DE19539160C1 - Verfahren zur Erstellung und Auswertung von Co-occurrence-Matrizen mit Hilfe eines Histogrammprozessors - Google Patents
Verfahren zur Erstellung und Auswertung von Co-occurrence-Matrizen mit Hilfe eines HistogrammprozessorsInfo
- Publication number
- DE19539160C1 DE19539160C1 DE19539160A DE19539160A DE19539160C1 DE 19539160 C1 DE19539160 C1 DE 19539160C1 DE 19539160 A DE19539160 A DE 19539160A DE 19539160 A DE19539160 A DE 19539160A DE 19539160 C1 DE19539160 C1 DE 19539160C1
- Authority
- DE
- Germany
- Prior art keywords
- gray values
- frequency distribution
- vectors
- bit vectors
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Description
Die Erfindung befaßt sich mit dem Einsatz von Co-occurrence-Matrizen
in der Bildauswertung, beispielsweise wenn Texturen
klassifiziert werden sollen.
Die Co-occurrence-Matrix (CM) wird bislang in der
Bildverarbeitung vorwiegend zur Texturanalyse herangezogen. Sie
gibt die Häufigkeit an, mit der m Grauwerte in einer bestimmten
Konstellation (Nachbarschaftsrelation) in einem Bild vorkommen.
Zwei Grauwerte (m = 2) haben sich in der Praxis bezüglich
Resultat und Datenaufwand als sinnvoll herausgestellt; es ist
allerdings auch denkbar, daß mehrere Grauwerte (m < 2) zur
Erstellung einer CM einbezogen werden!
Grauwerte sind hier die Intensitäten, die bei der Bildgewinnung
den Bildpunkten zugeordnet werden. Einfachhalber wird hier von
einem Grauwert gesprochen und damit der Intensitätswert
gemeint, der einem bestimmten Bildpunkt zugeordnet wird.
Eine Nachbarschaftsrelation kann (unter Einbezug zweier
Grauwerte, m = 2) heißen: a ist der Grauwert des aktuellen
Bildpunktes und b der Grauwert des i-ten linken
Nachbarbildpunktes. Für "links" könnte hier auch "rechts",
"oben" oder "unten" stehen.
Jede Spalte und auch jede Zeile der CM steht jeweils für einen
der n möglichen Grauwerte. Dies ergibt eine quadratische Matrix
der Mächtigkeit n × n. Die Elemente der Matrix stellen die
Häufigkeiten dar, mit der die entsprechende
Nachbarschaftsrelation für die verschiedenen Werte von a und b
vorkommen. Die dann aus diesen Elementen ermittelten
statistischen Kenngrößen (z. B. Energie, Kontrast, Entropie,
Homogenität und dgl.) beschreiben die vorliegende Textur.
Es ist bekannt, zur Bildklassifizierung Texturmerkmale
heranzuziehen (vgl. IEE Trans. on Systems, Man and
Cybernetics, Vol. SMC-3, No. 6, Nov. 1973, 610-621). Hierzu
werden leicht zu berechnende Texturmerkmale eingesetzt, die
auf räumlichen Abhängigkeiten von Grauwerten basieren und
auf die Kategorisierung bzw. Identifizierung von
unterschiedlichen Bilddaten angewendet werden, insbesondere
auf die Luftbildauswertung bei der Exploration von
Bodenschätzen. Zwei Arten von Entscheidungsregeln werden
angewendet, bei der einen handelt es sich um eine
stückweise-lineare Entscheidungsregel, bei der anderen um
eine auf rechteckig begrenzten Bereichen fußende
Entscheidungsregel.
Es ist weiterhin bekannt (DE 43 13 258 A1) zur
meßtechnischen quantitativen Bestimmung der Textur der
menschlichen Haut Bildinformationen aufzunehmen und zu
analysieren, indem Grauwertbilder der Haut unter definierten
Beleuchtungswinkeln erstellt und über mathematische
Kenngrößen verarbeitet werden, wobei die Anzahl der
Grauwerte reduziert wird und schließlich Vergleiche mit
bereits vorhandenen, ausgewerteten Proben durchgeführt
werden.
Es ist auch bekannt, ein Verfahren zur Bildanalyse der
Textur einer Teppichoberfläche einzusetzen (US 5 325
301), bei welchem ein Modell herangezogen wird, welches auf
einen Co-occurence-Matrix 2. Ordnung basiert. Hierbei werden
räumliche Beziehungen zwischen Grauwerten der zu
untersuchenden Oberfläche mit solchen Beziehungen
verglichen, die die angestrebte Homogenität oder
Kontrastierung repräsentieren.
Alle bekannten Verfahren beziehen sich auf die Analyse exakt
bekannter Texturklassen (Satellitenbild, Haut, Teppich),
indem aus der Co-occurrence-Matrix für die betreffende
Texturklasse Faktoren abgeleitet werden, die mit
repräsentativen Proben verglichen werden, um aus dem
Vergleich heraus eine Aussage zu machen.
Bei einem Verfahren zur Erstellung und Auswertung von Co-occurance-Matrixen
zwecks Bildauswertung soll aufgabengemäß
die durch den Einsatz der Co-occurance-Matrixen auftretende
enorme Datenmenge verringert werden.
Das Verfahren gemäß der Erfindung zur Erstellung und Auswertung
von CM-Matrizen ist durch die folgenden Merkmale geprägt:
es wird die Häufigkeitsverteilung der Grauwerte der Bildpunkte in einer vorgegebenen Nachbarschaftsrelation erstellt,
es wird von dem Bilddatenstrom einer Kamera ausgegangen, der einem Filter zugeleitet wird, das die Grauwerte für jeden Bildpunkt und einen in Nachbarschaftsbeziehung stehenden Bildpunkt als Binärvektor zusammenstellt, die Grauwerte zu Paketen zusammenfaßt und niedrigwertige Bitstellen streicht,
die sich ergebenden Bitvektoren werden an einen Histogrammprozessor weitergegeben, der die Häufigkeitsverteilung und weitere statistische Kenngrößen berechnet.
es wird die Häufigkeitsverteilung der Grauwerte der Bildpunkte in einer vorgegebenen Nachbarschaftsrelation erstellt,
es wird von dem Bilddatenstrom einer Kamera ausgegangen, der einem Filter zugeleitet wird, das die Grauwerte für jeden Bildpunkt und einen in Nachbarschaftsbeziehung stehenden Bildpunkt als Binärvektor zusammenstellt, die Grauwerte zu Paketen zusammenfaßt und niedrigwertige Bitstellen streicht,
die sich ergebenden Bitvektoren werden an einen Histogrammprozessor weitergegeben, der die Häufigkeitsverteilung und weitere statistische Kenngrößen berechnet.
Die Erfindung wird nachstehend anhand der Zeichnungen
beispielsweise erläutert.
Fig. 1 zeigt die ermittelten Grauwerte eines Bildes.
Fig. 2 zeigt eine aus den Grauwerten berechnete Co-occurrence-Matrix.
Fig. 3 zeigt eine Darstellung der zur Durchführung des
Verfahrens gemäß der Erfindung verwendeten Elemente.
Die Fig. 1 zeigt ein Bild mit 9 × 9 Bildpunkten, wobei zur
Vereinfachung der Erläuterung angenommen worden ist, daß die
einzelnen Zeilen eine Grauwertverteilung von: 1 2 3 4 5 6 7 8 9
haben. Ausgenommen ist hiervon die vierte Zeile, bei welcher
sich eine Grauwertverteilung 1 2 3 4 6 6 7 8 9 ergibt.
Fig. 2 zeigt eine berechnete Co-occurrence-Matrix für die nach
Fig. 1 erhaltene Grauwertverteilung. Hierbei ist eine bestimmte
Nachbarschaftsrelation zugrunde gelegt worden, nämlich, wie oft
ist a direkter linker Nachbar von b. Aus der ersten Zeile der
Fig. 2 läßt sich beispielsweise entnehmen, daß für b = 2 neun
Mal der Fall auftritt, daß a = 1. Entsprechend ergibt sich aus
der Zeile 4, daß für b = 5: acht Mal a = 4 der Fall ist.
Die Fig. 3 verdeutlicht den Ablauf des Verfahrens gemäß der
vorliegenden Erfindung. Die Bilddaten gelangen zum Filter, das
in gewisser Weise vor dem Histogrammbaustein "vorgeschaltet"
ist.
Im vorgestellten Verfahren (Fig. 3) übernimmt das
"vorgeschaltete" Filter die Berechnung des Ortes in der Matrix,
an dem das Element, das mit seinem Wert die Häufigkeit
darstellt, um eins zu inkrementieren ist. Dieser Ort
(Koordinate) wird mittels der Grauwerte des aktuellen
Bildpunktes und den entsprechenden m-1 Nachbarn ermittelt und
in einem bestimmten Datenformat geliefert.
Die nachfolgende Schaltung zur Berechnung von Histogrammen (des
Histogramm-Baustein) erstellt die CM, d. h. sie ermittelt die
Häufigkeiten für die möglichen Konstellationen gemäß
irgendeiner vorgegebenen Nachbarschaftsrelation.
Während eines Verarbeitungsschrittes steht die "Koordinate"
kodiert an der Schaltung zur Berechnung von Histogrammen an:
Grauwerte liegen in digitalen Systemen als Binärzahlen
(Bitvektoren) vor. Durch einfaches Aneinanderhängen der m
Bitvektoren entsteht ein Bitvektor der m-fachen Länge. Dieser
neue Bitvektor wird als "Koordinate" der Schaltung zur
Berechnung von Histogrammen übergeben.
Um die enorme Datenmenge, die bei der Erstellung der CM
anfällt, zu reduzieren, werden Grauwerte oftmals in praxi zu
"Grauwertpaketen" von N Grauwerten (typisch ist N = 16)
zusammengefaßt. Dies läßt sich durch Streichen von Bitstellen
realisieren, was einer Division mit einer 2er-Potenz
entspricht. Der durch das Aneinanderhängen resultierende
Bitvektor ist folglich in seiner Länge reduziert. Für N = 16
bedeutet dies das Wegstreichen der vier niedrigwertigen
Bitstellen. Es ist jedoch auch ein anderes "Streichmuster" als
das Wegstreichen der "niedrigwertigen Bitstellen" denkbar.
Beispiel: Bei einer Grauwertauflösung von 9 bit (n = 512) sollen
diese in 16er-Pakete zusammengefaßt (N = 16) und die
niedrigwertigen vier Bitstellen weggeschnitten werden. Man
erhält zwei Binärzahlen a und b, die sich jeweils mit 5 bit
darstellen lassen. Diese Bitvektoren ª und b nebeneinander
positioniert ergeben den Bitvektor c der Länge 10 bit:
(C₉, . . . C₀) (a₈, a₇, a₆, a₅, a₄, b₈, b₇, b₆, b₅, b₄),
wobei ª = (a₈, a₇ . . . a₀), b = (b₈, b₇, . . . b₀) und c = (c₉, c₈, . . . c₀)
ist.
Die CM hat hier die Mächtigkeit 32×32 und besitzt 1024
Elemente.
Claims (1)
- Verfahren zur Erstellung und Auswertung von Co-occurrence-Matrizen zwecks Bildauswertung, insbesondere zur Klassifizierung von Texturen, das die Häufigkeitsverteilung der Grauwerte bzw. Intensitäten der Bildpunkte in einer Nachbarschaftsrelation erstellt, bei welchem eine Kamera einen Bilddatenstrom zunächst einem Filter zuleitet, das die Grauwerte jeweils für einen Bildpunkt und dem oder den weiteren zu der Nachbarschaftsrelation gehörenden benachbarten Bildpunkten als Binärzahlen bzw. Binärvektoren zusammenstellt, die Grauwerte zu Grauwertpaketen zusammenfaßt und niedrigwertige Bitstellen streicht, woraufhin die resultierenden Bitvektoren an einen Histogramm-Prozessor weitergegeben werden, der die Häufigkeitsverteilung der resultierenden Bitvektoren und statistischen Kenngrößen der Häufigkeitsverteilung der resultierenden Bitvektoren berechnet.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19539160A DE19539160C1 (de) | 1995-10-20 | 1995-10-20 | Verfahren zur Erstellung und Auswertung von Co-occurrence-Matrizen mit Hilfe eines Histogrammprozessors |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19539160A DE19539160C1 (de) | 1995-10-20 | 1995-10-20 | Verfahren zur Erstellung und Auswertung von Co-occurrence-Matrizen mit Hilfe eines Histogrammprozessors |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19539160C1 true DE19539160C1 (de) | 1997-01-23 |
Family
ID=7775395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19539160A Expired - Fee Related DE19539160C1 (de) | 1995-10-20 | 1995-10-20 | Verfahren zur Erstellung und Auswertung von Co-occurrence-Matrizen mit Hilfe eines Histogrammprozessors |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19539160C1 (de) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5325301A (en) * | 1991-07-17 | 1994-06-28 | E. I. Du Pont De Nemours And Company | Method of analyzing the texture of a surface and a carpet characterized by the method |
DE4313258A1 (de) * | 1993-04-23 | 1994-10-27 | Beiersdorf Ag | Verfahren und Vorrichtung zur meßtechnischen quantitativen Bestimmung der Textur der menschlichen Hautoberfläche durch Registrierung, Wiedergabe und Analysierung von Bildinformationen |
-
1995
- 1995-10-20 DE DE19539160A patent/DE19539160C1/de not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5325301A (en) * | 1991-07-17 | 1994-06-28 | E. I. Du Pont De Nemours And Company | Method of analyzing the texture of a surface and a carpet characterized by the method |
DE4313258A1 (de) * | 1993-04-23 | 1994-10-27 | Beiersdorf Ag | Verfahren und Vorrichtung zur meßtechnischen quantitativen Bestimmung der Textur der menschlichen Hautoberfläche durch Registrierung, Wiedergabe und Analysierung von Bildinformationen |
Non-Patent Citations (1)
Title |
---|
IEEE Trans. on Systems, Man und Cybernetics, Vol. SMC-3, NO. 6, Nov. 1973, 610-621 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE2909153C2 (de) | Einrichtung zur digitalen Analyse von Bild- oder Zeichenmustern | |
DE69333846T2 (de) | Verfahren zur mischung von bildern und vorrichtung hierzu. | |
DE60034562T2 (de) | Ein System zur automatischen Bildanalyse von DNA Mikroarrays | |
DE69720399T2 (de) | Digitale Komposition eines mosaikähnlichen Bildes | |
DE68902662T2 (de) | Verarbeitungsgeraet fuer zweipegelsignale zur bilddarstellung. | |
DE69125587T2 (de) | Bildumwandlung | |
DE60000678T2 (de) | Optischer Scanner und zugehörige Software | |
DE112012004809B4 (de) | Kantenverfolgung mit Hysterese-Schwellenwertbildung | |
DE102019127282A1 (de) | System und Verfahren zum Analysieren einer dreidimensionalen Umgebung durch tiefes Lernen | |
DE3789091T2 (de) | Bildverarbeitungsverfahren und -system zur Bildrekonstruktion. | |
DE3322705A1 (de) | Verfahren und schaltungsanordnung zur videoschnellen bestimmung des medianwertes eines auswertefensters | |
DE69423607T2 (de) | Verfahren zum klassifizieren von bildern mit ausgabeabbildungen | |
DE10017551C2 (de) | Verfahren zur zyklischen, interaktiven Bildanalyse sowie Computersystem und Computerprogramm zur Ausführung des Verfahrens | |
DE69517249T2 (de) | Anordnung zur segmentierung eines diskreten datensatzes | |
DE69324977T2 (de) | Bitmap-bildsegmentierung unter anwendung eines ladungsmodells fuer pixels | |
EP1709587B1 (de) | Bildverarbeitungssystem | |
DE69421369T2 (de) | Automatische Schwellwertbestimmung für numerische Abtaster | |
DE19539160C1 (de) | Verfahren zur Erstellung und Auswertung von Co-occurrence-Matrizen mit Hilfe eines Histogrammprozessors | |
DE3854822T2 (de) | Gerät zur Bildkonturentdeckung | |
DE69415763T2 (de) | Verfahren zur Grössenreduktion eines Dokuments für eine optische Darstellung | |
DE69322216T2 (de) | Verfahren und Gerät zur graphischen Mustererzeugung | |
DE102018209898A1 (de) | Verfahren zur Bestimmung von zueinander korrespondierenden Bildpunkten, SoC zur Durchführung des Verfahrens, Kamerasystem mit dem SoC, Steuergerät und Fahrzeug | |
DE69208284T2 (de) | Verfahren und Anordnung für ein einfaches und/oder Mehrstufen-Störreduktionssystem in Bildern | |
DE69424230T2 (de) | Verfahren und Vorrichtung zum Suchen nach einem Prädiktionsblock in prädiktive Bildkompression | |
DE60030528T2 (de) | Verfahren und Vorrichtung zur Farbquantelung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8100 | Publication of the examined application without publication of unexamined application | ||
D1 | Grant (no unexamined application published) patent law 81 | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |