Thesis - RWTH Aachen University
Thesis - RWTH Aachen University
Thesis - RWTH Aachen University
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
62 3.3 Teach-In in virtuellen Umgebungen<br />
3.2.3 Entfernen von Rauschen<br />
Das Reduzieren oder sogar Entfernen des Rauschens in einem Bild, ohne dabei die Aufnahme selbst<br />
zu verfälschen, ist ein Thema, das die Bildverarbeitung seit langem beschäftigt. Lineare Methoden<br />
umfassen unter anderem den Sliding Mean Filter [McD81] und den Gaussian Filter [Can86]. Der<br />
Sliding Mean Filter ersetzt jedes Pixel mit dem Mittelwert seiner Nachbarn. Der Gaussian operiert<br />
ähnlich, gewichtet aber die Nachbarn bei der Bildung des Mittelwertes anhand ihres Abstandes vom<br />
zu ersetzenden Pixel nach einer gaußschen Abstandsfunktion. Kompliziertere, nichtlineare Methoden<br />
umfassen unter anderem den Weighted Median Filter [Bro84], den K-nearest Neighbour Operator<br />
[DR78], den SMCM Filter [SMCM91] oder den Gradient Inverse Weighted Operator [WVL81]. Eine<br />
ausführliche Beschreibung der Filter ist in [SB97a] zu finden.<br />
Nach der Fachliteratur erzielt der SUSAN Noise Filtering Algorithmus sowohl beim Entfernen des<br />
Rauschens als auch bei der Erhaltung der Struktur des Bildes [SB97a] gute Resultate. Der Algorithmus<br />
basiert auf dem SUSAN 6 Prinzip. Dabei wird eine kreisförmige Maske verwendet, deren Zentralpixel<br />
als Nukleus (Nucleus) bekannt ist. Wenn man die Pixel der Maske mit dem Nukleus vergleicht,<br />
dann kann eine Region der Maske definiert werden, die dieselbe oder ähnliche Intensitätswerte wie<br />
der Nukleus aufweist. Diese Region wird als Univalue Segment Assimilating Nucleus oder einfach<br />
USAN bezeichnet. Die Ähnlichkeit der Pixel wird mit folgender Funktion bewertet:<br />
f(�u, �u0) = e<br />
I(�u)−I(�u−0)<br />
−( ) It α<br />
(3.15)<br />
wobei �u0 = (u, v) T die Position des Nukleus ist, �u = (u + i, v + j) T die Position eines Pixels der<br />
Maske im Bild, I(�u) die Intensität des Pixels mit Position �u und It ein Schwellwert für die Ähnlichkeit<br />
der Intensität. Der Parameter α ist eine Konstante, die normalerweise den Wert 2 annimmt.<br />
Der SUSAN Noise Filtering Algorithmus erhält die Struktur des Bildes, indem er nur die Pixel berücksichtigt,<br />
die zur USAN-Region gehören. Bei einer Aufnahme mit n × m Pixel ist die Gleichung<br />
des Filters:<br />
Ineu(v, u) =<br />
�<br />
(i,j)�=(0,0)<br />
d2<br />
−<br />
I(u + i, v + j)f(�u, �u0)e 2σ2 �<br />
(i,j)�=(0,0)<br />
d2<br />
−<br />
f(�u, �u0)e 2σ2 (3.16)<br />
mit u = 1, . . . , n, v = 1, . . . , m, α = 2, d der Abstand des Nachbarn vom Nukleus, also d =<br />
� i 2 + j 2 , und σ ein Parameter, der die Unschärfe kontrolliert. Ineu(v, u) ist der Intensitätswert des<br />
Pixels mit den Koordinaten (u, v) im neuen, gefilterten Bild. Falls der Nenner in Gleichung 3.16 Null<br />
ist, dann wird der Mittelwert der acht nächsten Pixel für I(v, u) eingesetzt.<br />
Der SUSAN Noise Filtering Algorithmus wird auf allen realen Aufnahmen angewendet; da virtuelle<br />
Aufnahmen kein Rauschen vorweisen, ist der Algorithmus dort überflüssig. In Abbildung 3.10 werden<br />
zwei Aufnahmen mit der realen eye-in-hand Kamera vor und nach Anwendung des SUSAN Noise<br />
Filtering Algorithmus präsentiert.<br />
3.3 Teach-In in virtuellen Umgebungen<br />
Im Fall des manuellen Teach-Ins werden die erwünschten Pfade, die zur Zielposition am Objekt führen,<br />
definiert, indem ein Operator den Manipulator manuell von variablen Anfangspositionen zur<br />
6 Smallest Univalue Segment Assimilating Nucleus