Weiter:	2. Segmentierung von Farbbildern
Zurück:	1. Bildsegmentierung
Übergeordnet:	1. Bildsegmentierung

    
1. Klassische Methoden der Grauwert-Segmentierung

Jede Segmentierung ist ihrem Wesen nach eine Klassifikation: Die Menge aller Bildpixel wird gemäß einem oder mehrerer Merkmale vollständig in Äquivalenzklassen aufgeteilt. Im einfachsten Fall wird der Merkmalsraum - das Grauwerthistogramm - in zwei Halbebenen zerlegt. Man erhält so eine Schwellwertbildung  im Grauwerthistogramm der Eingabebilder. So lassen sich bei Bildern mit bimodalem Grauwerthistogramm bereits durch einen geeigneten Schwellwert zwischen beiden Histogramm-Maxima sehr gute Segmentierungsergebnisse erzielen. Auch Bilder mit multimodalen Histogrammen, deren Maxima und Minima gut ausgeprägt sind, lassen sich durch mehrere Schwellwerte gut segmentieren. Die Schwellwertbildung zeigt ihre Schwächen jedoch, sobald sich die Klassen nicht mehr eindeutig durch ihre Histogramme trennen lassen, was beim Großteil aller zu verarbeitenden Bilder die Regel ist.

Für derartige, komplexere Bilder sind aufwendigere Techniken, wie rekursive Regionenaufspaltung oder Flächenwachstum nötig. Meist geht der Segmentierung zusätzlich eine geeignete Vorverarbeitung der Eingabebilder voraus.

Die rekursive Regionenaufspaltung  ist der Technik der multimodalen Schwellwertbildung insofern ähnlich, als daß auch hier das markanteste Minimum zwischen zwei Maxima im Grauwerthistogramm des gesamten Bildes gesucht und das Bild so durch einen Schwellwert in zwei disjunkte Bildregionen segmentiert wird. Die Grauwerthistogramme der zwei so entstandenen Regionen werden nun rekursiv demselben Prozeß unterworfen. Das Verfahren terminiert, wenn in keinem Histogramm der aufgespaltenen Regionen ein hinreichend ausgeprägtes Minimum mehr existiert.

Beim Flächenwachstum  wird von einer bestimmten Anzahl von Startwerten für mögliche Klassen im Grauwerthistogramm des Bildes ausgegangen. Anschließend wird zu diesen Startwerten bezüglich eines oder mehrerer beliebiger Merkmale eine Ähnlichkeitsrelation definiert und dann sukzessive alle noch nicht segmentierten Pixel derjenigen Klasse zugeordnet, der sie bezüglich des Segmentationsmerkmals am ähnlichsten sind. Das größte Problem bei diesem Ansatz ist die geeignete Wahl der Anfangsparameter: Die Qualität der Segmentierung hängt sehr stark von der Wahl der Anzahl der Startpunkte und ihrer Lage ab. Hier ist in der Regel eine vorherige Analyse der Bilddaten nötig.

Zusätzlich zu diesen grundlegenden Segmentierungsalgorithmen gibt es eine große Anzahl weiterer, etwa die Segmentierung durch Gauß und Laplace Pyramiden [Rid94], neuronale Netze [LR95], Fuzzy-Logic bzw. Fuzzy C-Means [HJC85,MD96], Markov-Modelle [HCC92] oder Wavelets [BL91], auf die hier aber nicht weiter eingegangen wird.

Für triviale Segmentierungen - etwa bei bimodalen oder gut trennbaren Histogrammen - ist i.a. eine Analyse der unbearbeiteten Grauwertdaten ausreichend. Im nichttrivialen Fall ist eine Vorverarbeitung der Bilddaten sinnvoll und nötig. So können Grauwertkanten verstärkt werden, um schärfer abgegrenzte Klassen zu bilden oder es kann eine Texturanalyse vorgenommen werden um gleich helle, aber unterschiedlich strukturierte Bereiche zu trennen. Die so vorverarbeiteten Bilder sind mitunter wesentlich einfacher zu segmentieren als die unbearbeiteten Bilddaten. Wie auch für die Segmentierung existiert eine Vielzahl von Algorithmen für diese Aufgabe.

Da die geeignete Vorverarbeitung von Bilddaten zum Zweck der Segmentierung nicht Aufgabe dieser Arbeit ist, sei auf die entsprechende Fachliteratur verwiesen. Einen guten Überblick über die existierenden Algorithmen zur Bildsegmentierung und sinnvolle Arten der Vorverarbeitung der zu analysierenden Bilder geben z.B. [HS92,Rad93,RK82,GW92,Abm94].