Weiter:	2. Problemstellung und Lösungsansatz
Zurück:	1. Einführung
Übergeordnet:	1. Einführung

1. Themenbereich

Durch die rapiden Leistungssteigerungen von einer Rechnergeneration zur nächsten werden zunehmend rechenintensivere Applikationen möglich. Besonders deutlich wird dies in Teilbereichen der Informatik wie der Bildverarbeitung, die selbst für einfache Anwendungen traditionell Spezialhardware nutzen mußten: Aufgaben wie Qualitätskontrollen - bisher z.B. durch Transputer bewältigt - laufen heute bereits auf Standardrechnern.

Dennoch ist der größte Nachteil der Bildverarbeitung immer noch der hohe Rechenaufwand, den viele der Algorithmen benötigen. Grund hierfür ist primär die große Datenmenge, die Bilder oder gar Bildfolgen darstellen. Daher wird danach gestrebt, bereits in einer möglichst frühen Stufe des Verarbeitungsprozesses eine Informationsreduktion durchzuführen. Dies wird durch die sog. Bildsegmentierung   erreicht: Gruppen von - bezüglich eines beliebigen Merkmals - gleichartigen Pixeln werden dabei in Äquivalenzklassen zusammengefaßt und im weiteren als homogene Region angesehen. Auf diese Weise wird eine erste Abstrahierung eingeführt, auf die sich nachfolgende Algorithmen abstützen können. Dadurch wird eine wesentliche Beschleunigung im Bildverarbeitungsprozeß erreicht.

Trotz dieses Schritts ist die digitale Bildverarbeitung immer noch weit von der Leistungsfähigkeit des menschlichen Auges und der Weiterverarbeitung visueller Eindrücke im Gehirn entfernt. Selbst einfache Aufgaben sind heute oft nur eingeschränkt lösbar. Dennoch hat die digitale Bildverarbeitung in den letzten Jahren große Fortschritte zu verzeichnen. Beispiele dafür sind etwa die autonome Fahrzeugnavigation [Mas92], [Hor94], [BN94], [MBM96], visuelle Qualitätskontrolle [Nob95], intelligente Überwachung von Sicherheitszonen [GNB96], [KWSN96] oder 3D Objektverfolgung [MK96], [MRHH98], [GNB96], [RDWS93].

Alle diese Anwendungen sind jedoch sehr spezifisch. Ein generalisierter Ansatz, wie die Verarbeitung von visuellen Eindrücken im menschlichen Gehirn, ist mit heutigen Rechnern und Algorithmen noch nicht denkbar. Dennoch haben sich besonders bei den ersten Schritten eines Bildanalyseprozesses problemunabhängige Standardvorgehensweisen herausgebildet. So ist die Grundlage des Großteils aller Anwendungen der Bildverarbeitung die bereits erwähnte Bildsegmentierung, also die Zusammenfassung von Pixeln bezüglich eines vorgegebenen Merkmals.

Bedingt durch die zentrale Bedeutung der Bildsegmentierung existieren eine Vielzahl von Algorithmen für diese Aufgabe, von denen einige in dieser Arbeit Erwähnung finden. Gründe für diese Vielzahl sind neben der Bedeutung der Segmentierung nicht zuletzt auch die große Variabilität des Bildmaterials einerseits und inhärente Schwächen mancher Algorithmen andererseits. Z.B. liefern Segmentierungs-Algorithmen nach dem Prinzip der rekursiven Regionenaufspaltung (s. Kapitel 3.1.1) bei Bildern mit kontinuierlichen Intensitätsverläufen nur schlechte Ergebnisse.

Die klassische Bildverarbeitung beschäftigt sich bis heute fast ausschließlich mit der Verarbeitung von Grauwertbildern. Dank der angesprochenen Leistungssteigerung der Rechner, sowie dem Preisverfall geeigneter Farbkameras in den letzten Jahren, ist jetzt jedoch die Verarbeitung von Farbbildern auf Standardrechnern möglich geworden und viele bekannte Algorithmen wurden auf die Analyse von Farbdaten erweitert. Farbe erlaubt daneben jedoch auch neuartige Herangehensweisen, die bei Grauwertbildern nicht möglich waren. Die vorliegende Arbeit verbindet Methoden der (multidimensionalen) Mustererkennung mit der - bei Verwendung von Farbdaten ebenfalls multidimensionalen - Bildverarbeitung und stellt einen daraus resultierenden, sehr leistungsfähigen Ansatz zur Segmentierung von Farbbildern und -bildsequenzen vor: die adaptive Farbklassifikation.