DE102005039424B4

DE102005039424B4 - Verfahren und Vorrichtung zum Erkennen und zur Größenvermessung von Bereichen gleicher Textur in einem Digitalbild

Info

Publication number: DE102005039424B4
Application number: DE102005039424A
Authority: DE
Inventors: Hartwig Dr. Hetzheim
Original assignee: Deutsches Zentrum fuer Luft und Raumfahrt eV
Current assignee: Deutsches Zentrum fuer Luft und Raumfahrt eV
Priority date: 2005-08-16
Filing date: 2005-08-16
Publication date: 2007-07-12
Anticipated expiration: 2025-08-17
Also published as: DE102005039424A1

Abstract

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Erkennen von Bereichen gleicher Textur in einem Digitalbild, mindestens umfassend eine Eingabeeinheit, eine Ausgabeeinheit, eine Speichereinheit zur Speicherung mindestens eines Digitalbildes und eine Recheneinheit zum Detektieren und zur Größenvermessung von Bereichen unterschiedlicher Textur in einem Digitalbild, wobei mittels der Recheneinheit DOLLAR A a) eine Auswertung von mindestens einer stochastischen Eigenschaft von Bildpunkten des Digitalbildes hinsichtlich sprunghafter Änderungen der stochastischen Eigenschaft, DOLLAR A b) eine Grobabgrenzung mindestens eines interessierenden Bereiches gleicher Textur durch die in Verfahrensschritt a) ermittelten Bildpunkte mit sprunghafter Änderung der stochastischen Eigenschaft, DOLLAR A c) eine Verknüpfung von mindestens zwei stochastischen Eigenschaften einer Mehrzahl der Bildpunkte zur Bildung einer kumulierten Merkmalsgröße der Bildpunkte, wobei zur Bildung der kumulierten Merkmalsgröße die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes zunächst als Komponenten jeweils eines Vektors eines Bildpunkts über dem jeweiligen Ort der Bildpunkte aufgetragen werden und nachfolgend die Vektorkomponenten jeweils eines Bildpunkts miteinander verknüpft werden, DOLLAR A d) eine Auswertung der kumulierten Merkmalsgröße hinsichtlich sprunghafter Änderungen und DOLLAR A e) eine Feinabgrenzung des mindestens einen Bereichs gleicher Textur durch die in Verfahrensschritt d) ...

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Erkennen von Bereichen gleicher Textur in einem Digitalbild.

Das Auffinden und Abgrenzen von in einem Digitalbild dargestellten Bereichen mit bestimmten optischen Eigenschaften ist ein wichtiges Aufgabengebiet der digitalen Bildverarbeitung. So ist beispielsweise in der medizinischen Bildverarbeitung die Beurteilung der Größe eines Tumors sowie das Auffinden in den richtigen Ausmaßen eine besonders wichtige Aufgabe. Einerseits ist eine frühzeitige Erkennung sehr wichtig für die Heilungschancen und einen Stopp des weiteren Fortschreitens. Andererseits ist das Erkennen der Grenzen eines Tumors auch insbesondere wichtig für die Planung eines operativen Eingriffs, da auf diese Weise geklärt werden kann, ob andere wichtige Gewebeteile vom Tumor betroffen sind oder nicht. Oft können derartige Veränderungen über bildgebende Verfahren wie Röntgenbilder, Laserbilder, Magnetresonanz-Bilder, Szintigramme oder PET-Bilder, die zur automatischen Bildverarbeitung digitalisiert vorliegen, nur teilweise sichtbar gemacht werden. Die gängigen verwendeten Verfahren zur Entdeckung und Größenbestimmung von Tumoren enthalten typischerweise nur Untersuchungen auf Basis von Helligkeitsunterschieden und Formen. Bei Gewebeteilen ist jedoch eine Veränderung meist nicht anhand der Helligkeit, sondern eher anhand der Struktur sowie optischer Eigenschaften, die erst bei verschiedenen Betrachtungswinkeln zur Geltung kommen, bestimmbar. Die krankhaften Zellen sind in ihrem Zellaufbau verändert und diese Veränderung spiegelt sich im Digitalbild beispielsweise in der Textur wieder. So ist die Entdeckung von Tumoren oder Gewebeveränderungen z. B. in MRT- (Magnetresonanz-Tomografie) oder Laser-Bildern häufig mit bloßem Auge nicht oder nur ungenau möglich. Eine Bildanalyse kann jedoch Zelländerungen erkennen, die oftmals übersehen werden. Außerdem kann mit Hilfe der Bildverarbeitung auch die Größe der Gebiete mit veränderten Zellen (z. B. Tumoren) bestimmt werden, was für eine Beobachtung des Wachstums wichtig ist. Bisher werden insbesondere für das Auffinden von Tumoren verschiedene Bild-Analyseverfahren angewendet. Sie basieren auf standardisierten Verfahren zum Auffinden von versteckten Daten (data mining), dem Auffinden über einen Mustervergleich, der Auswertung besonderer Infrarot-Bilder sowie der Anwendung von einfachen Fuzzy-Zuordnungen. Solche Verfahren sind beispielsweise in der Fachpublikation „Josef Kittler, Mohamad Hatef, Robert P. W. Duin, Jiri Matas, On Combining Classifiers, IEEE Transactions on Pattern Analysis and Machine Intelligence, v.20 n.3, p.226–239, March 1998" offenbart.

Die bekannten Verfahren haben jedoch den Nachteil, dass sie in der Regel nur auf der Basis von einem oder nur sehr wenigen einzelnen Merkmalen arbeiten, die als Kriterium zur Erkennung und Größenvermessung eines bestimmten Gebiets in einem Digitalbild herangezogen werden. Die Verwendung lediglich einzelner Merkmale zur Unterscheidung von verschiedenen Bereichen, z.B. einem Tumorgewebe, führt jedoch meist zu einer nicht ausreichend genauen Selektion der interessierenden Gebiete. Die Schwierigkeit bei der Verwendung von mehreren Merkmalen besteht jedoch unter anderem darin, dass von einigen Eigenschaften nur Teile zur Unterscheidung genutzt werden können. Diese Teile der Eigenschaftsgröße sind aber teilweise versteckt oder aber nur mit großem Aufwand separierbar. Merkmale, auf deren Basis die Beurteilung erfolgt, können von den bekannten Verfahren in der Regel nicht zerlegt und neu zusammengesetzt werden. Zudem sind die bekannten Verfahren häufig nicht in ausreichender Weise invariant gegen veränderte Beobachtungsbedingungen wie Beleuchtungen und Betrachtungswinkel. Aufgrund dessen ist das Ergebnis meist nicht exakt und weist häufig eine vergleichsweise hohe Fehleranfälligkeit auf. Des Weiteren sind die bekannten Verfahren nicht adaptiv, müssen also immer wieder für jeden Fall neu eingestellt werden.

Aus dem Fachartikel von Hetzheim, H., Börner, A.: "Vehicle detection from airborne images by separation of texture properties and their fusion"; Image and Vision Computing New Zealand, 2003, Proceedings pp. 48–53, Palmerston North, New Zealand, 2003 ist ein Verfahren zur Erkennung von Fahrzeugen aus Luftbildern bekannt. Dabei existieren nur zwei Klassifikationen, eine stochastische (sich schnell ändernde Textur), die ausgeblendet wird, und eine nicht stochastische (nahezu keine Änderungen in dem kleinen Bereich), die in der Oberfläche der Fahrzeuge begründet ist. Es folgt hier nur die Abtrennung des sich nicht ändernden Bereichs von dem Rest. Eine Berechnung der Grenzen erfolgt mittels einer Knoten- und Kantendarstellung und der entsprechenden Vereinigungs- und Durchschnittsbildung.

Aus dem Fachartikel Manjunath, B. S., Ma, W. P.: "Browsing large satellite and aerial photographs"; Proc. IEEE International Conference on Image Processing, 16–19 Sept. 1996, Page(s): 765–768 ist ein Verfahren bekannt, wo Bilder nach vorgegebenen Mustern auf Basis von Texturen klassifiziert werden. Dabei erfolgt eine Filterung der Bilder mit Hilfe einer Filterbank von Garbow-Filtern, d.h. einer Frequenzfilterung.

Der Erfindung liegt daher das technische Problem zugrunde, ein verbessertes Verfahren und eine verbesserte Vorrichtung zum Erkennen von Bereichen gleicher Textur in einem Digitalbild zu schaffen, wobei die Textureigenschaften von der abzugrenzenden Umgebung abhängig sind.

Die Lösung des technischen Problems ergibt sich erfindungsgemäß aus den Gegenständen der Ansprüche 1 und 16. Weitere vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen.

Der Erfindung liegt dabei die Erkenntnis zugrunde, dass eine stochastische Eigenschaft von Bildpunkten des Digitalbilds zur Beschreibung der Textur, die auf den besonderen Formen, beispielsweise von Tumorzellen, beruht, zunächst zur Grobabgrenzung eines interessierenden Bereichs gleicher Textur herangezogen werden kann und zudem verschiedenartige stochastische Eigenschaften von Bildpunkten des Digitalbilds zusammengefasst werden können, um eine möglichst präzise Aussage über den Bereich gleicher Textur zu erhalten. Dies wird erfindungsgemäß gelöst, indem ein Verfahren zum Erkennen von Bereichen gleicher Textur in einem Digitalbild vorgeschlagen wird, umfassend die Schritte

a) Auswertung von mindestens einer stochastischen Eigenschaft von Bildpunkten des Digitalbildes hinsichtlich sprunghafter Änderungen der stochastischen Eigenschaft,
b) Grobabgrenzung mindestens eines interessierenden Bereiches gleicher Textur durch die in Verfahrensschritt a) ermittelten Bildpunkte mit sprunghafter Änderung der stochastischen Eigenschaft,
c) Verknüpfung von mindestens zwei stochastischen Eigenschaften einer Mehrzahl der Bildpunkte zur Bildung einer kumulierten Merkmalsgröße der Bildpunkte, wobei zur Bildung der kumulierten Merkmalsgröße die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes zunächst als Komponenten jeweils eines Vektors eines Bildpunkts über dem jeweiligen Ort der Bildpunkte aufgetragen werden und nachfolgend die Vektorkomponenten jeweils eines Bildpunkts miteinander verknüpft werden, wobei die Verknüpfung der Vektorkomponenten durch Addition und/oder Subtraktion und/oder Multiplikation und/oder Division und/oder der logischen AND-Verknüpfung des LSB (last significant bit) nach einem oder mehreren logischen Verschiebungen der Vektorkomponenten nach rechts und/oder logische Wertbildung aus dem Über- oder Unterschreiten von Schwellwerten und/oder Logarithmusbildung und/oder durch Verwendung von Potenzfunktionen und/oder Exponentialfunktionen,
c) Auswertung der kumulierten Merkmalsgröße hinsichtlich sprunghafter Änderungen,
d) Feinabgrenzung des mindestens einen Bereichs gleicher Textur durch die in Verfahrensschritt d) ermittelten Bildpunkte mit sprunghafter Änderung der kumulierten Merkmalsgröße.

Dabei bestimmt die Anzahl der ausgewerteten stochastischen Eigenschaften die Dimension des Vektors, der aus den über dem Ort aufgetragenen stochastischen Eigenschaften entsteht. Das nachfolgende Verknüpfen aller Werte der Vektorkomponenten jedes Bildpunkts erlaubt dann die Ermittlung einer endgültigen bzw. verallgemeinerten „Ähnlichkeit" der Werte hinsichtlich der zugehörigen Bildpunkte.

Nach der Auswertung einer Mehrzahl miteinander verknüpfter stochastischer Eigenschaften von Bildpunkten des Digitalbilds lassen sich verschiedenartige Bereiche in dem Digitalbild und die dazugehörigen Bereichsgrenzen ermitteln. Die verschiedenen Gebiete mit unterschiedlicher Textur können dann markiert und gegeneinander abgegrenzt werden, wobei zunächst eine Grobabgrenzung und nachfolgend eine Feinabgrenzung erfolgt. Durch eine Verknüpfung verschiedener stochastischer Eigenschaften, d. h. Merkmalsgrößen, die alle jeweils zumindest einen gewissen Beitrag zur Unterscheidung von Bereichen gleicher Textur liefern, ist eine bessere Trennung der unterschiedlichen Texturbereiche möglich. Dadurch, dass die Textur-Eigenschaften von Bildbereichen (z. B. unterschiedlichen Geweben) über ein gestaffeltes Verfahren der Texturanalyse bestimmt werden, lassen sich die Texturgrenzen besonders exakt und präzise definieren. Die Texturen sollen dabei unabhängig von Grundintensitäten, wie beispielsweise der Helligkeit, erkannt werden. Diese Grundintensitäten schwanken in der Regel bei den betrachteten Aufnahmen, beispielsweise einem Digitalbild, da sie bei 3-D Strukturen von den Winkeln abhängen, unter denen die Aufnahmen erfolgten. Die Unabhängigkeit von der Grundintensität einer Aufnahme ist ein wesentlicher Vorteil der Texturanalyse, da die Texturunterschiede jene Bereichsgrenzen erkennbar machen, für welche die definierenden Intensitäten nahezu identisch sind. Bei dem erfindungsgemäßen Verfahren werden insbesondere Größen herausgearbeitet, die invariant gegen veränderte Beobachtungsbedingungen wie Beleuchtungen und Betrachtungswinkel sind und die entscheidenden Charakteristika, beispielsweise für einen Gewebebereich, beinhalten.

Es ist dabei grundsätzlich vorstellbar, dass jegliche Verknüpfung logischer, algebraischer oder arithmetischer Art Verwendung finden kann, jedoch hängt die Auswahl der jeweils geeigneten Verknüpfung von der Art der zu verknüpfenden stochastischen Eigenschaften ab. Dabei existieren für bestimmte stochastische Eigenschaften besonders bevorzugte Verknüpfungsarten, die gegebenenfalls für eine Verknüpfung anderer stochastischer Eigenschaften nicht geeignet sind. Die Eignung einer Verknüpfung stochastischer Eigenschaften zur Texturanalyse beruht dabei in erster Linie auf Erfahrungswerten.

Die Anwendung des Verfahrens beschränkt sich dabei nicht nur auf die Detektion von Gewebeteilen, sondern sie kann für sämtliche Strukturen Anwendung finden, die ähnlich texturell gestaltet sind. Das trifft insbesondere auf textile Gewebe zu, z. B. Seide oder Fließstoffe, bei denen das Auffinden von Strukturfehlern z. B. zur Selektion von Ausschuss in der Textilindustrie eine wichtige Aufgabe darstellt. Weitere Anwendungsmöglichkeiten aufgrund vergleichbarer Anforderungen existieren bei der Qualitätskontrolle von Oberflächenlackierungen von Autos, insbesondere bei Metallic-Lackierungen. Unter der „Textur" (v. lat.: textura = Gewebe) kann im allgemeinsten Fall die Zusammensetzung, die Struktur und die Beschaffenheit von Dingen verstanden werden. Im vorliegenden Anwendungsfall der digitalen Bildverarbeitung ist mit „Textur" bevorzugt die optische Beschaffenheit einer Oberfläche gemeint. Dabei ist ein Merkmal für einen Bereich gleicher Textur insbesondere die regelmäßige, charakteristische Wiederholung einer elementaren Grundstruktur. Der Texturbegriff lässt sich insbesondere auch definieren als die Wiederholung einer lokalen „Ordnung" über eine Region, welche eine große räumliche Ausdehnung gegenüber der zur Definition der „Ordnung" notwendigen Größe hat, wobei die Ordnung aus einer nicht zufälligen Verteilung elementarer Teilelemente besteht und die Teilelemente annähernd einheitliche Strukturen mit vergleichbarer räumlicher Ausdehnung über den Bereich der Textur haben.

In einer vorteilhaften Ausführungsform sind in mindestens einer der stochastischen Eigenschaften der Bildpunkte zur Bestimmung der Grob- und/oder der Feinabgrenzung nach Verfahrensschritt a) oder c) die Nachbarschaftsrelationen der Bildpunkte zu einem ausgewählten Ausgangsbildpunkt enthalten. Die zuvor erwähnten Definitionen des Texturbegriffs unterstreichen die Tatsache, dass die Textur eine Eigenschaft einer Nachbarschaft einer Bildkoordinate ist. Aus diesem Grund benötigt eine stochastische Eigenschaft, die als Texturklassifikator dienen soll, die Größenangabe einer Nachbarschaft. Diese Nachbarschaft muss dabei mindestens die Größe der elementaren Teilelemente, welche die „Ordnung" der Textur definieren, aufweisen. Eine Vorbedingung für eine erfolgreiche Klassifikation ist, dass diese Nachbarschaft vollständig in einem homogen texturierten Bereich enthalten ist. Die Texturen werden demnach über Beziehungen zwischen den einzelnen Grauwertstufen der betrachteten Bildpunkte zu einem Ausgangsbildpunkt definiert. Die Beziehungsrelationen werden bevorzugt über größere Flächen gebildet, da einzelne Punkte nicht aussagefähig genug sind. Die Gebiete mit ähnlichen Textureigenschaften lassen sich dann sukzessive bestimmen, indem die Relationen der Grauwerte zwischen Punkten in verschiedenen Entfernungen bestimmt werden. Wenn über diese Beziehungen eine Fläche mit annähernd gleichartigen Unterschieden ermittelt wird und diese noch annähernd eine geschlossene Linie an den Rändern bildet, dann hat man damit eine Fläche mit annähemd gleicher Textur isoliert.

In einer weiteren vorteilhaften Ausführungsform werden die stochastischen Eigenschaften der Bildpunkte mit Hilfe von parametrischen und/oder nicht-parametrischen Methoden ermittelt. Für die Bestimmung der interessierenden Bereiche gleicher Textur können unterschiedliche Methoden benutzt werden. Parametrische Methoden bieten dabei den Vorteil, dass sie in der Regel vergleichsweise einfach zu berechnen sind und demnach weniger Rechenleistung benötigen. Allerdings setzen sie eine gewisse a-priori-Annahme voraus, da die entsprechenden Parameter vorher in Abhängigkeit der zu erwartenden Ergebnisse ausgewählt und eingesetzt werden müssen. Das bedeutet, dass für den Einsatz parametrischer Methoden Vorkenntnisse notwendig sind. Dies ist bei den nicht-parametrischen Verfahren nicht der Fall, weswegen diese flexibler und unabhängiger eingesetzt werden können.

In einer weiteren vorteilhaften Ausführungsform umfassen die parametrischen und/oder nicht-parametrischen Methoden mindestens eine der folgenden Vorgehensweisen:

– Berechnung der Differenzrelationen zwischen einer Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts,
– Signum-Bildung mittels Vorzeichenfunktion der Differenzen einer Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts,
– Bildung der Absolutbeträge der Differenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts,
– Entropie-Bildung der Mehrzahl von Pixelwerten des Digitalbildes,
– Berechnung der Periodizität der Differenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts,
– Berechnung der Glättungsdifferenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts,
– Analyse lokaler Histogramme des Absolutbetrags der Differenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert eines Ausgangsbildpunkts,
– Filterung der Mehrzahl von Pixelwerten des Digitalbildes mittels nichtlinearer Funktionen.

Die Ermittlung einer stochastischen Eigenschaft mit Hilfe der Signum-Bildung ist ein nicht-parametrisches Verfahren. Dafür wird mittels der Vorzeichenfunktion die Differenz jeweils mehrerer zueinander benachbarter Pixelwerte zum Pixelwert eines Ausgangsbildpunkts gebildet und das Vorzeichen der Differenzen als Funktionswert ermittelt. Die Verteilung der Vorzeichen ist dann ein Maß für die Textur des betreffenden Bereichs. Beim Betrachten des Verhaltens der Absolutbeträge werden die Grauwertabstände einzelner Bildpunkte zu einem Ausgangsbildpunkt ermittelt und als Maß für die Textur des betreffenden Bereiches herangezogen. Die Entropie beschreibt in der digitalen Bildverarbeitung die Eigenschaft eines digitalen Bildsignals, pro Bildpunkt mit einer im Durchschnitt möglichst geringen Bit-Zahl auszukommen, d.h., der Wert der Entropie eines Bildsignals gibt an, wie viele Bits im Mittel pro Bildpunkt (zumindest theoretisch) minimal notwendig sind, um das Bildsignal binär zu codieren. Die Entropie definiert dabei den mittleren Informationsgehalt pro Bildpunkt. Ein niedriger Entropie-Wert weist auf eine geringe Anzahl Bits pro Bildpunkt hin, weswegen die Entropie als statistische Größe über einen bestimmten Bildbereich in der Regel auch mit dessen Textur korreliert. Somit können auch mit Hilfe sukzessiver Bildung der Entropie über unterschiedliche Bildbereiche Bereiche mit gleicher Textur identifiziert werden. Des Weiteren ist die Periodizität der Grauwertdifferenzen der Bildpunkte eines ausgewählten Bildbereichs zu einem Ausgangsbildpunkt ein typisches Maß für die Textur des ausgewählten Bereichs. Die Berechnung der Glättungsdifferenzen von Pixelwerten eines ausgewählten Bildbereichs zum Pixelwert des Ausgangsbildpunkts ist ein Verfahren, das z.B. mit unterschiedlichen Parametern zur Steuerung der Stärke der Glättung eingesetzt werden kann. Die Analyse lokaler Histogramme von kleinen Bildbereichen liefert eine Größe, die eine Verteilung der Grauwerte innerhalb des jeweiligen kleinen Bildbereichs beschreibt. Es werden hierzu Untersuchungen über die Maxima und Minima ebenso wie das Anstiegsverhalten beim Übergang von Maximum zum Minimum, auch in umgekehrter Richtung, von den Histogrammen als Eigenschaft einbezogen. Bevorzugt werden dabei lokale Histogramme der Absolutbeträge der Differenzen von Pixelwerten zum Pixelwert eines Ausgangsbildpunkts verwendet, um auf diese Weise Texturgrenzen zu identifizieren.

In einer weiteren vorteilhaften Ausführungsform werden die parametrischen und/oder nicht-parametrischen Methoden ausgehend von verschiedenen Ausgangsbildpunkten in jeweils verschiedene Richtungen innerhalb des Digitalbildes durchgeführt, wobei nachfolgend die in Abhängigkeit der unterschiedlichen Ausgangsbildpunkte ermittelten Ergebnisse überlagert werden und aus der Überlagerung mindestens eine Bereichsgrenze bestimmt wird. So wird beispielsweise bei der Bildung von Differenzrelationen zwischen einer Mehrzahl von Pixelwerten (Punktwolken) zum Pixelwert eines Ausgangsbildpunkts zunächst ein Punkt als Ausgangsbildpunkt aus einem Gebiet herausgegriffen, das sehr wahrscheinlich innerhalb eines Bereiches gleicher Textur liegt. Vorzugsweise liegt der ausgewählte Ausgangsbildpunkt dabei nicht an einem Randbereich zwischen zwei Texturbereichen. Dann werden Beziehungen zu möglichst allen Nachbarpunkten des Ausgangsbildpunkts mit mehreren vorgewählten Distanzen als Funktion ihrer Grauwertdifferenzen untersucht und abgespeichert. Dabei wird z. B. die Differenz zwischen den Grauwerten der einzelnen benachbarten Punkte in einer vorgegebenen Richtung addiert. Dieser Vorgang wird vorzugsweise über alle möglichen Richtungen durchgeführt. Sobald starke Unterschiede in den Funktionswerten auftreten, wird die weitere Fortschreibung der Prozedur in dieser jeweiligen Richtung abgebrochen. Mit Hilfe dieser Prozedur wird somit ein vorläufiges Gebiet gleicher Textur ermittelt. Dann wird ein anderer Ausgangspunkt aus dem soeben ermittelten wahrscheinlichen Bereich gleicher Textur herausgegriffen und es werden von hier aus wiederum die Beziehungen zu Nachbarbildpunkten ermittelt und die Grenzen bestimmt. Dies wird solange fortgesetzt, bis sich präzise Grenzen für einen Bereich gleicher Textur herausbilden, die auf der Überlagerung aller ermittelter „Einzelgrenzen" aus den verschiedenen Versuchen beruhen und somit die maximal wahrscheinlichsten Grenzen ergeben. Auf diese Weise erfolgt eine Verfeinerung der Qualität des ersten Ergebnisses, das lediglich auf der Grundlage einer einzigen Eigenschaft ermittelt wurde.

Ein ähnliches Vorgehen wird bevorzugt auch bei der Berechnung der Glättungsdifferenzen angewandt. Dabei werden vorzugsweise die Glättungsparameter, beispielsweise Mittelwerte, Streuungen der Werte von diesem Mittelwert, Kombinationen von beiden und Kombinationen mit den erhaltenen Flächen von unterschiedlichen Längen, über die die Glättung erfolgt, miteinander verknüpft, um „verallgemeinerte" Glättungsparameter zu erhalten. Die Glättungen werden so ausgewählt und gesteuert, dass größere Flächen erzeugt werden. Die Glättungsoperationen werden dann über verschiedene, jeweils zueinander verschobene Flächen erzeugt. Das Maximum der Überlagerung dieser Flächen definiert dann wiederum die ungefähren Grenzen der Bereiche gleicher Textur.

In ähnlicher Weise erfolgt das Identifizieren von Bereichen gleicher Textur mit Hilfe einer nichtlinearen Filterung von Pixelwerten des Digitalbildes. Die Filterung kann beispielsweise mit einem erweiterten Kalman-Filter oder Lee-Filter durchgeführt werden. Dafür werden nichtlineare Funktionen, wie beispielsweise Logarithmus- oder Wurzelfunktionen, benutzt, um weitreichende Effekte zu berücksichtigen. Exponentialfunktionen mit negativen Exponenten oder höhere Potenzen mit negativen Potenzwerten werden dann benutzt, um kurzreichende Wechselwirkungen (beispielsweise innerhalb eines Bereiches gleicher Textur) zu beschreiben. Die Überlagerung der Filterungen entlang verschiedener Richtungen ergibt auch hier wiederum eine geschlossene Kurve der Maxima für die Bestimmung der Bereichsgrenzen gleicher Texturen.

In einer weiteren vorteilhaften Ausführungsform werden die parametrischen und/oder nicht-parametrischen Methoden ausgehend von dem Ausgangsbildpunkt in verschiedene Richtungen innerhalb des Digitalbildes mit unterschiedlichen Schwellwerten durchgeführt, wobei nachfolgend die in Abhängigkeit der unterschiedlichen Schwellwerte ermittelten Ergebnisse überlagert werden und aus der Überlagerung mindestens eine Bereichsgrenze bestimmt wird. So kann beispielsweise für die Signum-Bildung bevorzugt von den Grauwerten der zu untersuchenden Bildpunkte ein Schwellwert abgezogen werden, so dass man positive und negative Werte erhält. Von diesen Werten wird als Funktionswert das Vorzeichen gebildet und dann die Verteilung der Vorzeichen in verschiedene Richtungen ausgehend von einem Ausgangsbildpunkt betrachtet. Es werden bevorzugt sukzessive mehrere Schwellwerte für die Durchführung des Verfahrens benutzt und die Verteilung der Ergebnisse gespeichert. Die Summe der Vorzeichenwechsel bzw. deren Verteilung ist dann ein Maß einer Textur, so dass damit Texturgrenzen relativ genau bestimmt werden können.

In einer weiteren vorteilhaften Ausführungsform werden die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes und/oder deren Verknüpfungen zur Bildung der kumulierten Merkmalsgröße entsprechend ihrer Fähigkeit, die Zugehörigkeit zu einem Texturbereich zu beschreiben, gewichtet und normiert. Wichtig für die Darstellung von unterschiedlichen zu verknüpfenden Merkmalsgrößen, wie beispielsweise der stochastischen Eigenschaften, ist, dass diese so beschrieben werden, dass sie miteinander verknüpft werden können, obwohl sie verschiedenartige Eigenschaften beschreiben. Dazu wird eine Bewertung eingeführt, die beispielsweise innerhalb einer Skala von 0 bis 1 bewertet, wie stark die jeweilige stochastische Eigenschaft eine Zugehörigkeit zu einem Texturbereich beschreibt. Damit werden die einzelnen stochastischen Eigenschaften also bevorzugt auf einen Wert zwischen 0 und 1 normiert, während demgegenüber die kumulierte Merkmalsgröße nach erfolgter Verknüpfung der einzelnen stochastischen Eigenschaften vorzugsweise einen Wert zwischen 1 und 10 annimmt. Die adäquate Gewichtung jeder einzelnen stochastischen Eigenschaft erfolgt vorzugsweise auf empirischer Basis, d. h. aufgrund von Erfahrungswerten, die auf bereits angestellten Vergleichen beruhen. Mit der Zuordnung auf das Intervall [0,1] können somit verschiedenartige Merkmalsgrößen gleich behandelt werden.

In einer weiteren vorteilhaften Ausführungsform wird zur Bestimmung von Texturgrenzen die kumulierte Merkmalsgröße als kumulierte Merkmalskurve über den betrachteten Bildpunkten aufgetragen, der Gradient der kumulierten Merkmalskurve gebildet und zumindest ein lokales Maximum des Gradienten ermittelt, wobei der Ort des lokalen Maximums gegenüber dem Texturbereich des Ausgangsbildpunkts die Grenze zu einem Gebiet unterschiedlicher Textur darstellt. Auf diese Weise erhält man diejenige Schwelle, ab der Bildpunkte zum Gebiet mit der gleichen Textur gehören, wie der Anfangsbildpunkt. Die Gradientenbildung erfolgt dabei rechnerseitig vorzugsweise über eine Differenzbildung der Original-Merkmalskurve mit einer um einen Pixelwert auf der x-Achse verschobenen Merkmalskurve.

In einer weiteren vorteilhaften Ausführungsform wird zur Bestimmung der Grenzen eines Gebietes gleicher Textur die kumulierte Merkmalsgröße der Bildpunkte ausgehend von einem in diesem Gebiet gelegenen Ausgangsbildpunkt in einer Mehrzahl unterschiedlicher Richtungen ermittelt und ausgewertet. Auf diese Weise können die genauen Grenzen von Bereichen gleicher Textur bestimmt werden. Vorzugsweise erfolgt die Ermittlung und Auswertung der kumulierten Merkmalsgröße der Bildpunkte zunächst in einer Richtung und danach in alle anderen möglichen Richtungen. Dies ist insbesondere dann sinnvoll, wenn die exakte Breite eines Bereiches gleicher Textur bestimmt werden soll, beispielsweise eines Tumorgewebes, welches in der Regel nicht rund, sondern "gezackt" ausgebildet ist. Vorzugsweise werden dabei vereinzelte Punkte, die mit großer Wahrscheinlichkeit „Ausreißer" darstellen, nicht betrachtet, sondern interpoliert und damit der Eigenschaft der jeweils mehrheitlich vorkommenden Punkte angepasst. Eine Interpolation wird insbesondere dann vorzugsweise durchgeführt, wenn die betreffenden Punkte keine Flächen darstellen, sondern lediglich Einzelpunkte mit stark abweichenden Pixelwerten sind. Es ist jedoch auch vorstellbar, dass die kumulierte Merkmalsgröße der Bildpunkte ausgehend von einem Ausgangsbildpunkt lediglich in einer Richtung oder auch in zwei Richtungen ermittelt und ausgewertet werden, beispielsweise entlang einer vorab im Digitalbild eingezeichneten Linie.

In einer weiteren vorteilhaften Ausführungsform werden die ausgewerteten stochastischen Eigenschaften und/oder deren Verknüpfungen und/oder die kumulierte Merkmalsgröße und/oder der Gradient der kumulierten Merkmalskurve durch Bildung der Potenz zweiter oder höherer Ordnung zumindest bereichsweise verstärkt. Unter „Verknüpfungen" werden dabei neben den zur Bildung der kumulierten Merkmalsgröße miteinander verknüpften stochastischen Eigenschaften auch Teilverknüpfungen von einzelnen stochastischen Eigenschaften miteinander verstanden. Auf diese Weise können insbesondere Spitzenwerte, die die Änderung der Textur an Gebietsrändern charakterisieren, erhöht und somit besonders gut automatisch auswertbar gemacht werden. Bevorzugt erfolgt dabei eine Quadrierung der Werte. Es ist dabei darauf zu achten, dass insbesondere die normierten Werte der stochastischen Eigenschaften und/oder der kumulierten Merkmalsgröße größer als 1 sind, um eine Erhöhung von Spitzenwerten zu ermöglichen. Es ist des Weiteren auch vorstellbar, dass für die Auswertung der stochastischen Eigenschaften bzw. der kumulierten Merkmalsgröße in verschiedenen Richtungen jeweils verschiedene Verstärkungen verwendet werden, um je nach Art der betrachteten stochastischen Eigenschaften ein bestmögliches Ergebnis zu erzielen.

In einer weiteren vorteilhaften Ausführungsform werden zur Steuerung des Einflusses einzelner stochastischer Eigenschaften der Bildpunkte des Digitalbildes auf die kumulierte Merkmalsgröße Schwellwerte verwendet, bei deren Über- und/oder Unterschreiten die jeweilige stochastische Eigenschaft keine Berücksichtigung findet. Dabei wird beispielsweise von untersuchten Merkmalsgrößen, die eher großflächige Bereiche zum Zwecke der Grobabgrenzung beschreiben, vorzugsweise immer ein jeweils großer Wert der Grauwertdifferenzen ausgewählt. Innerhalb der dadurch grob abgegrenzten großflächigen Bereiche werden dann bevorzugt Merkmalsgrößen betrachtet, die eher lokale Unterschiede beschreiben. Von diesen lokalen Unterschieden werden dann die jeweils kleinen Unterschiede als Maß genommen. Wenn diese kleinen Unterschiede einen oberen Schwellwert überschreiten, werden sie dann vorzugsweise nicht mehr berücksichtigt. Allerdings werden auch Unterschiede, die im grob abgegrenzten Bereich unterhalb einer bestimmten Schwelle liegen, vorzugsweise nicht mehr berücksichtigt, da diese in der Regel nicht mehr relevant für eine Unterscheidung von Texturen sind, sondern beispielsweise übliches Rauschen darstellen. Soll beispielsweise ein heller Bereich (Gewebe etc.), der eine sehr feine Struktur (d.h. hellere Werte wechseln mit dunkleren) aufweist, identifiziert werden, ist es z. B. denkbar, ein Bild zu erzeugen, welches nur das oberste Bit („MSB" = most significant bit), des Digitalbilds enthält. Dieses Bild beschreibt dann alle hellen Flächen. Es kann dann somit in einfacher Weise ein Bildausschnitt gewählt werden, bei welchem das oberste Bit gleich 1 ist und die anderen Bits keinen Einfluss haben. Darauf aufbauend wird dann zur Beschreibung der Feinstruktur ein Bild erzeugt, welches nur das zweite Bit von unten enthält. Es wird dabei angenommen, dass das unterste Bit („LSB" = least significant bit) nur das Rauschen beinhaltet und somit keine relevanten Informationen enthält. Von diesem Bild mit dem zweituntersten Bit werden dann vorzugsweise alle Nachbardifferenzen berechnet und weiter vorzugsweise davon der Absolutbetrag gebildet und addiert. Liegt dieser Betrag pro kleinster, gewählter Flächeneinheit über einem vorher ausgewählten Schwellwert, so wird dieses Flächenelement zu der auszuwählenden Fläche hinzugefügt. Auf diese Weise wird der Wechsel der Grauwerte in den hellen Flächen in effizienter Weise gekennzeichnet und der Bereich mit periodisch auftretenden schnellen Wechseln, beispielsweise ein spezielles Gewebe, kann genau identifiziert werden.

In einer weiteren vorteilhaften Ausführungsform werden durch Separation und/oder Verknüpfung der stochastischen Eigenschaften zusätzliche stochastische Kenngrößen zur Hervorhebung gewünschter Unterscheidungsmerkmale gebildet. Mit einer Berechnung der kumulierten Merkmalsgröße über verallgemeinerte Verknüpfungen können somit neue (kumulierte) Merkmalsgrößen erzeugt werden. Diese neu erzeugten Merkmalsgrößen können wieder für eine nachfolgende Verknüpfung mit anderen Merkmalsgrößen verwendet werden. Auf diese Weise können je nach Art der kombinierten stochastischen Eigenschaften zumindest latent vorhandene Unterscheidungsmerkmale besonders hervorgehoben werden. Dabei werden vorzugsweise die Randfunktionen, die die unterschiedlichen Texturbereiche voneinander trennen, verstärkt. Die stochastischen Eigenschaften zur Unterscheidung der verschiedenen Texturbereiche werden dann auf diese Weise auch verstärkt, sodass die Unterscheidung zwischen den Texturbereichen sicherer wird. Bevorzugt werden dabei auch mit Hilfe bereits gewichteter und normierter stochastischer Eigenschaften neue Verknüpfungen vorgenommen. Die bereits, beispielsweise auf das Intervall [0,1], normierten stochastischen Eigenschaften können selbst auch wieder als verallgemeinertes Bild betrachtet werden und dann mit anderen Bildern, die eine andere stochastische Eigenschaft hervorheben und ebenfalls verallgemeinert sind, verknüpft werden. Auf diese Weise entsteht vorzugsweise eine Reihe von stochastischen Eigenschaftsgrößen über dem ganzen Bildbereich, die die Grundlage für eine Verknüpfung bilden, um dadurch eine kumulierte Merkmalsgröße zu bilden, die eine gewünschte Texturbereichssegmentierung ermöglicht. Hierbei wird vorzugsweise stets eine Kopplung zwischen je zwei stochastischen Eigenschaften wechselseitig zur Erzeugung miteinbezogen. Bevorzugt werden bei diesem Vorgehen prinzipiell zwei verschiedene Arten von Größen abgeleitet. Die eine Art von Größen beschreibt eher großflächige Bereiche, die dann nachfolgend noch genau unterschieden werden müssen. Innerhalb der auf diese Weise grob identifizierten Bereiche wird dann nachfolgend eine zweite Art von Größen untersucht, die eher lokale Unterschiede beschreibt. Diese lokalen Unterschiede können dann innerhalb eines ausgewählten Bereiches betrachtet werden.

In einer weiteren vorteilhaften Ausführungsform wird die Separation und/oder Verknüpfung stochastischer Eigenschaften und/oder die Bildung zusätzlicher stochastischer Kenngrößen in Abhängigkeit der Bilddaten adaptiv gesteuert. Dabei wird bevorzugt eine Art bildabhängige parametrische Steuerung möglichst weitgehend automatisch durchgeführt, welche relativ selbstständig die richtigen Annahmen treffen kann, um Texturen o. ä. zu identifizieren und deren Größe zu bestimmen. Auf diese Weise kann besonders schnell und sicher zu einem Ergebnis hinsichtlich der Texturanalyse gelangt werden. Hinsichtlich der Frage, welche stochastischen Eigenschaften vom System selbstständig ausgewählt und miteinander verknüpften werden sollen, muss zunächst auf der Basis von Erfahrungswerten bestimmt werden, welche Merkmale „orthogonal" zueinander sind. Im statistischen Sinne bedeutet dies, dass zwei Merkmale mehr oder weniger stark miteinander korreliert sein können. Je höher die Korrelation ist, desto weniger sinnvoll ist die Verwendung beider Merkmale. Im Fall maximaler Korrelation sind beide Merkmale vollkommen gleichberechtigt zur Klassifikation verwendbar und durch die Kombination von beiden kann keine zusätzliche Information gewonnen werden.

In einer weiteren vorteilhaften Ausführungsform wird bei der Bildung der kumulierten Merkmalsgröße die Verknüpfung stochastischer Eigenschaften der Bildpunkte des Digitalbildes mit weiteren stochastischen Eigenschaften solange fortgesetzt, bis die auf der Verknüpfung beruhende Änderung der kumulierten Merkmalsgröße nicht mehr über einen vorher festgelegten Wert hinausgeht. Auf diese Weise werden immer mehr relevante Anteile der Merkmalsgrößen zu einer Unterscheidung von Bereichen gleicher Textur erzeugt. Dieser Vorgang wird solange fortgesetzt, bis ein Hinzufügen neuer Merkmale keine wesentlichen Änderungen mehr liefert. Um den Vorgang zu beschleunigen, wird dieser hierarchisch durchgeführt, wobei ein Gradient der Änderungen erzeugt wird. Es wird vorzugsweise immer diejenige Art der Verknüpfung ausgewählt, die am effektivsten in der gewünschten Richtung funktioniert. Somit kann eine bestmögliche Unterscheidungsqualität hinsichtlich von Bereichen gleicher Textur erreicht werden.

Die Erfindung wird nachfolgend anhand eines bevorzugten Ausführungsbeispiels näher erläutert. In den zugehörigen Zeichnungen zeigen
1 ein Prinzipschaltbild der Vorgehensweise zum Ermitteln der Grenzen von Bereichen gleicher Textur in einem Digitalbild,
2 ein Prinzipschaltbild eines Beispiels zur Darstellung elektronisch verarbeitbarer Werte stochastischer Eigenschaften eines Digitalbilds, wobei die Wechselwirkung zwischen den Eigenschaften berücksichtigt wird,
3 ein Prinzipschaltbild der Erzeugung neuer Eigenschaften und der Hierarchie für eine sukzessive Erzeugung,
4 ein Prinzipschaltbild der Berechnung einer nicht-parametrischen Textureigenschaft über Signum-Bildung,
5 ein Prinzipschaltbild der Berechnung einer nicht-parametrischen Textureigenschaft über die Bildung der Absolutbeträge,
6 ein Prinzipschaltbild der Berechnung einer nicht-parametrischen Textureigenschaft über Entropie-Bildung,
7 ein Prinzipschaltbild der Berechnung einer Textureigenschaft über Bildung der Glättungsdifferenz,
8 ein Prinzipschaltbild der Berechnung einer nicht-parametrischen Textureigenschaft über Periodizität,
9 ein Prinzipschaltbild der Berechnung einer nicht-parametrischen Textureigenschaft über lokale Histogramme,
10 ein Digitalbild eines Tumors im Bauchraum in einem frühen Stadium,
11 ein Diagramm mit einem Kurvenverlauf der verstärkten kumulierten Merkmalsgröße zur automatisierten Ausmessung der Tumorgröße entlang eines Schnittes,
12 ein Digitalbild eines Tumors im Bauchraum in einem späteren Stadium,
13 ein Diagramm mit einem Kurvenverlauf der verstärkten kumulierten Merkmalsgröße zur automatisierten Ausmessung der Tumorgröße entlang eines Schnittes,
14 ein digitales MRT-Bild eines Gehirns mit einem Tumor und
15 eine verallgemeinerte Bilddarstellung der mit Hilfe der verstärkten kumulierten Merkmalsgröße ermittelten Texturgrenzen.
In 1 ist in einem Prinzipschaltbild 1 zumindest schematisch die erfindungsgemäße Vorgehensweise zum Ermitteln der Grenzen von Bereichen gleicher Textur in einem Digitalbild dargestellt. Dabei erfolgte zunächst eine Auswertung mehrerer stochastischer Eigenschaften von Bildpunkten eines Digitalbildes, d. h. Merkmalsgrößen, die alle jeweils zumindest einen gewissen Beitrag zur Unterscheidung von Bereichen gleicher Textur liefern, hinsichtlich sprunghafter Änderungen der jeweiligen stochastischen Eigenschaft, wodurch bereits eine Grobabgrenzung eines interessierenden Bereiches gleicher Textur vorgenommen werden kann. Die stochastischen Eigenschaften der Bildpunkte wurden dabei vorangehend mit Hilfe parametrischer und/oder nicht-parametrischer Methoden ausgehend von einem Ausgangsbildpunkt x_k,l über einen Bereich x_k,l bis x_k+n,l+m eines Digitalbilds ermittelt (im Einzelnen nicht dargestellt). Daraufhin erfolgt dann eine Verknüpfung 10 der verschiedenen stochastischen Eigenschaften der betrachteten Bildpunkte zur Bildung einer kumulierten Merkmalsgröße für diese Bildpunkte. Zur Bildung der kumulierten Merkmalsgröße werden die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes zunächst als Komponenten jeweils eines Vektors eines Bildpunkts über dem jeweiligen Ort der Bildpunkte aufgetragen und nachfolgend die Vektorkomponenten jeweils eines Bildpunkts miteinander verknüpft. Dabei bestimmt die Anzahl der ausgewerteten stochastischen Eigenschaften die Dimension des Vektors, der aus den über dem Ort aufgetragenen stochastischen Eigenschaften entsteht. Das nachfolgende Verknüpfen aller Werte der Vektorkomponenten jedes Bildpunkts erlaubt dann die Ermittlung einer endgültigen bzw. verallgemeinerten „Ähnlichkeit" der Werte hinsichtlich der zugehörigen Bildpunkte. Die Verknüpfung der Vektorkomponenten erfolgt dabei durch Addition und/oder Subtraktion und/oder Multiplikation und/oder Division und/oder logische AND-Verknüpfung und/oder logische Wertbildung aus dem Über- oder Unterschreiten von Schwellwerten und/oder Logarithmusbildung und/oder durch Verwendung von Potenzfunktionen und/oder Exponentialfunktionen. Nun wird zur Bestimmung von Texturgrenzen die kumulierte Merkmalsgröße als kumulierte Merkmalskurve 11 über den betrachteten Bildpunkten aufgetragen. Die Berechnung der kumulierten Merkmalskurve 11 erfolgt dabei vorzugsweise in einer vorher ausgewählten Richtung, beispielsweise entlang einer im Digitalbild gezogenen Linie. Dann erfolgt in einem weiteren Schritt eine Auswertung der kumulierten Merkmalsgröße hinsichtlich sprunghafter Änderungen. Dazu wird zur Verstärkung der kumulierten Merkmalsgröße zunächst durch Bildung der Potenz zweiter Ordnung eine quadrierte kumulierte Merkmalskurve 13 gebildet. Dann erfolgt eine Gradientenbildung 15 der verstärkten (d.h. quadrierten) kumulierten Merkmalskurve 13. Die Gradientenbildung erfolgt dabei rechnerseitig über eine Differenzbildung 14 der quadrierten Original-Merkmalskurve 13 mit einer um den Wert eins auf der x-Achse verschobenen Merkmalskurve 12. Die Operation „shift-1" bedeutet dabei, dass der jeweils vorherige Wert der eingelesenen Pixelwerte benutzt wird. Nachfolgend werden lokale Maxima 16 des Gradienten (und deren zugehörige Koordinaten S) ermittelt, wobei dann der Ort (d.h. die Koordinate S) des lokalen Maximums 16 gegenüber dem Texturbereich des Ausgangsbildpunkts x_k,l die Grenze zu einem Gebiet unterschiedlicher Textur darstellt, was einer Selektion 17 des Bereichs gleicher Textur mittels der Koordinate S entspricht. Auf diese Weise erhält man diejenige Schwelle, ab der Bildpunkte zum Gebiet mit der gleichen Textur gehören, wie der Anfangsbildpunkt x_k,l Dies entspricht einer Feinabgrenzung des Bereichs gleicher Textur mit Hilfe der in Gestalt der kumulierten Merkmalsgröße ermittelten Bildpunkte. Nach der Auswertung der miteinander verknüpften stochastischen Eigenschaften von Bildpunkten des Digitalbilds lassen sich so verschiedenartige Bereiche in dem Digitalbild und die dazugehörigen Bereichsgrenzen vergleichsweise genau ermitteln.
In 2 ist in einem Prinzipschaltbild 2 ein Beispiel zur Darstellung elektronisch verarbeitbarer Werte stochastischer Eigenschaften eines Digitalbilds gezeigt, wobei die Wechselwirkung zwischen den Eigenschaften berücksichtigt wird. Dabei werden die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes, im vorliegenden Falle die mittels der Signum-Bildung ermittelte Eigenschaft G_k,l und die mittels der Absolutbetrag-Bildung ermittelte Eigenschaft D_k,l, jeweils entsprechend ihrer Fähigkeit, die Zugehörigkeit zu einem Texturbereich zu beschreiben, gewichtet und normiert. Dabei ist für die Darstellung von unterschiedlichen, beispielsweise zur Bildung der kumulierten Merkmalsgröße zu verknüpfenden stochastischen Eigenschaften, insbesondere wesentlich, dass diese in einer Form beschrieben werden, in der sie miteinander verknüpft werden können, obwohl sie verschiedenartige Eigenschaften beschreiben. Dazu wird eine Bewertung dieser stochastischen Eigenschaften D_k,l und G_k,l eingeführt, die innerhalb einer Skala von 0 bis 1 bewertet, wie stark die jeweilige Eigenschaft eine Zugehörigkeit zu einem Texturbereich beschreibt. Damit werden die einzelnen stochastischen Eigenschaften also auf einen Wert zwischen 0 und 1 normiert. Die adäquate Gewichtung jeder einzelnen stochastischen Eigenschaft erfolgt dabei vorzugsweise auf empirischer Basis, d. h. aufgrund von Erfahrungswerten, die auf bereits im Vorfeld angestellten Vergleichen beruhen. Mit der Zuordnung auf das Intervall [0,1] können somit verschiedenartige Merkmalsgrößen gleich behandelt werden.
In 3 ist in einem Prinzipschaltbild 3 die Erzeugung neuer Eigenschaften und die Hierarchie für eine sukzessive Erzeugung dargestellt. Dabei werden durch Separation und/oder Verknüpfung stochastischer Eigenschaften, im vorliegenden Falle wiederum die mittels der Signum-Bildung ermittelte Eigenschaft G_k,l und die mittels der Absolutbetrag-Bildung ermittelte Eigenschaft D_k,l, zusätzliche stochastische Kenngrößen zur Hervorhebung gewünschter Unterscheidungsmerkmale gebildet. Bei einer Berechnung der kumulierten Merkmalsgröße über verallgemeinerte Verknüpfungen können dann neue (kumulierte) Merkmalsgrößen erzeugt werden. Diese neu erzeugten Merkmalsgrößen können wieder für eine nachfolgende Verknüpfung mit anderen Merkmalsgrößen verwendet werden. Auf diese Weise können je nach Art der kombinierten stochastischen Eigenschaften zumindest latent vorhandene Unterscheidungsmerkmale besonders hervorgehoben werden. Dabei werden vorzugsweise die Randfunktionen, die die unterschiedlichen Texturbereiche voneinander trennen, verstärkt. Die stochastischen Eigenschaften zur Unterscheidung der verschiedenen Texturbereiche werden dann auf diese Weise auch verstärkt, sodass die Unterscheidung zwischen den Texturbereichen sicherer wird. Bevorzugt werden dabei auch mit Hilfe bereits gewichteter und normierter stochastischer Eigenschaften neue Verknüpfungen vorgenommen. Die bereits, beispielsweise auf das Intervall [0,1], normierten stochastischen Eigenschaften können selbst auch wieder als verallgemeinertes Bild betrachtet werden und dann mit anderen Bildern, die eine andere stochastische Eigenschaft hervorheben und ebenfalls verallgemeinert sind, verknüpft werden. Auf diese Weise entsteht vorzugsweise eine Reihe von stochastischen Eigenschaftsgrößen über dem ganzen Bildbereich, die die Grundlage für eine Verknüpfung bilden, um dadurch eine kumulierte Merkmalsgröße zu bilden, die eine gewünschte Texturbereichssegmentierung ermöglicht. Hierbei wird vorzugsweise stets eine Kopplung zwischen je zwei stochastischen Eigenschaften wechselseitig zur Erzeugung miteinbezogen. Bevorzugt werden bei diesem Vorgehen prinzipiell zwei verschiedene Arten von Größen abgeleitet. Die eine Art von Größen beschreibt eher großflächige Bereiche, die dann nachfolgend noch genau unterschieden werden müssen. Innerhalb der auf diese Weise grob identifizierten Bereiche wird dann nachfolgend eine zweite Art von Größen untersucht, die eher nahe lokale Unterschiede beschreibt. Diese lokalen Unterschiede können dann innerhalb eines ausgewählten Bereiches betrachtet werden. Dabei wird beispielsweise zur Steuerung des Einflusses der stochastischen Eigenschaft G_k,l der Bildpunkte des Digitalbildes eine Schranke S, d.h. ein Schwellwert, verwendet, bei dessen Unterschreiten die stochastische Eigenschaft G_k,l keine Berücksichtigung findet. Dabei wird beispielsweise von der untersuchten Merkmalsgröße G_k,l, die eher großflächige Bereiche zum Zwecke der Grobabgrenzung beschreiben, immer ein jeweils größerer Wert ausgewählt. Innerhalb eines dadurch grob abgegrenzten großflächigen Bereichs werden dann bevorzugt Merkmalsgrößen betrachtet, die eher nähere lokale Unterschiede beschreiben, beispielsweise die Eigenschaft D_k,l. Von diesen lokalen Unterschieden werden dann die jeweils kleinsten Unterschiede als Maß genommen. Wenn diese kleinen Unterschiede einen oberen Schwelwert überschreiten, werden sie dann nicht mehr berücksichtigt. Allerdings werden auch Unterschiede, die im grob abgegrenzten Bereich unterhalb einer bestimmten Schwelle liegen, vorzugsweise nicht mehr berücksichtigt, da diese in der Regel nicht mehr relevant für eine Unterscheidung von Texturen sind, sondern beispielsweise übliches Rauschen darstellen.
In 4 ist in einem Prinzipschaltbild 4 die Berechnung der nicht-parametrischen Textureigenschaft G_k,l über die Signum-Bildung dargestellt. Dafür wird mittels der Vorzeichenfunktion die Differenz jeweils mehrerer zueinander benachbarter Pixelwerte x_k,l bis x_k+n,l+m des Digitalbildes zum Pixelwert eines Ausgangsbildpunkts x_k,l gebildet und das Vorzeichen der Differenzen als Funktionswert ermittelt. Die Verteilung der Vorzeichen ist dann ein Maß für die Textur des betreffenden Bereichs.
In 5 ist in einem Prinzipschaltbild 5 die Berechnung der nicht-parametrischen Textureigenschaft D_k,l über die Bildung der Absolutbeträge dargestellt. Beim Betrachten des Verhaltens der Absolutbeträge werden die Grauwertabstände einzelner Bildpunkte zu einem Ausgangsbildpunkt x_k,l ermittelt und als Maß für die Textur des betreffenden Bereiches herangezogen. Dabei erfolgt die Bildung der Absolutbeträge der Differenzen einer Mehrzahl von Pixelwerten x_k,l bis x_k+n,l+m des Digitalbildes zum Pixelwert eines Ausgangsbildpunkts x_k,l. Bevorzugt wird zur Bildung der Absolutbeträge von Differenzrelationen zunächst ein Punkt x_k,l als Ausgangsbildpunkt aus einem Gebiet x_k,l bis x_k+n,l+m herausgegriffen, das sehr wahrscheinlich innerhalb eines Bereiches gleicher Textur liegt. Dann werden Beziehungen zu möglichst allen Nachbarpunkten des Ausgangsbildpunkts x_k,l mit mehreren vorgewählten Distanzen als Funktion der Absolutbeträge ihrer Grauwertdifferenzen untersucht und abgespeichert. Dabei wird z. B. der Absolutbetrag der Differenz zwischen den Grauwerten der einzelnen benachbarten Punkte in einer vorgegebenen Richtung addiert. Dieser Vorgang wird vorzugsweise über alle möglichen Richtungen durchgeführt. Sobald starke Unterschiede in den Funktionswerten auftreten, wird die weitere Fortschreibung der Prozedur in dieser jeweiligen Richtung abgebrochen. Mit Hilfe dieser Prozedur wird somit ein vorläufiges Gebiet gleicher Textur ermittelt. Dann wird ein anderer Ausgangspunkt x_k,l aus dem soeben ermittelten wahrscheinlichen Bereich gleicher Textur herausgegriffen und es werden von hier aus wiederum die Beziehungen zu Nachbarbildpunkten ermittelt und die Grenzen bestimmt. Dies wird vorzugsweise solange fortgesetzt, bis sich präzise Grenzen für einen Bereich gleicher Textur herausbilden, die auf der Überlagerung aller ermittelter „Einzelgrenzen" aus den verschiedenen Versuchen beruhen und somit die maximal wahrscheinlichsten Grenzen ergeben.
In 6 wird in einem Prinzipschaltbild 6 die Berechnung einer nicht-parametrischen Textureigenschaft I_k,l über die Entropie-Bildung dargestellt. Die Entropie beschreibt in der digitalen Bildverarbeitung die Eigenschaft eines digitalen Bildsignals, pro Bildpunkt mit einer im Durchschnitt möglichst geringen Bit-Zahl auszukommen. Die Entropie definiert dabei den mittleren Informationsgehalt pro Bildpunkt. Ein niedriger Entropie-Wert weist auf eine geringe Anzahl Bits pro Bildpunkt hin, weswegen die Entropie als statistische Größe über einen bestimmten Bildbereich x_k,l bis x_k+n,l+m in der Regel auch mit dessen Textur korreliert. Somit können auch mit Hilfe sukzessiver Bildung der Entropie über unterschiedliche Bildbereiche x_k,l bis x_k+n,l+m Bereiche mit gleicher Textur identifiziert werden.
In 7 ist in einem Prinzipschaltbild 7 die Berechnung einer Textureigenschaft J_k,l über die Bildung der Glättungsdifferenz dargestellt. Die Berechnung der Glättungsdifferenzen von Pixelwerten eines ausgewählten Bildbereichs x_k,l bis x_k+n,l+m zum Pixelwert des Ausgangsbildpunkts x_k,l ist ein Verfahren, das z.B. mit unterschiedlichen Parametern zur Steuerung der Stärke der Glättung eingesetzt werden kann. Dabei werden vorzugsweise die Glättungsparameter, beispielsweise Mittelwerte, Streuungen der Werte von diesem Mittelwert, Kombinationen von beiden und Kombinationen mit den erhaltenen Flächen von unterschiedlichen Längen, über die die Glättung erfolgt, miteinander verknüpft, um „verallgemeinerte" Glättungsparameter zu erhalten. Die Glättungen werden so ausgewählt und gesteuert, dass größere Flächen erzeugt werden. Die Glättungsoperationen werden dann über verschiedene, jeweils zueinander verschobene Flächen erzeugt. Das Maximum der Überlagerung dieser Flächen definiert dann wiederum die ungefähren Grenzen der Bereiche gleicher Textur.
In 8 ist in einem Prinzipschaltbild 8 die Berechnung einer nicht-parametrischen Textureigenschaft P_k,l über die Periodizität dargestellt. Dabei wird die Periodizität der Differenzen der Mehrzahl von Pixelwerten x_k,l bis x_k+n,l+m des Digitalbildes zum Pixelwert des Ausgangsbildpunkts x_k,l berechnet. Dazu werden periodische Verteilungen der Nachbargrößen des Ausgangsbildpunkts x_k,l untersucht, um Wiederholstrukturen im Bild aufzufinden. Dazu werden die Summen von Grauwertdifferenzen über ausgewählte kleine Bereiche aufsummiert und durch das Quadrat von den einzelnen Pixel-Differenzen geteilt. Damit kommen im Falle von periodischen Wiederholungen stark wellenförmige Zahlenwerte heraus, die die Periodizität an sich sowie auch die Periodenlänge anzeigen. Die Periodizität der Grauwertdifferenzen der Bildpunkte eines ausgewählten Bildbereichs x_k,l bis x_k+n,l+m zu einem Ausgangsbildpunkt x_k,l ist somit ein Maß für die Textur des ausgewählten Bereichs.
In 9 ist in einem Prinzipschaltbild 9 die Berechnung einer nicht-parametrischen Textureigenschaft K_l,m über lokale Histogramme dargestellt. Dabei erfolgt eine Analyse lokaler Histogramme der Absolutbeträge der Differenzen von Pixelwerten x_k,l bis x_k+n,l+m zum Pixelwert eines Ausgangsbildpunkts x_k,l, um auf diese Weise Texturgrenzen zu identifizieren. Die Analyse lokaler Histogramme von kleinen Bildbereichen x_k,l bis x_k+n,l+m liefert eine Größe K_l,m, die eine Verteilung der Grauwerte innerhalb des jeweiligen kleinen Bildbereichs x_k,l bis x_k+n,l+m beschreibt. Es werden hierzu Untersuchungen über die Maxima und Minima ebenso wie das Anstiegsverhalten beim Übergang von Maximum zum Minimum, auch in umgekehrter Richtung, von den Histogrammen als Eigenschaft einbezogen.
10 und 12 stellen jeweils ein Digitalbild eines Tumors 20 im Bauchraum, einmal in einem frühen (10) und einmal in einem späteren Stadium (12), dar. Dabei wurde zunächst in einem ersten Schritt die Untersuchungsregion grob vordefiniert. Dies kann entweder automatisch durch verallgemeinerte Texturanalyse, beispielsweise durch Verwendung einer oder mehrerer der vorab beschriebenen stochastischen Eigenschaften, oder auch manuell erfolgen. Danach wird eine Linie 22 durch dieses grob abgegrenzte Gebiet gezogen und die ermittelten stochastischen (Textur-)Eigenschaften auf dieser Linie 22 aufgetragen. Diese Eigenschaften können dann so zusammengefasst werden, dass sehr markante Änderungen an den Texturgrenzen entstehen und man auf diese Weise die Ausdehnung des Tumors pixelgenau bestimmen kann. Dabei wird zur Bestimmung der Grenzen eines Gebietes gleicher Textur, nämlich dem Bildbereich des Tumors 20, die kumulierte Merkmalsgröße der Bildpunkte ausgehend von einem auf der Geraden 22 gelegenen Ausgangsbildpunkt in beiden unterschiedlicher Richtungen entlang der Gerade 22 ermittelt und ausgewertet. Auf diese Weise können die genauen Grenzpunkte bzw. die exakte Breite des Bereiches gleicher Textur, d.h. des Tumorgewebes, bestimmt werden.
In 11 sowie 13 ist jeweils ein Diagramm mit einem Kurvenverlauf der verstärkten kumulierten Merkmalsgröße zur automatisierten Ausmessung der Größe des Tumors 20 aus 10 bzw. 12 entlang des dort jeweils durch die Gerade 22 repräsentierten Schnittes dargestellt. Zur Bildung der kumulierten Merkmalsgröße wurden dabei die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes aus 10 bzw. 12 zunächst als Komponenten jeweils eines Vektors eines Bildpunkts über dem jeweiligen Ort der Bildpunkte aufgetragen und nachfolgend die Vektorkomponenten jeweils eines Bildpunkts miteinander verknüpft. Um die Grenzen der Ausdehnung des Tumors 20 automatisch messen zu können, wurden dann die Änderungen der Struktur als Kurven des Vektors aufgetragen und zur besseren Bearbeitung quadriert. Damit entstehen erhöhte Spitzen der Kurven, welche jeweils oberhalb einer im Rahmen des Berechnungsalgorithmus gesetzten Schwelle Schnittpunkte (nicht dargestellt) mit dieser ergeben. Der Abstand zwischen den Spitzen der jeweiligen Kurve bzw. zwischen den (nicht dargestellten) Schnittpunkten mit der Schwelle ist dann proportional zur Ausdehnung des Tumors. Um absolute Messgrößen (z. B. in cm) zu erhalten, kann beispielsweise ein Knochen zum Vergleich im gleichen Bild herangezogen oder ein Metallstück bekannter Größe bei der Aufnahme aufgelegt werden (nicht dargestellt), wenn die Geometrie des Aufnahmegeräts nicht genau bekannt ist. Bei der Entdeckung und Größenbestimmung eines Tumors 20 kann dann z. B. mit Hilfe der ermittelten Textureigenschaften vorzugsweise die Struktur des Tumors so hervorgehoben werden, dass sie singulär ist, d.h. beispielsweise im Bild geschlossene Linien aufweist, die der äußeren Oberfläche ähnlich sind und sich zum Zentrum hin verjüngen (d.h. der Abstand der Linien wird zum Zentrum hin enger). Dies ist in 14 und 15 beispielhaft für einen Tumor 30 in einem Gehirn gezeigt, wobei 14 ein digitales MRT-Bild eines Gehirns mit einem Tumor 30 und 15 eine verallgemeinerte Bilddarstellung der mit Hilfe der verstärkten kumulierten Merkmalsgröße ermittelten Texturgrenzen des Tumors 30 darstellt.

Claims

Verfahren zum Erkennen von Bereichen gleicher Textur in einem Digitalbild, umfassend die Schritte a) Auswertung von mindestens einer stochastischen Eigenschaft von Bildpunkten des Digitalbildes hinsichtlich sprunghafter Änderungen der stochastischen Eigenschaft, b) Grobabgrenzung mindestens eines interessierenden Bereiches gleicher Textur durch die in Verfahrensschritt a) ermittelten Bildpunkte mit sprunghafter Änderung der stochastischen Eigenschaft, c) Verknüpfung von mindestens zwei stochastischen Eigenschaften einer Mehrzahl der Bildpunkte zur Bildung einer kumulierten Merkmalsgröße der Bildpunkte, wobei zur Bildung der kumulierten Merkmalsgröße die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes zunächst als Komponenten jeweils eines Vektors eines Bildpunkts über dem jeweiligen Ort der Bildpunkte aufgetragen werden und nachfolgend die Vektorkomponenten jeweils eines Bildpunkts miteinander verknüpft werden, wobei die Verknüpfung der Vektorkomponenten durch Addition und/oder Subtraktion und/oder Multiplikation und/oder Division und/oder der logischen AND-Verknüpfung des LSB (last significant bit) nach einem oder mehreren logischen Verschiebungen der Vektorkomponenten nach rechts und/oder logische Wertbildung aus dem Über- oder Unterschreiten von Schwellwerten und/oder Logarithmusbildung und/oder durch Verwendung von Potenzfunktionen und/oder Exponentialfunktionen erfolgt, d) Auswertung der kumulierten Merkmalsgröße hinsichtlich sprunghafter Änderungen, e) Feinabgrenzung des mindestens einen Bereichs gleicher Textur durch die in Verfahrensschritt d) ermittelten Bildpunkte mit sprunghafter Änderung der kumulierten Merkmalsgröße.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in mindestens einer der stochastischen Eigenschaften der Bildpunkte zur Bestimmung der Grob- und/oder der Feinabgrenzung nach Verfahrensschritt a) oder c) die Nachbarschaftsrelationen der Bildpunkte zu einem ausgewählten Ausgangsbildpunkt enthalten sind.
Verfahren nach einem der genannten Ansprüche, dadurch gekennzeichnet, dass die stochastischen Eigenschaften der Bildpunkte mit Hilfe von parametrischen und/oder nicht-parametrischen Methoden ermittelt werden.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die parametrischen und/oder nicht-parametrischen Methoden mindestens eine der folgenden Vorgehensweisen umfassen: – Berechnung der Differenzrelationen zwischen einer Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Signum-Bildung mittels Vorzeichenfunktion der Differenzen einer Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Bildung der Absolutbeträge der Differenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Entropie-Bildung der Mehrzahl von Pixelwerten des Digitalbildes, – Berechnung der Periodizität der Differenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Berechnung der Glättungsdifferenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Analyse lokaler Histogramme des Absolutbetrags der Differenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert eines Ausgangsbildpunkts, – Filterung der Mehrzahl von Pixelwerten des Digitalbildes mittels nichtlinearer Funktionen.
Verfahren nach einem der Ansprüche 3 oder 4, dadurch gekennzeichnet, dass die parametrischen und/oder nicht-parametrischen Methoden ausgehend von verschiedenen Ausgangsbildpunkten in jeweils verschiedene Richtungen innerhalb des Digitalbildes durchgeführt werden, wobei nachfolgend die in Abhängigkeit der unterschiedlichen Ausgangsbildpunkte ermittelten Ergebnisse überlagert werden und aus der Überlagerung mindestens eine Bereichsgrenze bestimmt wird.
Verfahren nach einem der Ansprüche 3 bis 5, dadurch gekennzeichnet, dass ausgehend von dem Ausgangsbildpunkt in verschiedene Richtungen innerhalb des Digitalbildes mit unterschiedlichen Schwellwerten durchgeführt werden, wobei nachfolgend die in Abhängigkeit der unterschiedlichen Schwellwerte ermittelten Ergebnisse überlagert werden und aus der Überlagerung mindestens eine Bereichsgrenze bestimmt wird.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes und/oder deren Verknüpfungen zur Bildung der kumulierten Merkmalsgröße entsprechend ihrer Fähigkeit, die Zugehörigkeit zu einem Texturbereich zu beschreiben, gewichtet und normiert werden.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass zur Bestimmung von Texturgrenzen die kumulierte Merkmalsgröße als kumulierte Merkmalskurve über den betrachteten Bildpunkten aufgetragen wird, der Gradient der kumulierten Merkmalskurve gebildet wird und zumindest ein lokales Maximum des Gradienten ermittelt wird, wobei der Ort des lokalen Maximums gegenüber dem Texturbereich des Ausgangsbildpunkts die Grenze zu einem Gebiet unterschiedlicher Textur darstellt.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass zur Bestimmung der Grenzen eines Gebietes gleicher Textur die kumulierte Merkmalsgröße der Bildpunkte ausgehend von einem in diesem Gebiet gelegenen Ausgangsbildpunkt in einer Mehrzahl unterschiedlicher Richtungen ermittelt und ausgewertet wird.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die ausgewerteten stochastischen Eigenschaften und/oder deren Verknüpfungen zur Bildung der kumulierten Merkmalsgröße und/oder die kumulierte Merkmalsgröße und/oder der Gradient der kumulierten Merkmalskurve durch Bildung der Potenz zweiter oder höherer Ordnung zumindest bereichsweise verstärkt werden.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass zur Steuerung des Einflusses einzelner stochastischer Eigenschaften der Bildpunkte des Digitalbildes auf die kumulierte Merkmalsgröße Schwellwerte verwendet werden, bei deren Über- und/oder Unterschreiten die jeweilige stochastische Eigenschaft keine Berücksichtigung findet.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass durch Separation und/oder Verknüpfung der stochastischen Eigenschaften zusätzliche stochastische Kenngrößen zur Hervorhebung gewünschter Unterscheidungsmerkmale gebildet werden.
Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass die Separation und/oder Verknüpfung stochastischer Eigenschaften und/oder die Bildung zusätzlicher stochastischer Kenngrößen in Abhängigkeit der Bilddaten adaptiv gesteuert wird.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass bei der Bildung der kumulierten Merkmalsgröße die Verknüpfung stochastischer Eigenschaften der Bildpunkte des Digitalbildes mit weiteren stochastischen Eigenschaften solange fortgesetzt wird, bis die auf der Verknüpfung beruhende Änderung der kumulierten Merkmalsgröße nicht mehr über einen vorher festgelegten Wert hinausgeht.
Vorrichtung zum Erkennen von Bereichen gleicher Textur in einem Digitalbild, mindestens umfassend eine Eingabeeinheit, eine Ausgabeeinheit, eine Speichereinheit zur Speicherung mindestens eines Digitalbildes und eine Recheneinheit zum Detektieren und zur Größenvermessung von Bereichen unterschiedlicher Textur in einem Digitalbild, wobei mittels der Recheneinheit a) eine Auswertung von mindestens einer stochastischen Eigenschaft von Bildpunkten des Digitalbildes hinsichtlich sprunghafter Änderungen der stochastischen Eigenschaft, b) eine Grobabgrenzung mindestens eines interessierenden Bereiches gleicher Textur durch die in Verfahrensschritt a) ermittelten Bildpunkte mit sprunghafter Änderung der stochastischen Eigenschaft, c) eine Verknüpfung von mindestens zwei stochastischen Eigenschaften einer Mehrzahl der Bildpunkte zur Bildung einer kumulierten Merkmalsgröße der Bildpunkte, wobei zur Bildung der kumulierten Merkmalsgröße die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes zunächst als Komponenten jeweils eines Vektors eines Bildpunkts über dem jeweiligen Ort der Bildpunkte aufgetragen sind und nachfolgend die Vektorkomponenten jeweils eines Bildpunkts miteinander verknüpft sind, wobei die Vektorkomponenten durch Addition und/oder Subtraktion und/oder Multiplikation und/oder Division und/oder logische AND-Verknüpfung und/oder logische Wertbildung aus dem Über- oder Unterschreiten von Schwellwerten und/oder Logarithmusbildung und/oder durch Verwendung von Potenzfunktionen und/oder Exponentialfunktionen verknüpft sind, d) eine Auswertung der kumulierten Merkmalsgröße hinsichtlich sprunghafter Änderungen und e) eine Feinabgrenzung des mindestens einen Bereichs gleicher Textur durch die in Verfahrensschritt d) ermittelten Bildpunkte mit sprunghafter Änderung der kumulierten Merkmalsgröße durchgeführt wird.
Vorrichtung nach Anspruch 15, dadurch gekennzeichnet, dass in mindestens einer der stochastischen Eigenschaften der Bildpunkte zur Bestimmung der Grob- und/oder der Feinabgrenzung nach Verfahrensschritt a) oder c) die Nachbarschaftsrelationen der Bildpunkte zu einem ausgewählten Ausgangsbildpunkt enthalten sind.
Vorrichtung nach einem der Ansprüche 15 oder 16, dadurch gekennzeichnet, dass die stochastischen Eigenschaften der Bildpunkte mit Hilfe von parametrischen und/oder nicht-parametrischen Methoden ermittelt werden.
Vorrichtung nach Anspruch 17, dadurch gekennzeichnet, dass die parametrischen und/oder nicht-parametrischen Methoden mindestens eine der folgenden Vorgehensweisen umfassen: – Berechnung der Differenzrelationen zwischen einer Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Signum-Bildung mittels Vorzeichenfunktion der Differenzen einer Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Bildung der Absolutbeträge der Differenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Entropie-Bildung der Mehrzahl von Pixelwerten des Digitalbildes, – Berechnung der Periodizität der Differenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Berechnung der Glättungsdifferenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert des Ausgangsbildpunkts, – Analyse lokaler Histogramme des Absolutbetrags der Differenzen der Mehrzahl von Pixelwerten des Digitalbildes zum Pixelwert eines Ausgangsbildpunkts, – Filterung der Mehrzahl von Pixelwerten des Digitalbildes mittels nichtlinearer Funktionen.
Vorrichtung nach einem der Ansprüche 17 oder 18, dadurch gekennzeichnet, dass die parametrischen und/oder nicht-parametrischen Methoden ausgehend von verschiedenen Ausgangsbildpunkten in jeweils verschiedene Richtungen innerhalb des Digitalbildes durchgeführt werden, wobei nachfolgend die in Abhängigkeit der unterschiedlichen Ausgangsbildpunkte ermittelten Ergebnisse überlagert werden und aus der Überlagerung mindestens eine Bereichsgrenze bestimmt wird.
Vorrichtung nach einem der Ansprüche 17 bis 19, dadurch gekennzeichnet, dass die parametrischen und/oder nicht-parametrischen Methoden ausgehend von dem Ausgangsbildpunkt in verschiedene Richtungen innerhalb des Digitalbildes mit unterschiedlichen Schwellwerten durchgeführt werden, wobei nachfolgend die in Abhängigkeit der unterschiedlichen Schwellwerte ermittelten Ergebnisse überlagert werden und aus der Überlagerung mindestens eine Bereichsgrenze bestimmt wird.
Vorrichtung nach einem der Ansprüche 15 bis 20, dadurch gekennzeichnet, dass die ausgewerteten stochastischen Eigenschaften der Bildpunkte des Digitalbildes und/oder deren Verknüpfungen zur Bildung der kumulierten Merkmalsgröße entsprechend ihrer Fähigkeit, die Zugehörigkeit zu einem Texturbereich zu beschreiben, gewichtet und normiert sind.
Vorrichtung nach einem der Ansprüche 15 bis 21, dadurch gekennzeichnet, dass zur Bestimmung von Texturgrenzen die kumulierte Merkmalsgröße als kumulierte Merkmalskurve über den betrachteten Bildpunkten aufgetragen wird, der Gradient der kumulierten Merkmalskurve gebildet wird und zumindest ein lokales Maximum des Gradienten ermittelt wird, wobei der Ort des lokalen Maximums gegenüber dem Texturbereich des Ausgangsbildpunkts die Grenze zu einem Gebiet unterschiedlicher Textur darstellt.
Vorrichtung nach einem der Ansprüche 15 bis 22, dadurch gekennzeichnet, dass zur Bestimmung der Grenzen eines Gebietes gleicher Textur die kumulierte Merkmalsgröße der Bildpunkte ausgehend von einem in diesem Gebiet gelegenen Ausgangsbildpunkt in einer Mehrzahl unterschiedlicher Richtungen ermittelt und ausgewertet wird.
Vorrichtung nach einem der Ansprüche 15 bis 23, dadurch gekennzeichnet, dass die ausgewerteten stochastischen Eigenschaften und/oder deren Verknüpfungen zur Bildung der kumulierten Merkmalsgröße und/oder die kumulierte Merkmalsgröße und/oder der Gradient der kumulierten Merkmalskurve durch Bildung der Potenz zweiter oder höherer Ordnung zumindest bereichsweise verstärkt wird.
Vorrichtung nach einem der Ansprüche 15 bis 24, dadurch gekennzeichnet, dass zur Steuerung des Einflusses einzelner stochastischer Eigenschaften der Bildpunkte des Digitalbildes auf die kumulierte Merkmalsgröße Schwellwerte verwendet werden, bei deren Über- und/oder Unterschreiten die jeweilige stochastische Eigenschaft keine Berücksichtigung findet.
Vorrichtung nach einem der Ansprüche 15 bis 25, dadurch gekennzeichnet, dass durch Separation und/oder Verknüpfung der stochastischen Eigenschaften zusätzliche stochastische Kenngrößen zur Hervorhebung gewünschter Unterscheidungsmerkmale gebildet werden.
Vorrichtung nach Anspruch 26, dadurch gekennzeichnet, dass die Separation und/oder Verknüpfung stochastischer Eigenschaften und/oder die Bildung zusätzlicher stochastischer Kenngrößen in Abhängigkeit der Bilddaten adaptiv gesteuert wird.
Vorrichtung nach einem der Ansprüche 15 bis 27, dadurch gekennzeichnet, dass bei der Bildung der kumulierten Merkmalsgröße die Verknüpfung stochastischer Eigenschaften der Bildpunkte des Digitalbildes mit weiteren stochastischen Eigenschaften solange fortgesetzt wird, bis die auf der Verknüpfung beruhende Änderung der kumulierten Merkmalsgröße nicht mehr über einen vorher festgelegten Wert hinausgeht.