optolines

BASICSAbb. 5: (a) Graubild. (b) Nach Kontursegmentierungmit „Gradient out“. Bild (b) ist zur besseren Darstellunginvertiert.Die Konturen sind an keiner Stelle unterbrochenund haben die Breite eines Pixels.Genau das verlangen wir von einer idealenKontur, mit der dann leicht weitere Auswertungen,z.B. für eine Objekterkennung,durchgeführt werden können.Shadingkorrektur: Oft werden in derBV Objekte aufgrund ihrer Grauwertesegmentiert. Wenn sich die Objekte durchihre Grauwerte vom Untergrund abheben,können sie im einfachsten Fall mit einerSchwellwertoperation segmentiert werden.Dabei werden Grauwerte oberhalbeines vorgegebenen Schwellwertes weiß,ansonsten schwarz dargestellt. Was istaber in den Fällen zu tun, wo keine gleichmäßigeBildausleuchtung vorliegt und eineSegmentierung mit Schwellwertbildungversagt?Shadingkorrektur mit ReferenzbildernDie Beleuchtung können wir in vielenAnwendungen aktiv beeinflussen. Dabeiwerden wir versuchen, die Szene sohomogen wie möglich auszuleuchten. Inmanchen Fällen ist dies aber nicht möglich.Dann sollten wir durch Vorversuche herausfinden,wie die Lichtverteilung beschaffenist. Hierzu projizieren wir das Licht aufeine von sich aus unstrukturierte Fläche,nehmen die Verteilung auf und speichernsie ab (Abb. 6b). Das auszuwertende BildA (Abb. 6a) teilen wir durch das ReferenzbildB und erhalten so Bild C = Bild A/BildB (Abb. 6c) mit einem homogen ausgeleuchtetenHintergrund [1]. Die Divisionzweier Bilder erfolgt dabei bildpunktweise.Eine Grauwertsegmentierung mit automatischerSchwellwertbildung ist mit Bild Cohne Probleme durchzuführen. Mit demunkorrigierten Bild A ist das unmöglich.a b cAbb. 6a: Urbild A, Abb. 6b: Referenzbild B des inhomogenbeleuchteten Hintergrunds, Abb. 6c: korrigiertesBild C. Die Bildmatrixelemente von C berechnensich aus den Bildmatrixelementen der Bilder A und Bnach i,j = Ai,j/Bi,j.Bekannte Objekte auffinden: DasAuffinden von bekannten Objekten imBild gehört zu den wichtigeren Aufgabender Bildverarbeitung. Dabei muss das zusuchende Objekt als kleines Bild (Abb.7b),oft Template genannt, zur Verfügung stehen.Mit geeigneten Algorithmen werdendie Stellen im Bild (Abb. 7a) gesucht, diedem Template ähnlich sind. Dieser Vorgangwird als Template-Matching bezeichnet.Das Suchergebnis liegt als Grauwertgebirge(Abb. 7c) vor.Mustererkennung: Mit Mustererkennungbezeichnen wir allgemein in der BVdas Erkennen von Objekten oder Mus-a b cAbb. 7a: Urbild, Abb. 7b: Suchvorlage Temp, Abb. 7c:normierte Korrelation M zwischen Bild (a) und Temp.Die Grauwertmaxima in (c) markieren die Orte besterÜbereinstimmung zwischen Temp und Urbildtern anhand von Merkmalen. In Abb. 8bestehen die Objekte aus Gesichtern. Siemüssen zunächst aus dem Bild segmentiertwerden. Da wir jedes Gesicht für sichuntersuchen wollen, müssen wir sie durcheine Bereichssegmentierung mit unterschiedlichenMarken versehen. In unseremBeispiel sind dies die Marken 1, 2 und 3.Für die sich daran anschließende Merkmalsextraktionist zunächst die Festlegungvon Merkmalen nötig. Hierzu bilden wireinen rechteckförmigen Bereich um denMund und teilen ihn in zwei gleich großeHälften mit einer waagerechten Trennlinie.An beispielsweise drei in gleichen Abständenhorizontal verteilten Stellen tasten wirden Mund ab. Liegt die Stelle des Mundesunterhalb der waagerechten Linie, vergebenwir eine 0, ansonsten eine 1.Auf diese Weise entstehen die Merkmale(1,0,1) für den lachenden, (1,1,1) oder(0,0,0) für den indifferenten und (0,1,0)für den schmollenden Mund. Aus diesenInformationen lassen sich Entscheidungenableiten. In unserem sehr einfachen Fallwählen wir eine Sprachausgabe, welchedie verschiedenen Gesichter passend zuihrer Miene anspricht. Beispiel: Auswertungvon GesichternGesichter mit unterschiedlichenMarken (hier: 1, 2 und 3)versehenMundform-Merkmale für die dreiGesichter bestimmenMerkmalstabelle MT:xSortenliste SL:Sprachausgabe:11 1,0,11 erfreutZu 1: Worüber freuenSie sich?22 1,1,12 indifferentZu 2: Wie geht es Ihnen?33 0,1,03 verärgertZu 3: Was bedrückt Sie?Benennung derVerarbeitungsschritteBereichssegmentierungMerkmalsextraktion(Berechnung von Objektmerkmalen)Klassifizierung:Einordnung der Objektenach MerkmalenEntscheidungen treffen:z.B. SprachausgabeAbb. 8: Arbeitsschritte bei der Mustererkennung nach Segmentierung der Objekte.16 optolines No. 4 | 4. Quartal 2004