DE69937530T2

DE69937530T2 - Verfahren zum automatischen Klassifizieren von Bildern nach Ereignissen

Info

Publication number: DE69937530T2
Application number: DE69937530T
Authority: DE
Inventors: Alexander C. Loui; Eric Serge Pavie
Original assignee: Eastman Kodak Co
Current assignee: Eastman Kodak Co
Priority date: 1998-09-30
Filing date: 1999-09-17
Publication date: 2008-09-04
Anticipated expiration: 2019-09-18
Also published as: DE69937530D1; EP0990996A2; JP4976608B2; US20030198390A1; EP0990996B1; EP0990996A3; JP2000112997A; US6606411B1; EP1510944A1

Description

Die vorliegende Erfindung betrifft allgemein den Bereich der Bildverarbeitung gemäß einem Bildverständnis, anhand dessen Bilder nach Ereignissen und Ähnlichem automatisch klassifiziert werden, und insbesondere eine derartige automatische Klassifizierung von Bildern anhand einer Uhrzeit- und Datumsanalyse und einer blockbasierten Analyse, bei der Blöcke der Bilder wahlweise miteinander verglichen werden.
Bildliche Darstellungen werden oft nach einem bestimmten Ereignis, Motiv oder Thema oder dergleichen klassifiziert, um die Bilder bequemer auffinden, betrachten und in Alben ablegen zu können. Üblicherweise wird dies bislang durch manuelles Segmentieren der Bilder oder mithilfe des nachfolgend beschriebenen automatischen Verfahrens bewerkstelligt. Das automatische Verfahren umfasst das Gruppieren nach Farbe, Form oder Struktur der Bilder zur Aufteilung der Bilder in Gruppen von ähnlichen Bildeigenschaften.
Die in der Technik bekannten und verwendeten Verfahren zur Aufteilung von Bildern sind zwar zufriedenstellend, jedoch nicht ohne Nachteil. Die manuelle Klassifizierung ist verständlicherweise zeitaufwändig; das automatische Verfahren erfolgt zwar nach Klassifizierung der Bilder anhand von Ereignissen, aber das Verfahren ist anfällig gegenüber eine fehlerhaften Klassifizierung aufgrund inhärenter Ungenauigkeiten, die mit der Klassifizierung nach Farbe, Form oder Struktur verbunden sind.
US-A-5 576 759 beschreibt ein Verfahren zum automatischen Klassifizieren von Bildern nach Ereignissen, mit den folgenden Schritten: Empfangen einer Vielzahl von Bildern mit Datum und/oder Uhrzeit der Bildaufnahme und Unterteilen der Bilder in Ereignisse mit derselben Zeitinformation.
Es besteht daher Bedarf zur Lösung der oben beschriebenen Nachteile.
Die vorliegende Erfindung löst eines oder mehrere der vorstehend genannten Probleme. Nach einem Aspekt der vorliegenden Erfindung ist die Erfindung ein Verfahren zum automatischen Klassifizieren von Bildern nach Ereignissen mit folgendem Schritt: Empfangen einer Vielzahl von Bildern mit Datum und/oder Uhrzeit der Bildaufnahme, weiterhin gekennzeichnet durch die Schritte: Ordnen der Bilder in chronologischer Reihenfolge; Berechnen von Zeitunterschieden zwischen aufeinanderfolgenden Bildern; Berechnen eines Histogramms der Zeitunterschiede zwischen aufeinanderfolgenden Bildern; Skalieren des Histogramms unter Verwendung einer Skalierfunktion für den Zeitunterschied zum Bereitstellen eines skalierten Histogramms; Ausführen einer Zweifach-Mittelwert-Gruppierung (2-Means-Clustering) auf dem skalierten Histogramm zum Segmentieren des skalierten Histogramms in einen Abschnitt mit mindestens einem großen Zeitunterschied und in einen Abschnitt mit mindestens einem kleinen Zeitunterschied; und Aufteilen der Vielzahl von Bildern in Ereignisse, die mindestens einen Grenzbereich zwischen sich haben, wobei mindestens ein Grenzbereich dem mindestens einen großen Zeitunterschied entspricht.
Diese und weitere Aspekte, Aufgaben, Merkmale und Vorteile der vorliegenden Erfindung werden unter Berücksichtigung der folgenden detaillierten Beschreibung der bevorzugten Ausführungsbeispiele und anhängenden Ansprüche sowie durch Bezug auf die anliegenden Zeichnungen besser verständlich und verdeutlicht.
Im Folgenden werden Verfahren zur automatischen Klassifizierung von Bildern nach zeitlichen Informationen und anhand ihres Inhalts beschrieben. Diese Verfahren sind gemeinsam oder getrennt verwendbar. Die Ansprüche umfassen die automatische Klassifizierung von Bildern nach zeitlichen Informationen.
Die vorliegende Erfindung hat den Vorteil der verbesserten Klassifizierung von Bildern durch Verwendung zeitlicher Informationen.
Die Erfindung wird im folgenden anhand in der Zeichnung dargestellter Ausführungsbeispiele näher erläutert.
Es zeigen:
1 ein Blockdiagramm zur Darstellung einer Übersicht der die Erfindung nutzenden Clustering-Techniken;
2 ein Blockdiagramm zur Darstellung einer erfindungsgemäßen Clustering-Technik nach Datum und Uhrzeit;
3 eine Kurve zur Darstellung einer Skalierfunktion zur Zuordnung der Ergebnisse des 2-Means-Clustering;
4 eine Kurve zur Darstellung eines typischen Ergebnisses der Skalierfunktion aus 3;
5 ein Diagramm zur Darstellung eines Blockdiagramms einer Ereignis-Grenzbereichssuche nach dem Clustering anhand von Datum und Uhrzeit;
6 ein Diagramm zur Darstellung der Gruppierung von Bildern innerhalb jedes Ereignisses, gestützt auf Inhalte anhand einer inhaltgestützten Clustering-Technik;
7 ein Blockdiagramm eines Schritts zur erfindungsgemäßen Zusammenführung von Gruppen:
8 ein Blockdiagramm der Bildneuanordnung innerhalb jeder Gruppe;
9 ein Ablaufdiagramm der blockbasierten Histogramm-Korrelationstechnik einer inhaltsgestützten Clustering-Technik;
10 ein Diagramm zur Darstellung des Vergleichs zwischen einer Blockhistogramm- und einer inhaltsgestützten Clustering-Technik;
11 ein Diagramm eines Beispiels der Zuordnung der besten Schnittmengen für die Drei-Segment-Analyse einer inhaltsgestützten Clustering-Technik; und
12 eine Darstellung der Verschiebungserkennung innerhalb der blockbasierten Histogramm-Korrelation einer inhaltsgestützten Clustering-Technik.
Im folgenden wird die vorliegende Erfindung in dem bevorzugten Ausführungsbeispiel als ein Softwareprogramm beschrieben. Fachleuten ist selbstverständlich klar, dass sich ein Äquivalent einer derartigen Software auch in Form von Hardware konstruieren lässt.
Im vorliegenden Zusammenhang kann ein computerlesbares Speichermedium beispielsweise ein magnetisches Speichermedium, wie eine Magnetplatte (z. B. Diskette) oder ein Magnetband umfassen, ein optisches Speichermedium, wie eine optische Platte, ein optisches Band oder einen maschinenlesbaren Code, Halbleiterspeichervorrichtungen, wie RAM (Random Access Memory) oder ROM (Read Only Memory), oder jede andere physische Vorrichtung oder jedes andere Medium, das zur Speicherung eines Computerprogramms geeignet ist.
Die Benennung „Ereignis" ist hier als ein bedeutendes Vorkommen definiert, wie es nach der thematischen Absicht des Benutzers der Bildaufnahmevorrichtung wahrgenommen wird.
Vor Beschreibung der vorliegenden Erfindung sei darauf hingewiesen, dass die vorliegende Erfindung vorzugsweise als ein bekanntes Computersystem verwendbar ist, wie beispielsweise als PC (Personal Computer). Daher wird hier nicht das Computersystem detailliert besprochen. Es sei zudem darauf hingewiesen, dass die Bilder entweder direkt in das Computersystem eingegeben werden können (beispielsweise mit einer Digitalkamera), oder dass sie vor der Eingabe in das Computersystem digitalisiert werden können (beispielsweise durch Scannen).
1 zeigt anhand eines Ablaufdiagramms eine Übersicht der vorliegenden Erfindung. Digitalisierte Bilder werden in ein Computersystem eingegeben, wo ein erfindungsgemäßes Softwareprogramm diese nach verschiedenen Kategorien klassifiziert. Die Bilder werden in chronologischer Reihenfolge eingestuft S10, indem Uhrzeit und Datum der Aufnahme jedes Bildes analysiert werden. Uhrzeit und Datum der Aufnahme jedes Bildes können extrahiert werden, beispielsweise aus den codierten Angaben auf dem Filmstreifen von Bildern des Advanced Photo Systems (APS) oder anhand von Informationen aus bestimmten Digitalkameras. Die Darstellungen der Bilder werden dann S20 mithilfe einer nachstehend beschriebenen Clustering-Analyse nach Datum- und Uhrzeit in ein Ereignis aus einer Vielzahl verschiedener Ereignisse angeordnet. Innerhalb jedes Ereignisses werden die Inhalte der Bilder analysiert S20, um zu ermitteln, ob Bilder, die einem benachbarten Ereignis zeitlich am nächsten liegen, in dem Ereignis bewahrt werden sollen, wie anhand der Clustering-Analyse definiert, oder ob benachbarte Ereignisse zusammengeführt werden sollen. Nachdem die Bilder nach Ereignissen definiert worden sind, wird eine weitere Unterklassifizierung (Gruppierung) innerhalb jedes Ereignisses vorgenommen. Dann werden die Bilder innerhalb jedes Ereignisses nach dem Inhalt analysiert S30, um Bilder gleichen Inhalts gruppieren zu können, worauf Datum und Uhrzeit zur weiteren Verfeinerung der Gruppierung analysiert werden S30.
Die Ereignissegmentierung S20 anhand Datum und Uhrzeit erfolgt nach einer k-Means-Clustering-Technik, wie nachstehend detaillierter beschrieben wird, womit die Bilder in Ereignisse oder Segmente gruppiert werden. Darm wird auf die Segmente eine Grenzbereichssuche angewandt S20, um zu verifizieren, ob die Grenzbereichsbilder tatsächlich in das Segment eingruppiert werden sollen, das durch das Clustering identifiziert worden ist, wie nachstehend beschrieben wird.
Diese Bildergruppen werden dann zur Inhaltsanalyse an einen blockbasierten Histogrammkorrelator gesendet S30. Für jedes an den Korrelator gesendete Ereignis oder Segment wird eine inhaltliche oder thematische Gruppierung S30 durchgeführt, um die Bilder nach Thema oder Motiv innerhalb des jeweiligen Ereignissegments weiter unterzuklassifizieren. Innerhalb eines Ereignisses können mehrere unterschiedliche Themen auftreten, wobei diese thematischen Gruppierungen die jeweiligen Themen definieren. Die thematische Gruppierung beruht vorwiegend auf dem Bildinhalt und wird durch eine blockbasierte Korrelationstechnik durchgeführt. Diese Korrelation vergleicht Abschnitte der beiden Bilder miteinander, wie nachstehend detaillierter beschrieben wird. Das Ergebnis des Ordnens ist die Klassifizierung von Bildern jedes Segments in unterschiedliche thematische Gruppierungen. Datum und Uhrzeit aller Bilder innerhalb jeder thematischen Gruppierung werden dann miteinander verglichen, um zu prüfen, ob zwei oder mehr Motivgruppierungen zu einer einzelnen Motivgruppierung zusammengeführt werden können S30.
Eine Analyse zur Verfeinerung und thematischen Neuanordnung S40 bewirkt eine weitere Verbesserung der gesamten Klassifizierung und der Motivgruppierung durch die Neuanordnung bestimmter Bilder innerhalb einer Motivgruppe.
2 zeigt ein auseinandergezogenes Blockdiagramm zur Darstellung der Datums- und Uhrzeit-Clustering-Technik S20. Zunächst wird das Zeitintervall zwischen benachbarten Bildern (Zeitunterschied) berechnet S20a. Dann wird ein Histogramm der Zeitunterschiede berechnet S20b, wozu ein Beispiel in Block 10 dargestellt ist. Auf der Abszisse des Histogramms ist vorzugsweise die Zeit in Minuten abgetragen, auf der Ordinate des Histogramms ist die Zahl der Bilder mit dem angegebenen Zeitunterschied abgetragen. Das Histogramm wird dann anhand einer Zeitunterschied-Skalierfunktion, wie in 3 gezeigt, einem skalierten Histogramm zugeordnet S20c. Bei Bildern, die einen kleinen Zeitunterschied aufweisen, bleibt der Zeitunterschied im Wesentlichen erhalten, während bei Bildern mit großem Zeitunterschied der Zeitunterschied komprimiert wird.
Anschließend wird das zugeordnete Zeitunterschied-Histogramm einem 2-Means-Clustering unterzogen, um das zugeordnete Histogramm 10 anhand des Zeitunterschieds in zwei Cluster zu teilen; die Strichlinien stehen für den Trennungspunkt der beiden Cluster. Eine detaillierte Beschreibung des 2-Means-Clustering kann der Veröffentlichung „Introduction to Statistical Pattern Recognition", 2. Auflage, erschienen bei Keinosuke Fukunaga, 1990, entnommen werden, weshalb hier auf eine weitere Beschreibung des 2-Means-Clustering verzichtet wird. Es wird Bezug genommen auf 4, in der das Ergebnis des 2-Means-Clustering als Segmentierung des Histogramms in zwei Abschnitte 10a und 10b gezeigt wird. Normalerweise sind Ereignisse durch große Zeitunterschiede getrennt. Beim 2-Means-Clustering muss daher festgelegt werden, wo diese großen Zeitunterschiede tatsächlich vorhanden sind. Diesbezüglich definiert der rechte Abschnitt 10b des 2-Means-Clustering die großen Zeitunterschiede, die den Ereignisgrenzbereichen entsprechen.
5 zeigt ein Beispiel der Grenzbereichssuche zwischen Ereignissen. Für zwei aufeinanderfolgende Ereignisse i und j wird eine Vielzahl von blockbasierten Histogrammvergleichen vorgenommen, um zu prüfen, ob sich die Bilder an dem Rand eines Ereignisses von den Bildern an dem Rand des anderen Ereignisses unterscheiden. Wenn der Vergleich ergibt, dass die Inhalte ähnlich sind, werden die beiden Segmente zu einem Segment zusammengeführt. Ansonsten werden die Bilder nicht zusammengeführt. Vorzugsweise werden die Vergleiche an den drei Bildrändern an jedem Ereignis durchgeführt (i3, i4, i5 mit j1, j2, j3), wie in der Abbildung gezeigt. Beispielsweise wird Bild i5 mit Bild j1 usw. verglichen. Diese blockbasierte Histogrammvergleichstechnik wird nachfolgend detaillierter erläutert.
6 zeigt eine Übersicht zur thematischen Gruppierung (inhaltlichen Gruppierung) für jedes segmentierte Ereignis. Innerhalb jedes segmentierten Ereignisses i werden benachbarte Bilder miteinander (wie anhand der Pfeile dargestellt) anhand der nachfolgend beschriebenen blockbasierten Histogrammtechnik verglichen. Beispielsweise kann die blockbasierte Histogrammtechnik fünf thematische Gruppierungen aus dem einen Ereignis i erzeugen (beispielsweise Gruppen 1–5), wie in der Zeichnung dargestellt. Die Anordnung der thematischen Gruppierung wird für den zukünftigen Rückgriff während des Schritts zur thematischen Anordnung s40 gespeichert. Insbesondere wird die thematische Gruppierung mit einem einzelnen Bild gespeichert (beispielsweise Gruppen 2, 3 und 5).
Es wird Bezug genommen auf 7, in der die Gruppen nach inhaltlicher Gruppierung einer Einordnung nach Uhrzeit und Datum unterzogen werden, um Gruppen anhand einer Uhrzeit- und Datumsanalyse zusammenzuführen. Ein Histogramm des Zeitunterschieds zwischen benachbarten Bildern in dem Ereignis wird ähnlich wie in 4 berechnet. Eine vorbestimmte Anzahl der größten Zeitunterschiede (z. B. Grenzbereich a₁₂) wird mit den Grenzbereichen (z. B. Grenzbereiche b₁₂, b₂₃, b₃₄, b₄₅) der durch die blockbasierte Analyse ermittelten thematischen Gruppierung verglichen. Die vorbestimmte Anzahl der größten Zeitunterschiede wird ermittelt, indem die Gesamtzahl der Bilder innerhalb eines Ereignisses durch die mittlere Zahl der Bilder je Gruppe (in der vorliegenden Erfindung vier) geteilt wird. Wenn der Grenzbereich der thematischen Gruppierung mit dem Grenzbereich übereinstimmt, der sich auf die gewählten Zeitunterschiede bezieht, werden die thematischen Gruppierungen nicht zusammengeführt. Wenn zwischen den beiden Grenzbereichen keine Übereinstimmung besteht, werden die thematischen Gruppierungen, die einen Grenzbereich mit nicht übereinstimmenden Zeitunterschieden in dem Histogramm aufweisen, zu einer einzelnen thematischen Gruppierung zusammengeführt (z. B. werden die Gruppen b₁, b_b, b₃ zur resultierenden Gruppe c₁ zusammengeführt).
Es wird Bezug genommen auf 8, in der ein Diagramm der Bildneuanordnung innerhalb jeder Gruppe gezeigt wird. Die Anordnung der ersten thematischen Gruppierungen wird zur Identifizierung von thematischen Gruppierungen herangezogen, die einzelne Bilder enthalten (z. B. die Gruppen mit einem einzelnen Bild aus 6, also Gruppen 2, 3 und 5, die in 8 als Gruppen 2, 3 und 5 neu dargestellt sind). Alle einzelnen Bilder aus derselben thematischen Gruppierung, die zusammengeführt werden, wie anhand der zusammengeführten thematischen Gruppierung identifiziert (z. B. Gruppen c₁ und c₂ aus 7) werden mit allen anderen Bildern in der zusammengeführten thematischen Gruppierung verglichen, wie durch die Pfeile dargestellt. Dieser Vergleich beruht auf der blockbasierten Histogrammanalyse. Wenn die Vergleiche ähnlich sind, werden diese Bilder neu angeordnet, so dass die ähnlichen Bilder nebeneinander angeordnet werden, beispielsweise Gruppen d₁ und d₂.
Eine weitere Verfeinerung erfolgt durch Vergleichen jeder Gruppe, die nach dem zuvor beschriebenen Verfahren noch ein einzelnes Bild enthält, mit allen Bildern in dem Ereignis. Dies dient der Prüfung, ob diese einzelnen Bildgruppen innerhalb der Ereignisgruppierung besser angeordnet werden können. Dieser Vergleich ist ähnlich dem Schritt zur thematischen Neuanordnung aus 8.
Es wird Bezug genommen auf 9, in der ein Ablaufdiagramm der in den vorstehenden Analysen verwendeten blockbasierten Histogrammkorrelation dargestellt wird. Zunächst wird ein Histogramm des gesamten Bildes beider Bilder berechnet S50, also ein globales Histogramm. Anhand folgender Gleichung werden beide Histogramme nach ihrem Histogramm-Schnittmengenwert verglichen S60:
wobei R für das Histogramm des Referenzbildes, C für das Histogramm des Kandidatenbildes und n für die Zahl der Bins in dem Histogramm steht. Wenn die Schnittmenge unter einen Schwellenwert S65 fällt, vorzugsweise unter 0,34, wobei aber auch andere Schwellenwerte verwendbar sind, sind die Bilder unterschiedlich. Wenn der Schwellenwert erreicht oder überschritten wird S65, wird eine blockbasierte Histogrammkorrelation durchgeführt S70. Jedes Bild wird diesbezüglich in Blöcke einer gegebenen Größe unterteilt, die in der vorliegenden Erfindung vorzugsweise 32×32 Pixel beträgt. Es sei darauf hingewiesen, dass Fachleute die Blockgröße je nach Auflösung des Bildes variieren können, ohne vom Schutzbereich der Erfindung abzuweichen. Für jeden Block wird ein Farbhistogramm berechnet. Wenn ein Bild als Referenzbild und das andere Bild als Kandidatenbild betrachtet wird, werden die Bilder, wie in 10 gezeigt, auf folgende Weise verglichen. Jeder Block 20 des Referenzbildes wird mit dem entsprechenden Block 30 des Kandidatenbildes und mit den benachbarten Blöcken 40, in der vorliegenden Erfindung also 8 Blöcke, verglichen.
Wie in 9 gezeigt, werden die Blockhistogramme zwischen dem Referenzbild und dem Kandidatenbild mithilfe der zuvor definierten Gleichung zur Histogrammschnittmenge verglichen S80. Der mittlere Schnittmengenwert wird durch Berechnung des Mittelwerts der besten Schnittmengen aus jedem Blockvergleich abgeleitet S90. Dieser mittlere Schnittmengenwert wird mit einem unteren Schwellenwert (vorzugsweise 0,355) und einem oberen Schwellenwert (vorzugsweise 0,557) verglichen. Wenn der mittlere Schnittmengenwert unter dem unteren Schwellenwert liegt S95, werden die beiden Bilder als unterschiedlich betrachtet. Wenn der mittlere Schnittmengenwert über dem oberen Schwellenwert liegt S96, werden die beiden Bilder als ähnlich betrachtet. Wenn der mittlere Schnittmengenwert zwischen diesen beiden Schwellenwerten liegt, wird eine weitere Analyse durchgeführt, wie nachstehend beschrieben (3-Segment-Mittelwert-Schnittmengenzuordnung S100).
Wie in 9 und 11 gezeigt, wird eine 3-Segment-Analyse durchgeführt, um zu ermitteln, ob die beiden Bilder ein ähnliches Thema enthalten. Hierzu wird zunächst eine Zuordnung 60 gebildet, die den Mittelwert der beiden höchsten Schnittmengenwerte aus jedem Blockvergleich enthält; beispielsweise wurden 9 Vergleiche in der Darstellung von 10 durchgeführt, so dass der Mittelwert der beiden höchsten für die Zuordnung 60 herangezogen wird. 11 zeigt beispielsweise einen 9 × 6 Block, obwohl darauf hingewiesen sei, dass die Zuordnungsgröße von der Größe des Bildes abhängt. Diese Zuordnung ist in drei Teile unterteilt: den linken Abschnitt 70a, den mittleren Abschnitt 70b und den rechten Abschnitt 70c. Wenn der mittlere Schnittmengenwert des mittleren Abschnitts 70b höher als der Schwellenwert (vorzugsweise 0,38) ist S105, enthalten die beiden Bilder ggf. ein sehr ähnliches Thema in dem mittleren Abschnitt 70b des Bildes, und die beiden Bilder können hinsichtlich des Themas als ähnlich betrachtet werden. Der Vergleich der Histogramme wird zudem mit einer Umkehrung der Referenz- und Kandidatenbilder durchgeführt. Falls die beiden Bilder ähnlich sind, sollten beide Verfahren eine im Wesentlichen ähnliche Korrelation ergeben; falls sie unterschiedlich sind, sind die Ergebnisse nicht ähnlich. Die Bilder werden dann geprüft S110, um zu ermitteln, ob in einer der Richtungen rechts, links, oben und unten ein hoher Schnittmengenwert vorliegt.
Wie in 9 und 12 gezeigt, wird die Verschiebungserkennung verwendet, um den Fall zu ermitteln, dass die beiden Bilder 90 und 100 (in der Zeichnung von unterschiedlicher Größe) sehr ähnliche Themen aufweisen, die in unterschiedlichen Stellen des Bildes erscheinen. Beispielsweise kann das Hauptthema in dem einen Bild in der Mitte und in dem anderen Bild auf der linken Seite angeordnet sein. Eine derartige Verschiebung lässt sich ermitteln, indem man die Werte der besten Schnittmenge der Referenzblöcke aufzeichnet, ebenso wie die Koordinaten der entsprechenden Kandidatenblöcke. Hierzu werden die Schnittmengenwerte der Blöcke in vier Richtungen verglichen (rechts, links, oben und unten). Das gesamte Bild wird um einen Block (wie anhand der Pfeile dargestellt) in eine der Richtungen (in der Zeichnung rechts) verschoben, wo der Wert der besten Schnittmenge am größten ist. Die vorausgehende Analyse und Verschiebung können zur Prüfung auf Ähnlichkeit wiederholt werden S120.
Die vorliegende Erfindung wurde mit Bezug auf ein bestimmtes Ausführungsbeispiel beschrieben. Es sei jedoch darauf hingewiesen, dass Variationen und Modifikationen von Fachleuten vorgenommen werden können, ohne vom Schutzbereich der Erfindung abzuweichen.

Claims

Verfahren zum automatischen Klassifizieren von Bildern nach Ereignissen, mit dem folgenden Schritt: Empfangen einer Vielzahl von Bildern mit Datum und/oder Uhrzeit der Bildaufnahme, weiterhin gekennzeichnet durch die Schritte: Ordnen der Bilder in chronologischer Reihenfolge; Berechnen von Zeitunterschieden zwischen aufeinanderfolgenden Bildern; Berechnen eines Histogramms der Zeitunterschiede zwischen aufeinanderfolgenden Bildern; Skalieren des Histogramms unter Verwendung einer Skalierfunktion für den Zeitunterschied zum Bereitstellen eines skalierten Histogramms; Ausführen einer Zweifach-Mittelwert-Gruppierung (2-Means-Clustering) auf dem skalierten Histogramm zum Segmentieren des skalierten Histogramms in einen Abschnitt mit mindestens einem großen Zeitunterschied und in einen Abschnitt mit mindestens einem kleinen Zeitunterschied; und Aufteilen der Vielzahl von Bildern in Ereignisse, die mindestens einen Grenzbereich zwischen sich haben, wobei mindestens ein Grenzbereich dem mindestens einen großen Zeitunterschied entspricht.
Verfahren nach Anspruch 1, worin der Schritt des Aufteilens die Suche nach dem mindestens einen Grenzbereich umfasst, wenn sich die Bildinhalte am Grenzbereich des einen Ereignisses von den Bildinhalten am Grenzbereich des sich anschließenden Ereignisses unterscheiden, indem die Bildinhalte verglichen und aufeinanderfolgende Ereignisse zusammengeführt werden, wenn die Bildinhalte, die sich an einen Grenzbereich anschließen, ähnlich sind.
Verfahren nach Anspruch 2, worin der Schritt des Vergleichens von Bildinhalten den Schritt des Anwendens einer blockbasierten Histogramm-Korrelationstechnik umfasst.
Verfahren nach Anspruch 3, mit dem Schritt des themenweisen Unterklassifizierens der Bilder eines jeden Ereignisses in unterschiedliche Themengruppierungen unter Anwendung einer Bildinhaltsanalyse.
Verfahren nach Anspruch 4, worin die Bildinhaltsanalyse den Schritt des Anwendens einer blockbasierten Histogramm-Korrelationstechnik umfasst.