DE19810162C2 - Verfahren zur Bildanalyse nach stochastischen Eigenschaften - Google Patents
Verfahren zur Bildanalyse nach stochastischen EigenschaftenInfo
- Publication number
- DE19810162C2 DE19810162C2 DE19810162A DE19810162A DE19810162C2 DE 19810162 C2 DE19810162 C2 DE 19810162C2 DE 19810162 A DE19810162 A DE 19810162A DE 19810162 A DE19810162 A DE 19810162A DE 19810162 C2 DE19810162 C2 DE 19810162C2
- Authority
- DE
- Germany
- Prior art keywords
- image
- radiometric
- stochastic
- values
- images
- 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 - Lifetime
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Description
Die Erfindung betrifft ein Verfahren zur Bildanalyse nach stochastischen
Eigenschaften.
Bei der Analyse von Bildern werden meist Verfahren zur Erkennung von
Kanten oder Gebilden aus Kanten benutzt. Dabei wird die Stochastik
normalerweise als störend empfunden und mittels Media-Filter oder anderen
Glättungsverfahren unterdrückt. Ein solches Glättungsverfahren ist
beispielsweise aus dem Fachartikel "P. Soille, Partitioning of Multispectral
Images Using Mathematical Morphology, Vision & Voice Magazine, vol. 6, Nr.
4, 1992, pp 283-293" bekannt.
Für das Herausfiltern von Informationen in scheinbar stochastischen Bildern
werden Korrelationsanalysen, Analysen mit Walsh-Funktion, Histogramm- oder
Wavelet-Analysen durchgeführt. Nachteilig an diesen Verfahren ist, daß diese
Aussagen über das Bild als ganzes machen und nicht die Dynamik des Bildes
erfassen. Die Verfahren beschreiben global das Bild und unterscheiden nicht
darin, ob eine Beziehung gehäuft an einer Stelle im Bild auftritt oder über das
ganze Bild verteilt ist. Dies ist aber eine notwendige Voraussetzung zur
Beschreibung des Bildinhaltes über die Stochastik.
Des weiteren sind beispielsweise aus dem Fachartikel "M. Köppen, B Nickolay,
G. Schwarze: Anwendung neuronaler Netze für die Texturklassifikation, Vision
& Voice Magazine, vol. 6, Nr. 3, pp 201-212" neuronale Netze zur Bildanalyse
bekannt. Allerdings können neuronale Netze für die Analyse des Bildinhaltes
nur Muster lernen, die immer wieder vorkommen. Bei Mustern mit zeitlich
schnellen Änderungen und keiner festen Charakteristik versagen derartige
Verfahren, da die Lernphasen länger als die Zeit dauern, innerhalb der sich die
Muster ändern. Das gleiche Problem stellt sich bei Diskriminationsverfahren
auf der Basis von Merkmalvektoren, dargestellt in Merkmalsräumen, mit
Bestimmung von Trennebenen zwischen einzelnen Merkmalsräumen bei der
Clusteranalyse. Auch diese Methoden erfordern eine Reihe von Beispielen und
konstante Bildbeispiele, die dann erkannt werden.
Insbesondere für die Stereobildauswertung wird eine Hypothesentestung von
stochastischen Eigenschaften benutzt, was beispielsweise in dem Fachbuch
"Z. Zhang, O. Faugeras; 3D Dynamic Scence Analysis, Springer Verlag, 1992"
beschrieben ist. Hiebei müssen aber feste Verhältnisse vorliegen, die als
Hypothese a priori bekannt sind und entsprechend aufgelistet werden.
Aus dem Fachartikel "Klassifikation von Texturen mit Hilfe von Merkmalen der
Statistik zweiter Ordnung; N. Lins, Mustererkennung 1984 DAGM/ÖAGM
Symposium Graz, Oktober 1984; S. 333-335, Springer-Verlag Berlin
Heidelberg ist ein Verfahren bekannt, bei dem im Rahmen einer Untersuchung
für die automatische Kontrolle von Textilien eine Karhunen-Loeve-
Transformation für die Fehlerdetektion eingesetzt wird. Bei der
Fehlererkennung kann man sich auf die Beschreibung einer einzigen Textur
beschränken. Jeder Fehler kann als Abweichung von der regulären Struktur
interpretiert werden. Wesentlicher Vorteil der Anwendung der K-L-
Transformation ist die Reduktion der Anzahl der Korrelationen der Textur mit
den Eigenvektoren und damit der nachfolgenden Verarbeitungsschritte. Im
Rahmen der Behandlung von Mehrklassenproblemen bietet die Reduktion der
Anzahl der Eigenvektoren die Möglichkeit, den einzelnen Texturen Unterräume
im N2-dimensionalen Raum zuzuordnen. Die maximale Norm der Projektionen
in die den Klassen zugeordneten Unterräume bestimmt die
Klassenzugehörigkeit jedes einzelnen Bildpunktes. Der Grad der Überlappung
der einzelnen Unterräume beeinflußt direkt die Klassifikationsgenauigkeit der
zu unterscheidenden Texturen. Die Frage nach der optimalen
Texturunterscheidung ist damit auf das Auffinden von orthogonalen
Unterräumen verlagert. Die K-L-Transformation wählt nicht automatisch jene
Eigenvektoren, mit denen die Texturen unterschieden werden können. Durch
eine Whitening-Transformation können jedoch 2 Muster so aufeinander
abgestimmt werden, daß eine nachfolgende K-L-Transformation aufgrund der
klassenspezifischen Kovarianzmatrizen passende Unterscheidungsmerkmale
ergibt. In einer Erweiterung auf die Unterscheidung mehrerer Klassen werden
M(M-1)/2 Paare von Texturen mit Hilfe der Whitening Transformation
aufeinander abgestimmt, für welche die klassenspezifischen Eigenvektoren
ermittelt werden. Die M größten Normen der Projektionen bestimmen die
Klassenzugehörigkeit der Textursamples.
Bei allen zuvor beschriebenen Verfahren geht es immer darum, eine
Betrachtung in einem anderen Raum als dem ursprünglichen Bildraum
durchzuführen (Transformationen). Dabei gehen die lokalen Beziehungen im
einzelnen verloren und auch stochastische Besonderheiten werden damit nicht
erkannt. Außerdem gibt es stochastische Eigenschaften im Bild, die nur über
ihren Markow-Charakter beschrieben werden können.
Aus dem Fachartikel "H. Hetzheim, B. Nickolay; Automatische Erkennung von
Fehlern in Texturen mit regelmäßiger Struktur, Vision & Voice Magazine, Vol. 6
No. 1, 1992, Seiten 9-17" ist ein Verfahren zur automatischen Erkennung von
Fehlern in Texturen mit regelmäßiger Struktur bekannt, bei der zunächst von
der Textur eine zweidimensionale Abbildung erstellt wird, wobei stochastische
Störungen der Bildaufnahme, die ihre Ursache auch in Strukturschwankungen
haben können, berücksichtigt werden. Dabei wird eine Sinus-Abhängigkeit
vorausgesetzt, die auf Störungen der Periodizität reagiert, womit lediglich
Störungen in periodischen Strukturen gefunden werden können. Weiter wird
eine nichtlineare Filterung vorgeschlagen, um die stochastisch gestörten
bildlichen Darstellungen der Strukturen über stochastische
Differentialgleichungen zu beschreiben.
Aus dem Fachartikel "H. Hetzheim, Analyse versteckter stochastischer
Bildstrukturen, DLR-Nachrichten, Heft 79, 1995, Seiten 29-32" ist ein Verfahren
zur Analyse stochastischer Bildinhalte über Schätzwerte bei fuzzylogischer
Entscheidungsfindung bekannt, bei dem eine nichtlineare Filterung zur Lösung
der stochastischen Differentialgleichungen Anwendung findet. Zur Bestimmung
der Schätzwerte wird dabei auf die Martingaletechnik zurückgegriffen, wo mit
Distributionen gerechnet wird. Diese mathematischen Gebilde können
prinzipiell nicht mittels Funktionen beschrieben werden, da es sich dort um
endliche Schwankungen handelt, die nur sehr aufwendig von Hand gelöst
werden können.
Der Erfindung liegt daher das technische Problem zugrunde, ein Verfahren zu
schaffen, mittels dem eine Bildanalyse nach stochastischen Eigenschaften
auch bei sich schnell ändernden Mustern durchgeführt werden kann.
Die Lösung des technischen Problems ergibt sich aus den Merkmalen des
Patentanspruchs 1. Dabei wird die radiometrische Verteilung des zu
analysierenden Bildes mittels einer optischen Erfassungseinrichtung erfaßt,
wobei dann einzelne radiometrischen Bestandteile des Bildes werte- und/oder
bereichsweise selektiert werden, wie beispielsweise nach Besetzungen von
bestimmten Potenzen (z. B. Zweierpotenzen), nach Besetzungen von
ausgewählten Intensitätsintervallen, nach Intervallen des Gradienten von
benachbarten Punkten und nach Besetzungen von Intervallen für die Summen
aus Histogrammen von Teilbildern. Diese selektierten radiometrischen
Bestandteile werden logisch und/oder arithmetisch verknüpft, wodurch bereits
erste stochastische Informationen des Bildes erhalten werden. Parallel hierzu
werden benachbarte radiometrische Bestandteile werte- oder bereichsweise
mittels verschiedener nichtlinearer Filteralgorithmen anhand der gefilterten
Kurven entlang von Schnittgeraden durch das erfaßte Bild und Beschreibung
der so erhaltenen stochastischen Parameter einzelner Bildabschnitte durch
Wertebelegungen bezüglich der Bildpixel untersucht, so daß weitere
stochastische Informationen erhalten werden. Die unterschiedlichen
stochastischen Informationen werden anschließend zur Bildung einer Anzahl
von binären oder logisch höherwertigen Bildern verwendet. Dadurch entstehen
neue Bilder, in denen bestimmte stochastische Eigenschaften des
Originalbildes hervorgehoben und andere reduziert oder unterdrückt sind. Über
einfache operative arithmetische und/oder logische Verknüpfungen der binären
Bilder oder mittels Fuzzy-Verknüpfungen für die höherwertigen Bilder können
dann Steueraussagen gebildet werden. Eine solche Steueraussage kann
beispielsweise ein Einhalten von Anforderungen bei einer Qualitätskontrolle für
Textilien oder die Beurteilung von Gewebeteilen in der Medizintechnik sein.
Weitere vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den
Unteransprüchen.
Die Erfindung wird nachfolgend anhand eines bevorzugten
Ausführungsbeispieles näher erläutert. Die Figuren zeigen:
Fig. 1 ein Prinzipschaltbild zur Erfassung einer stochastischen
Eigenschaft eines Bildes,
Fig. 2 einen Schaltungsanordnung zur Erzeugung eines
Schätzwertes für den radiometrischen Wert des Bildes,
Fig. 3 eine Schaltungsanordnung zur Ermittlung eines
Schätzwertes von ki für die Schaltungsanordnung gemäß
Fig. 2,
Fig. 4 ein Gesamtblockschaltbild einer Vorrichtung zur
Bildanalyse nach stochastischen Eigenschaften,
Fig. 5 eine beispielhafte radiometrische Verteilung einer Zeile in
einem Bild,
Fig. 6 eine radiometrische Verteilung gemäß Fig. 5 nach einer
ersten nichtlinearen Filterung,
Fig. 7 eine radiometrische Verteilung gemäß der Fig. 5 nach
einer zweiten nichtlinearen Filterung,
Fig. 8 eine Darstellung der Stochastik mittels Differenzbildung
der Verteilungen gemäß Fig. 5 und 7 und
Fig. 9a-d Darstellungen verschiedener Stochastiken einer
Materialoberfläche.
Die Schaltungsanordnung 1 zur Erfassung einer stochastischen Eigenschaft
eines Bildes umfaßt einen Speicher 2, eine Auswertelogik 3 und eine
Verknüpfungslogik 4. Das unter stochastischen Gesichtspunkten zu
untersuchende Bild wird mittels einer nicht dargestellten CCD-Kamera
aufgenommen und die radiometrischen Werte eines jeden Bildpunktes
digitalisiert im Speicher 2 abgelegt. Mittels der Auswertelogik 3 sind einzelne
Bits (LSB bis MSB) der radiometrischen Werte, Graustufenbereiche oder
Funktionsbereiche, die aus der Anwendung nichtlinearer Funktionen auf die
radiometrischen Digitalwerte erzeugt werden, auswählbar und werden der
Verknüpfungslogik 4 zugeführt. Zu der Verknüpfungslogik 4 werden die
ausgewählten Bits oder Bereiche miteinander logisch, algebraisch oder
arithmetisch verknüpft, so daß ausgewählte stochastische Eigenschaften des
Bildes selektiert werden. Im einfachsten Fall kann dies beispielsweise die
Umsetzung des Bildes in ein Schwarz-Weiß-Bild sein. Dazu wird das
höchstwertige Bit MSB jedes Bildpunktes auf logisch 0 oder 1 überprüft. Ist das
MSB 1, so wird der Bildpunkt als schwarz, ansonsten als weiß angesehen.
Ergibt die Überprüfung, daß alle Bildpunkte als schwarz oder weiß eingestuft
würden, so wird das Verfahren mit dem nächstniedrigen Bit wiederholt, bis sich
eine entsprechende Verteilung einstellt. Die derart ermittelten Verteilungen
können dann nach anderen Kriterien erneut untersucht werden. Ebenso
können auch Rückkoppelungen vorgesehen sein, so daß die neuen
Verteilungen wieder mit den ursprünglichen Verteilungen verknüpft werden. Die
durch die verschiedenen Verknüpfungen erhaltenen Verteilungen und/oder
Ergebnisse stellen jeweils eine stochastische Eigenschaft des Bildes dar. Die
Form der Zerlegung ist bestimmt durch die Art des Bildinhaltes bzw. der
Dynamik der zeitlichen Beobachtung. Ist die Dynamik groß, dann sind die
bitweise oder logarithmische Zerlegung zu bevorzugen. Sind die örtlichen
Änderungen gering, so bieten sich Wurzelfunktionen oder schmale Bereiche
von Graustufen an.
In der Fig. 2 ist eine Schaltungsanordnung 5 zur Durchführung einer
Beurteilung der Dynamik des Bildes bzw. der Dynamik bei
aufeinanderfolgenden Bildern dargestellt. Das dabei angewendete Verfahren
ist ähnlich der Kalmanfilterung, wobei jedoch im Unterschied echt nichtlineare
Funktionen verwendet werden, die zeitliche Beziehungen auf örtliche
Beziehungen angewandt und Rückkopplungen von logischen Verknüpfungen
mit einbezogen. Hierbei geht es insbesondere um die örtlichen Veränderungen
von nahezu stochastischen Bildinhalten, deren wesentliche Merkmale weder
durch Kanten, Skelette oder geometrische Gebilde beschrieben sind. Dazu
wird der Speicher 2 in Form von Zeilen, Spalten, ausgewählten Bereichen oder
Kombinationen davon ausgelesen. Die einzelnen Auslesewerte bilden eine
Einlesefolge Yi in die Schaltungsanordnung 5. Von dieser Eingangsfolge Yi wird
ein aus einer Rückkopplung mit den vorherigen Eingangswerten gebildeter
Wert abgezogen. Dieser Differenzwert wird mit einem Faktor ki multipliziert, der
aus vorangegangenen Eingangswerten der vorangegangenen Eingangsfolgen
gebildet wird, was nachfolgend anhand der Fig. 3 noch näher erläutert wird. Die
Konstanten d, b, r und q und die nichtlineare Funktion werden
problemspezifisch angepaßt. Ändern sich die radiometrischen Werte von
Bildpunkt zu Bildpunkt nur langsam, so werden vorzugsweise schwach
nichtlineare Funktionen wie Wurzel- oder Logarithmusfunktionen gewählt. Ist
die Änderung hingegen stark, so werden auch vorzugsweise stark nichtlineare
Funktionen wie Exponential- oder Potenzfunktionen mit höheren Koeffizienten
gewählt. Über die Konstanten d, b, r und q wird die Stärke der nichtlinearen
Filterung festgelegt. Die Operation shift-1 bedeutet, daß der jeweils vorherige
Digitalwert der eingelesenen Digitalwerte benutzt wird. Der Ausgangswert Xi ist
ein Schätzwert der Eingangswerte Yi bezüglich der angenommenen Stochastik.
Die Konstanten h, d und q bestimmen, welcher Anteil im Bild als Störung bzw.
Stochastik gewählt und welcher Anteil dem eigentlichen Bildinhalt zugeordnet
wird. Allgemein kann gesagt werden, daß bei größerem d und h der Anteil der
Stochastik mehr Bedeutung hat. Die nichtlinearen Funktionen dienen zur
Anpassung an nichtlineare Veränderungen der Stochastik im Bild und werden
dem Herausheben der verschiedenen örtlichen Änderungsdynamiken im Bild
angepaßt, z. B. Exponentialfunktionen bei schnellen Änderungen und
Wurzelfunktionen bei langsameren Änderungen.
In Fig. 3 ist eine Schaltungsanordnung 6 zur Bestimmung des Steuerfaktors ki
in Form eines Schaltungsalgorithmus dargestellt. Es zeigen sich hier gewisse
Analogien zur Bestimmung der Verstärkungsfaktors bei der Kalmanfilterung.
Der Hauptunterschied besteht in der Berücksichtigung der Nichtlinearität und
der unmittelbaren Abhängigkeit von dem Schätzwert, so daß diese Größe
nicht, wie sonst üblich, vorher bestimmt werden kann. Der vorhergehende
radiometrische Schätzwert Xi-1 wird über eine nichtlineare Funktion mit der
Konstanten q mit der Konstanten d multipliziert und 1 dazu addiert. Eine
ähnliche Prozedur wird mit der radiometrischen Eingangsgröße Yi
durchgeführt, wobei hier Vorzeichen verschieden sind. Beide Ergebniswerte
werden durcheinander dividiert und mit dem vorherigen Schätzwert Pi-1
multipliziert. Diesem Ergebnis wird der Wert nach der Division multipliziert mit b
und quadriert sowie multipliziert mit der Konstanten d hinzugefügt. Aus diesem
Ergebnis werden zwei Werte gebildet, einer durch Multiplikation mit der
Konstanten h, der ander durch Multiplikation mit h2 und anschließender Addition
von r. Beide ergeben nach ihrer Division durcheinander den Verstärkungsfaktor
ki, der wieder in den Schaltungsanordnungen 5, 6 in den Fig. 3 und Fig. 2
benutzt wird. Durch Verknüpfung der von dem Ausgang nach der Multiplikation
mit dem vorhergehenden Schätzwert Pi-1 mit den Konstanten h und r sowie
dem Verstärkungsfaktor ki wird der neue Schätzwert Pi erhalten. Dieser ist
wieder Eingang in der Schaltungsanordnung 6 für die Bestimmung des
nächsten Wertes Pi+1.
In der Fig. 4 ist das Gesamtblockschaltbild der Schaltungsanordnung 1
dargestellt. Aus dem Speicher 2 werden die digitalisierten Daten mittels der
hier nicht dargestellten Auswerteeinheit 3 sowohl der logischen und
arithmetischen Verknüpfungslogik 4, als auch der Schaltungsanordnung 5
übergeben, an dessen Ausgang einer Vielzahl verschiedener Filterwerte 1 - m
anliegen. Diese werden in einer Logik 7 mit den ursprünglichen
radiometrischen Werten des Bildes verknüpft. Die Ausgangswerte fil1 bis film
der Logik 7 werden an eine Steuereinheit 8 übergeben und in dieser mit den
Ausgangsdaten log1 bis logk der Verknüpfungslogik 4 zu Steuersignalen s1 bis
s3 verknüpft. Die Anpassung aller Einheiten erfolgt nach dem Ziel des
Ergebnisses. So kann man beispielsweise die Unterscheidung von Wolken
über Eis untersuchen, die beide zwar stochastischer Natur sind, jedoch
hinsichtlich der Eigenschaften erfaßbare Unterschiede aufweisen. Eine weitere
Anwendung ist beispielsweise die Untersuchung von Farbfehlern in
Seidenstoffen oder Vlies, wobei dann die Steuergrößen beispielsweise fail oder
pass sind.
In Fig. 5 ist der originale Verlauf einer Zeile eines Bildes dargestellt. Deutlich zu
erkennen ist nur das Maximum in der Mitte. Der restliche Verlauf geht im
Rauschen unter. Nach der ersten nichtlinearen Filterung gemäß der Fig. 6 sind
auch schwache Maxima auf der rechten Seiten des absoluten Maximums zu
erahnen. Bei der nachgeschalteten nichtlinearen Filterung gemäß Fig. 7 sind
die Maxima sowohl links als auch rechts vom absoluten Maximum deutlich zu
erkennen. In der Fig. 8 ist das Rauschen, das in der Bildzeile auftritt, durch
Differenzbildung der ursprünglichen und der gefilterten Bildzeile aufgetragen.
Es ist zu sehen, daß das Rauschen unabhängig von der Signalhöhe etwa
gleich ist. Aus dem mittleren Abstand der Spitzen können die Parameter für die
Filterung abgeleitet werden. Die Steilheit des Anstieges gibt einen Hinweis für
die Nichtlinearität, die zur Filterung verwendet werden sollte. Ist der mittlere
Anstieg sehr groß, dann sind beispielsweise Exponentialfunktionen oder
Potenzfunktionen mit großen Koeffizienten zu wählen, sonst logarithmische
und Wurzelfunktionen.
In den Fig. 9a-d sind verschiedene Stochastiken ein und derselben
Materialoberfläche dargestellt, wozu die zuvor beschriebenen Nebenmaxima
digitalisiert werden. Die Erkennung von Störungen in einem Material, dessen
Oberfläche im wesentlichen durch unregelmäßige Texturen charakterisiert ist,
soll hier beispielhaft erklärt werden. Aus den Bildern werden mittels der
stochastischen Analyse parametrisierte Bilder mit den Werten 0 oder 1
erzeugt, um eine einfache algebraische Auswertung zu ermöglichen. Um die
Längsstörungen, d. h. Störungen die von oben nach unten verlaufen, in dem
Material aufzufinden, wird das Bild der Oberfläche von unten nach oben und
von oben nach unten nichtlinear gefiltert. Die Filterparameter und die
Nichtlinearitäten sind so eingestellt, daß die überlagerten regelmäßigen
Strukturen verschmiert werden und kaum noch sichtbar sind. Besonders
werden so Risse hervorgehoben, die sonst in dem Oberflächenbild nicht oder
kaum zu sehen sind, was in Fig. 9a dargestellt ist. Über eine Analyse der 0-1-
Verteilung werden die Stellen mit den Längsstörungen herausgefunden, indem
die Stellen mit einer Häufung von dunklen Punkten in Längsrichtung markiert
werden. Entsprechend kann auch eine Untersuchung in andere Richtungen
vorgenommen werden.
Die Mikrostruktur des Materials, die beispielsweise für dessen Biegefestigkeit
wichtig ist, wird über eine Anpassung der Parameter und Nichtlinearität auf die
Korngröße des Materials hervorgehoben. Es werden damit die elementaren
Zellen der Oberfläche hervorgehoben, die auch im Material die gleiche Struktur
haben. Da die Stegdicke der Zellen etwa gleich ist, kann über eine
Bestimmung der Schwärzung die Anzahl der Zellen und deren Regelmäßigkeit
bestimmt werden. Das Ergebnis ist in Fig. 9b dargestellt.
Die regelmäßig eingelagerten Verdickungen dienen zur Stabilisierung des
Materials und können über eine Subtraktion der stochastischen Strukturbilder
von den Originalbildern erhalten werden. Dabei werden alle Strukturen, die
nicht mit der regelmäßigen Struktur korrespondieren, als Störungen betrachtet
und danach Nichtlinearität und Parameter bestimmt. Die Wahl der Parameter
und Nichtlinearitäten bestimmt die Anteile, die zur regelmäßigen Struktur
gehören, was in den Fig. 9c-d dargestellt ist.
Claims (5)
1. Verfahren zur Bildanalyse nach stochastischen Eigenschaften, mittels
einer optischen Erfassungseinrichtung,
umfassend folgende Verfahrensschritte:
- a) erfassen der radiometrischen Verteilung des zu analysierenden Bildes mittels der optischen Erfassungseinrichtung,
- b) selektieren der einzelnen radiometrischen Bestandteile des Bildes werte- und/oder bereichsweise, insbesondere nach Besetzungen von bestimmten Potenzen, von ausgewählten Intensitätsintervallen, von Intervallen des Gradienten von benachbarten Punkten und von Intervallen für die Summen aus Histogrammen von Teilbildern,
- c) verknüpfen der selektierten radiometrischen Bestandteile nach logischen und/oder arithmetischen Verknüpfungsregeln,
- d) iterativer Untersuchung benachbarter radiometrischer Bestandteile werte- oder bereichsweise mittels verschiedener nichtlinearer Filteralgorithmen anhand der Form der gefilterten Kurven entlang einer Schnittgerade durch das erfaßte Bild und Beschreibung der so erhaltenen stochastischen Parameter einzelner Bildabschnitte durch Wertebelegungen bezüglich der Bildpixel,
- e) bilden einer Anzahl von binären oder logisch höherwertigen Bildern aus den Ergebnissen nach Verfahrensschritt c) und d) und
- f) charakterisieren von Merkmalen des Bildes anhand der Abbildung von verschiedenen elementaren Eigenschaften aufeinander,
- g) erzeugen von Steueraussagen über einfache operative arithmetische und/oder logische Verknüpfungen der binären Bilder oder mittels Fuzzy-Verknüpfungen für höherwertige Bilder gemäß Verfahrensschritt f).
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die
radiometrische Verteilung in digitalisierter Form aufgenommen wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die
logisch und/oder arithmetisch verknüpften Bestandteile mittels eines
einstellbaren Schwellwertes bewertet werden.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet,
daß die logische und/oder arithmetische Verknüpfung rekursiv
ausgebildet ist.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet,
daß für den interaktiven Vergleich ein Schätzwert für den
radiometrischen Bestandteil berechnet, mit dem Originalwert verglichen
und daraus ein Steuerfaktor ermittelt wird, der sukzessive aktualisiert
wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19810162A DE19810162C2 (de) | 1998-03-04 | 1998-03-04 | Verfahren zur Bildanalyse nach stochastischen Eigenschaften |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19810162A DE19810162C2 (de) | 1998-03-04 | 1998-03-04 | Verfahren zur Bildanalyse nach stochastischen Eigenschaften |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19810162A1 DE19810162A1 (de) | 1999-09-09 |
DE19810162C2 true DE19810162C2 (de) | 2001-07-26 |
Family
ID=7860281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19810162A Expired - Lifetime DE19810162C2 (de) | 1998-03-04 | 1998-03-04 | Verfahren zur Bildanalyse nach stochastischen Eigenschaften |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19810162C2 (de) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013005489B4 (de) | 2013-04-02 | 2019-06-27 | Capex Invest GmbH | Verfahren und Vorrichtung zur automatischen Fehlerstellenerkennung bei biegeschlaffen Körpern |
-
1998
- 1998-03-04 DE DE19810162A patent/DE19810162C2/de not_active Expired - Lifetime
Non-Patent Citations (5)
Title |
---|
HETZHEIM, H., NICKOLAY, B.: "Automatische Erken- nung von Fehlern in Texturen mit regelmäßiger Struktur" Vision & Voice Magazine, Vol. 6, No. 1, 1992, S. 9-17 * |
HETZHEIM, H.: "Analyse versteckter stochastischer Bildstrukturen" DLR-Nachrichten, Heft 79, 1995, S. 29-32 * |
M. Köppen, B. Nickolay, G. Schwarze "Anwendung neuronaler Netze für die Texturklassifikation" Vision & Voice Magazine, Vol. 6, Nr. 3, 1992, pp. 201-212 * |
N. LINS "Klassifikation von Texturen mit Hilfe von Merkmalen der Statistik zweiter Ordnung", Musterkennung 1984, DAGM/ÖAGM-Symposium Graz, S. 333-335, Springer-Verlag, 1984 * |
P. Soille "Partitioning of Multispectral Images Using Mathematical Morphology" Vision & Voice Magazine, Vol. 6, Nr. 4, 1992, pp. 283-293 * |
Also Published As
Publication number | Publication date |
---|---|
DE19810162A1 (de) | 1999-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE3851173T2 (de) | Verfahren und Gerät zur Erkennung von Halbtonbildmustern. | |
DE4445386C1 (de) | Verfahren und Vorrichtung zur Trennung einer Vordergrundinformation von einer Hintergrundinformation in einer Vorlage | |
DE19521346C2 (de) | Bilduntersuchungs/-Erkennungsverfahren, darin verwendetes Verfahren zur Erzeugung von Referenzdaten und Vorrichtungen dafür | |
DE69604481T2 (de) | Verfahren und gerät zum trennen des vordergrunds und hintergrunds in textenthaltenden bildern | |
DE68928895T2 (de) | Verfahren und Gerät für universelle adaptiv lernende Bildmessung und -erkennung | |
DE69322095T2 (de) | Verfahren und gerät zur identifizierung eines objekts mittels eine geordneten folge von grenz-pixel-parametern | |
DE69625891T2 (de) | Verfahren und Gerät zum Identifizieren von Fingerabdrücken | |
EP0645037B1 (de) | Verfahren zur detektion von änderungen in bewegtbildern | |
DE19634768A1 (de) | Vorrichtung und Verfahren zur Erfassung eines Gesichts in einem Videobild | |
EP1104570A1 (de) | Verfahren zum erkennen von objekten in digitalisierten abbildungen | |
CH627571A5 (de) | Vorrichtung und verfahren zur bestimmung charakteristischer einzelheiten in einem elektronisch abgetasteten bildmuster. | |
WO2005048195A2 (de) | Verfahren zur korrespondenzanalyse in bilddatensätzen | |
DE102007040070B4 (de) | Bilddichteumwandlungsverfahren, Bildverbesserungsverarbeitungseinrichtung und dafür geeignetes Programm | |
EP0474304A2 (de) | Schaltungsanordnung zum Erkennen eines menschlichen Gesichts | |
DE19928231C2 (de) | Verfahren und Vorrichtung zur Segmentierung einer Punkteverteilung | |
DE3913620C2 (de) | ||
DE4105516C2 (de) | Verfahren und Vorrichtung zur verbesserten Wiedergabe von Konturen | |
EP3655920B1 (de) | Verfahren und vorrichtung zur bewertung von bildausschnitten für eine korrespondenzbildung | |
DE19810162C2 (de) | Verfahren zur Bildanalyse nach stochastischen Eigenschaften | |
WO2000028470A2 (de) | Erzeugen eines abgerollten fingerabdruckbildes aus einer serie von einzelbildern | |
EP1525554A1 (de) | Verfahren zur signalauswertung eines elektronischen bildsensors bei der mustererkennung von bildinhalten eines pr fk rpe rs | |
DE4440671A1 (de) | Verfahren zur objektorientierten Erkennung bewegter Objekte | |
DE19536170A1 (de) | Ermittlung von Schwellwerten bei der Digitalisierung von Bildern durch eine Verteilungsanalyse der Informationen | |
DE69323613T2 (de) | Verfahren zur Bestimmung der Bewegung aus einem Videosignal und Bewegungseinschätzer | |
DE10024559B4 (de) | Verfahren zur Erkennung von Objekten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: DEUTSCHES ZENTRUM FUER LUFT-UND RAUMFAHRT E.V., 51 |
|
8364 | No opposition during term of opposition | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: DEUTSCHES ZENTRUM FUER LUFT- UND RAUMFAHRT E.V. |
|
8327 | Change in the person/name/address of the patent owner |
Owner name: DEUTSCHES ZENTRUM FUER LUFT- UND RAUMFAHRT E.V. |
|
R071 | Expiry of right |