs. Ziel ist es
dabei, eine möglichst hohe Bildqualität
(zum Beispiel Kompensation von fehlerhaften
Bewegungsvektoren, Erhalt feiner
Bilddetails usw.) zu erreichen.
Bild 17 zeigt hierzu die Ergebnisse eines
Optimierungsvorgangs für eine
sehr komplexe Bewegungssituation.
Betrachtet wird die Zwischenbildinterpolation
für die Testsequenz „Football“,
bei der ein Zoom auf ein Spielfeld dargestellt
ist. Neben der vorherrschenden
Zoom-Bewegung treten hier viele unterschiedliche
Partialbewegungen der
Spieler auf. Die zu dieser Sequenz mittels
eines Bewegungsschätzers [2] ermittelten
Bewegungsvektorfelder sind
häufig fehlerhaft. In der im Bild 17 dargestellten
Simulation wurde ein stark
fehlerhaftes Bewegungsvektorfeld verwendet.
Aufgabe bei diesem Optimierungsvorgang
war es, Interpolationsfilter
so zu entwerfen, daß möglichst viele
Vektorfehler kompensiert werden können
und somit eine optimale Bildqualität
für das Zwischenbild erzielt wird. Bild 17
stellt dar, daß die Interpolationsqualität
der Referenzverfahren [1,2] durch die
für diese Situation entworfenen Interpolationsfilter
deutlich übertroffen werden
kann.
Ein Filterentwurf auf der Basis von Evolutionsstrategien
bietet somit eine gute
Möglichkeit, speziell für dedizierte kritische
Situationen Filter zu entwerfen,
um sie dann zum Beispiel in signaladaptiven
Verfahren zu kombinieren.
Da die Berechnung von Zwischenbildern
jeweils an mehreren Bildern einer
Bildsequenz erfolgen muß, erfordert die
Bewertung eines Interpolationsfilters einen
erheblichen Rechenaufwand. Da
ein typisches Entwicklungsumfeld für
Algorithmen der Videosignalverarbeitung
allerdings von einer Laborsituation
mit vernetzten Workstations geprägt ist,
bietet es sich an, zur Reduktion der hohen
Simulationszeiten diese Workstations
über eine parallele Programmiersprache
zu koppeln.
Zu diesem Zweck wurde für die vorliegenden
Untersuchungen das Softwarepaket
„PVM“ (Parallel Virtual Machine)
eingesetzt. Es ermöglicht dem Programmierer
vernetzte Rechner als sogenannte
Virtual Machine, das heißt als
einen Parallelrechner mit verteiltem
Speicher zu behandeln. Unter Verwendung
dieses Softwarepakets war es
möglich, die vorhandene heterogene
Rechnerstruktur (etwa 15 Workstations)
effektiv zu nutzen. Es konnten so sehr
rechenintensive Simulationen mit einer
für die Konvergenz der Evolutionsstrategie
hinreichenden Anzahl von Generationen
durchgeführt werden.
5. Schlußfolgerungen
Zahlreiche Anwendungen in der Videosignalverarbeitung
verwenden derzeit
suboptimale Algorithmen, die nicht auf
analytischem Wege optimiert werden
können. Hier bietet sich eine Verwen-
50 FERNSEH- UND KINO-TECHNIK 52. Jahrgang Nr. 1+2/1998

VIDEOSIGNAL-ALGORITHMEN
dung von Evolutionsstrategien an. Mit
Evolutionsstrategien ist es zum Beispiel
möglich, Filter zu entwerfen, die optimal
an eine vorgegebene Situation (zum
Beispiel an ein Testsignal) angepaßt
sind (signalangepaßte Filter). Evolutionsstrategien
sind somit ein sehr nützliches
Hilfsmittel bei der Algorithmenentwicklung.
Insbesondere beim Entwurf nichtlinearer
Filter, die bisher nur durch deterministische
(anhand von Modellsignalen) bzw.
statistische Entwurfsmethoden (anhand
von Verteilungsfunktionen) entworfen
werden konnten, bietet sich der Einsatz
von Evolutionsstrategien an.
Bei den in diesem Beitrag diskutierten
Beispielen konnten die Ergebnisse der
Algorithmen durch den Einsatz der Evolutionsstrategien
jeweils deutlich verbessert
werden. Mögliche weitere Anwendungsfelder
für Evolutionsstrategien
im Bereich der Videosignalverarbeitung
liegen bei der Optimierung von Algorithmen
zur Interpolation, zur Bewegungsschätzung,
zur Objekterkennung,
zur Mustererkennung oder zur Codierung.
Schrifttum
[1] Blume, H.: A new algorithm for nonlinear vectorbased
upconversion with center weighted medians.
SPIE Journal of Electronic Imaging, Vol. 6,
Nr. 3, 1997, pp. 368-378
[2] Blume, H.; Schröder, H.: Image Format Conversion
– Algorithms, Architectures, Applications.
Proc. of the IEEE ProRISC Workshop on Circuits,
Systems and Signal Processing, Mierlo,
Niederlande, 27.-29.11.1996, pp. 19-37
[3] Campos, I.; Schwefel, H.-P.: KBOPT: A knowledge
based optimisation system. Technischer
Report 311, Universität Dortmund, Fachbereich
Informatik, 1989
[4] Franzen, O.; Blume, H.; Schröder, H.: FIR-Filter
Design with Spatial and Frequency Design Constraints
using Evolution Strategies. Zur Veröffentlichung
eingereicht beim Signal Processing
Journal, 1997
[5] Ivanov, K. V.: Ein neues Verfahren zur Konversion
von Fernsehbildsignalen für die progressive
Wiedergabe. FKT Bd. 48. (1994) Nr. 10, pp. 1-7
[6] Marmolin, H.: Subjective MSE Measures. IEEE
Trans. on Systems, Man and Cybernetics, Vol.
16, Nr. 3, Mai 1986
[7] Musmann, H. G.; Pirsch, P.; Grallert, H. J.:
Advances in Picture Coding. Proc. of the IEEE,
Vol. 73, Nr. 4, 1985, pp.523-548
[8] Rechenberg, H.: Evolutionsstrategie. fromannholzboog
Verlag, Stuttgart, 1973
[9] Schwefel, H. P.; Bäck, T.: Evolution Strategies
I/II. Chap. 6/7 in Genetic Algorithms in Engineering
and Computer Science. ed. by J. Périaux,
G. Winter; John Wiley & sons, New York, 1995
[10] Schwefel, H. P: Evolution and Optimum Seeking.
John Wiley & sons, New York, 1995
CMOS-Bildsensor
Nach einer Information von IMEC in
Leuven (Belgien) ist es dem Unternehmen
gelungen, einen neuen Bildsensor
auf Basis der CMOS-Technik zu entwikkeln,
dessen Bildqualität denen herkömmlicher
CCD-Sensoren entsprechen
soll. Der neue Sensor Ibis 1 verfügt
über einen neuen Pixel-Typ mit hohem
Füllfaktor, der gesteigerte Empfindlichkeit
ermöglichen soll. Dabei wird
mit Füllfaktor der lichtempfindliche Teil
des Pixels bezeichnet. Die Pixel-Struktur
verfügt über eine zusätzliche p-dotierte
Schicht unter der Pixel-Elektronik.
Damit soll sichergestellt werden, daß
sämtliche vom Licht hervorgerufene Ladung
auch zum Ausgangssignal beiträgt.
Eine weitere Entwicklung betrifft die Integration
eines Doppelabtasters auf
dem Chip, der die — in CMOS-Technologie
unvermeidliche — Ungleichförmigkeit
eliminieren soll. Diese Korrektur-Elektronik
wurde für jeden Bildpunkt
eingeführt, um Ungleichförmigkeiten zu
verhindern. Dabei erfolgen die Korrekturen
mit der gleichen Geschwindigkeit
wie der Bilddaten-Transfer. Ibis 1 verfügt
über 386×290 quadratische Pixel
und bietet Bildfrequenzen von 50 Hz
und mehr. Sein dynamischer Bereich
beträgt 1:28.000, wobei die Ungleichförmigkeit
für ein festes Muster unter
0,2% des maximalen Ausgangssignals
liegen soll. Der Sensor ist auch mit einem
elektronischen Verschluß ausgestattet
und wird mit der Standard-
CMOS-Technologie von Alcatel Mietec
in 0,7-µm-Geometrie gefertigt. Die
Ibis-Linie soll in Richtung höherer Auflösung
und mit Farbfiltern auf dem Chip
zügig weiterentwickelt werden.
Das Unternehmen IMEC wurde 1984
gegründet und sieht sich mit 750 Mitarbeitern
als Europas führendes, unabhängiges
Forschungszentrum für die
Entwicklung und Lizenzierung von modernen
Technologien der Mikroelektronik.
Die 150-mm-CMOS-Pilotlinie für
Submikron-Strukturen wurde 1994
nach ISO 9001 zertifiziert. Die Forschungs-
und Entwicklungsaktivitäten
bei IMEC konzentrieren sich auf neue
Entwurfsverfahren, mit denen die Entwicklung
komplexer elektronischer Systeme
wesentlich beschleunigt werden
soll. Weitere Arbeiten betreffen die Entwicklung
von Prozeß-Technologie für
die nächste Generation der ULSI-
Chips, Multichip-Module, nichtflüchtige
Speicher, optoelektronische Komponenten,
Sensoren, Mikrosysteme und
Solarzellen.
FERNSEH- UND KINO-TECHNIK 52. Jahrgang Nr. 1+2/1998 51