Digitale Bildverarbeitung

Kapitel 8 Extraktion von Merkmalen (S. 99-100)

Um Bilder, die digital vorliegen, automatisch von einem Bildverarbeitungssystem analysieren und insbesondere interpretieren zu lassen, ist ein zunächst wesentlicher Schritt – die Extraktion von (geeigneten) Merkmalen – notwendig. Aufgrund dieser Merkmale kann dann ein Klassifikationsmechanismus (s. Kapitel 9) den Objekten Kategorien (Klassen) zuordnen. Des Weiteren können über Objekte1 quantitative Aussagen – beispielsweise über die Größe eines Objektes – oder auch qualitative Aussagen – das Objekt ist blau – gemacht werden. Durch die Extraktion von Merkmalen wird die Bildinformation in komprimierter Form wiedergegeben. Diese komprimierte Form wird oft auch als semantische Information bezeichnet.

Eine – wenn nicht sogar "die" – wesentliche Voraussetzung f ür eine Merkmalsextraktion ist die Segmentierung des Bildes (vgl. Kapitel 7). Bzgl. der segmentierten Objekte können dann beispielsweise geometrische Merkmale berechnet werden, die es einem Klassifikator erlauben, einen Kreis aufgrund des Radienverhältnisses zu "erkennen".

Die extrahierten Merkmale können sehr unterschiedlich sein bzgl. der Art und Weise, wie sie von Anwendern interpretiert werden können. Visuelle oder deskriptive Merkmale wie Farbe, Umfang oder Größe der Fläche können sehr leicht interpretiert werden, hingegen lassen sich Fourierkoeffizienten in der Regel nicht so leicht deuten. Grundsätzlich hängt die Auswahl, welche Merkmale aus den Bil dern extrahiert werden sollen, von der jeweiligen Anwendung ab. Insbesondere ist das Zusammenspiel von Merkmalen und Klassifikator von besonderer Bedeutung. Es gibt bis heute keine Methode, die f ür einen Klassifikator die optimalen Merkmale oder auch die optimale Merkmalskombination bestimmt. Die Auswahl von Klassifikator und Merkmalen ist in großem Maße heuristisch und erfordert f ür die erfolgreiche Anwendung ein gewisses Maß an Erfahrung. Allerdings existieren Methoden, mit denen man die Güte der Klassifikation bzgl. der gewählten Merkmale überprüfen kann, sodass man sich durch einen sukzessiven Prozess an eine gute Kombination von Merkmalen und Klassifikator herantasten kann. Die überprüfung der Güte der Klassifikation im Zusammenspiel mit den Merkmalen wird auch als Signifikanzanalyse bezeichnet. In Niemann (1983) oder in Duda und Hart (1973) lassen sich weiterf ührende Informationen zu diesem Thema finden. Im folgenden Kapitel 9 wird außerdem ein überblick über ein paar ausgewählte Klassifikationsmethoden gegeben.

Extrahierte Merkmale lassen sich u.a. in geometrische, densitometrische, statistische, Textur-basierte und Farb-basierte Merkmale unterteilen. Geometrische Merkmale oder auch Konturmerkmale geben Informationen über die geometrische Form eines Objektes wieder. Sie sind f ür die visuelle Erkennung sowie zur Beschreibung von Objekten gut geeignet. Im Allgemeinen identifiziert der Mensch Objekte eher nach der Gestalt bzw. Kontur als durch die Topographie von Grauwerten. Densitometrische Merkmale sind eher Merkmale der spektralen Art. Sie geben in der Regel über physikalische Eigenschaften wie Reflexionsverhalten oder Absorptionsverm ögen von Objekten Auskunft. Textur-basierte Merkmale (auch Strukturmerkmale) beschreiben im Allgemeinen die Eigenschaften von Objektoberflächen. Eine weitere Art von Merkmalen sind die so genannten Kontextmerkmale. Sie ber ücksichtigen die Topologie des Bildes und beschreiben die nachbarschaftlichen Beziehungen eines Objektes zur Umgebung oder auch zu anderen Objekten im Bild.

Sie werden oftmals dann genutzt, wenn andere einfachere Merkmale nicht greifen. Im Folgenden wird eine Auswahl von Merkmalen besprochen. Diese Auswahl erhebt keinesfalls den Anspruch der Vollständigkeit!