SE535070C2 - Förfarande för att automatiskt klassificera en två-eller högredimensionell bild - Google Patents

Abstract

Förfarande för att klassificera en två- eller högredimensionell bild,där varje pixel är associerat med M egenskapsmått.Uppfinningen utmärks av att förfarandet innefattar attidentifiera för det första en viss förutbestämd, variabel geometrisk struktur, vars utsträckning i åtminstone två av deN' dimensionerna. i datamängden. bestäms i relation till ettenskilt element i datamängden och av åtminstone en variabelparameter, och för det andra åtminstone ett geometriskt måttassocierat med nämnda variabla geometriska struktur, vilket geometriska mått bringas att vara anordnat att mäta en geometrisk egenskap hos en specifik geometrisk struktur i förhållande till andra specifika sådana geometriskastrukturer, och av att en huvudklassificering utförs avdatamängden, vilken huvudklassificering baseras på ett jämförelsemått mellan två elements respektive uppsättningar associerade geometriska mått som beräknats utifrån en respektive maximal geometrisk struktur för varje element. Ansökningstext ändrad besk: o sammandrag förel 20] l-04-06,doc 20! 1-07-20 l00l72SE

Description

30 535 D70 identifiering av vägar, satellitbilder; bebyggelse, skog, åkermark etc. från urskiljande av ansikten i. ett fotografi på människor; särskiljande av olika vävnadstyper i en tredimensionell MR-bild av en person; och identifiering av materialavvikelser utifrån ett fotografi detalj. av en tillverkad Ofta är det av tidsskäl önskvärt att åstadkomma en automatisk tolkning av en bild. Ett sätt att utföra en sådan tolkning utgår från en digital bild i två eller fler dimensioner, uppbyggd av ett associeras bland antal individuella pixlar. Varje pixel vald att sedan med en viss respektive pixelklass, ett antal sådana klasser, vars syfte är representera en viss typ av pixel. När alla pixlar har associerats med en respektive klass kan varje klass inventeras för att pà detta sätt få en samlad bild över var i bilden pixlar av en viss förekommer. Ett sådant typ förfarande benämns häri "klassificering". En viss klass kan sålunda till exempel representera ”väg”, ”muskelvävnad” eller "materialdefekt".

Typiskt används klassificeringstekniker för att lokalisera objekt och gränser, bild. såsom linjer, kurvor, fält etc., i en Flera försök har gjorts för att åstadkomma ett förfarande för att automatiskt kunna utföra användbara klassificeringar av bilder där kunskapen om bildinnehållet är begränsad före klassificeringen.

Det har exempelvis föreslagits ett förfarande där ett rörligt ”fönster” bringas att röra sig över bilden och på så sätt försöka karaktärisera en i fönstrets mitt belägen pixel till en viss klasstillhörighet genom att med hjälp av statistiska 10 15 20 25 30 535 070 3 metoder studera ndttpixelns omgivande pixlar (kernelbaserad segmentering). För vissa typer av bilder kan ett sådant förfarande vara effektivt, men klassificeringen blir ofta mycket splittrad med klasser som innefattar pixlar från många olika delar av bilden. Detta medför att det blir svårt att uttyda användbar information ur klassificeringen utan stort manuellt arbete.

Det har även föreslagits en automatisk klassificering av en bild som tar samtidig hänsyn till samtliga pixlar i ett iterativt förfarande (fönsteroberoende klassificering). Ett exempel på en algoritm som kan användas i ett sådant förfarande är en klusteranalys av K-meanstyp. Även sådana förfaranden resulterar ofta i splittrade klassificeringar när de används för att klassificera digitalt lagrade bilder.

I artikeln ”Automated Segmentation of MR Images of Brain Tumors”, Kaus, Michael R., gt al., Radiology 2001; 2l8:586- 591, beskrivs en iterativ klassificering av en tredimensionell MR-avbildning av en mänsklig skalle.

Klassificeringen utförs iterativt, med hjälp av bland annat lokala segmenteringsstrategier och en avstàndstransform som beräknar avståndet mellan en viss voxel (en tredimensionell pixel) och en viss klass, samt pà basis av information beträffande gråskaleintensitet hos de i avbildningen ingående voxlarna.

Ett sådant förfarande utgörs till stor del av moment som måste utföras manuellt för att uppnå tillräcklig tillförlitlighet i det färdigklassificerade resultatet.

Dessutom krävs en förhållandevis stor kunskap om objektet innan klassificeringen påbörjas, exempelvis en jämförelsebild som illustrerar ett ”normalfall” eller motsvarande. 10 15 20 25 30 535 070 Den svenska patentansökan med nummer 0950140-4 beskriver ett förfarande enligt vilket pixlarna i en bild först genomgår en första klassificering, varefter det minsta geometriska avståndet mellan varje pixel och en pixel som tillhör en viss klass beräknas. En andra klassificering utförs därefter på basis av dessa beräknade minsta avstånd.

Föreliggande uppfinning löser de ovan beskrivna problemen.

Således hänför sig uppfinningen till ett förfarande för att klassificera en två- eller högredimensionell bild, där en N- dimensionell datamängd bilden innefattande element bringas att representera genom att åtminstone två av de N dimensionerna utgör respektive axlar i bilden, så att en viss pixel i bilden motsvaras av ett visst element i datamängden, och genonx att varje element är associerat med. M numeriska värden som vart och ett representerar ett mått på en egenskap för elementet ifråga, varav åtminstone en egenskap representerar bildinformation i en respektive samplad kanal, kännetecknat av att förfarandet innefattar att identifiera för det första en viss förutbestämd, variabel geometrisk struktur, vars utsträckning i åtminstone två av de N till enskilt element i datamängden och av åtminstone en variabel dimensionerna i datamängden bestäms i relation ett parameter, och för det andra åtminstone ett geometriskt mått associerat med nämnda variabla geometriska struktur, vilket geometriska mått bringas att vara anordnat att mäta en geometrisk egenskap hos en förhållande till specifik geometrisk struktur i andra specifika sådana geometriska strukturer, och av att förfarandet dessutom innefattar stegen att en dator eller flera sammankopplade datorer a) bringas att på ett digitalt lagringsmedium lagra datamängden; b) för åtminstone varje element som motsvarar en pixel i bilden, och för åtminstone en av de M elementegenskaperna, för det första 15 20 25 30 535 G70 bringas att bestämma en specifik geometrisk struktur som kan erhållas i relation till elementet ifråga och genom val av parametervärde eller parametervärden, för vilken specifika geometriska struktur åtminstone ett av nämnda geometriska mått är maximalt samtidigt som den geometriskt begränsas av enskilda element eller grupper av element vars ifrågavarande elementegenskap uppfyller ett visst förutbestämt kriterium, och för det andra bringas att beräkna åtminstone ett av nämnda geometriska mått för nämnda specifika geometriska struktur; c) i en databas bringas att lagra en association mellan varje element och det för elementet åtminstone ett beräknade geometriska måttet för varje egenskap för vilket en specifik geometrisk struktur beräknats i steget b); d) bringas att utföra en huvudklassificering av datamängden, vilken huvudklassificering bringas att baseras pà ett jämförelsemått mellan tvà elements respektive uppsättningar associerade geometriska mått, varvid. varje element bringas att associeras med en viss klass i en huvuduppsättning klasser; och e) på ett digitalt lagringsmedium bringas att lagra den i steget d) klassificerade bilden i form av en uppsättning pixlar med samma dimensioner som bilden, där varje pixel är associerad med den klass i huvuduppsättningen klasser med vilken det element som motsvarar pixeln i bilden associerats i steget d); och av att nämnda variabla geometriska struktur, mått och kriterium inte väljs så att det i steget b) beräknade måttet enbart utgör ett mått pá det minsta avståndet mellan det ifrågavarande elementet och det närmaste elementet som är associerat med ifrågavarande elementegenskap.

Uppfinningen kommer nu att beskrivas i detalj, med hänvisning till exemplifierande utföringsformer av uppfinningen och de bifogade ritningarna, där: 10 15 20 25 30 535 ÜFÜ Figur 1 är en första bild i form av en fotografisk, digital satellitbild i gråskala över ett delvis bebyggt område; Figur 2 visar en konventionell, kernelbaserad segmentering i fem klasser för den satellitbild som illustreras i figur 1; Figur 3 visar en konventionell, fönsteroberoende klassificering i tjugonio klasser för den satellitbild som illustreras i figur 1; Figurerna 4a, 4b, 4c, 4d, 4e och 4f är principskisser som illustrerar bestämningen av en specifik geometrisk struktur enligt olika föredragna utföringsformer; Figur 5 är en grafisk illustration över fördelningen av den respektive ytarean för en geometrisk struktur sonx bestämts enligt figur 4b för varje pixel i den bild som visas i figur 1 och för en viss specifik av de klasser som illustreras i figur 3; Figurerna 6a och 6b visar en huvudklassificering enligt uppfinningen i två klasser för den satellitbild som illustreras i figur 1; Figur 7 är en andra bild, i form av en monokrom bild innefattande två områden med olika texturer; Figur 8 visar en konventionell K-meanssegmentering i fem klasser för den bild som illustreras i figur 7; Figur 9 visar en konventionell K-meanssegmentering i tio klasser för den bild som illustreras i figur 7; Figur 10 är en grafisk skalad illustration över fördelningen av logaritmiskt respektive ytarea för en geometrisk struktur som bestämts enligt figur 4b för varje pixel i den bild som visas i figur 7 och för en viss specifik av de klasser som illustreras i figur 9; Figur ll visar en första huvudklassificering enligt uppfinningen i fem klasser för den satellitbild som illustreras i figur 7; Figur 12 är en grafisk illustration över fördelningen av den respektive ytarean för en geometrisk struktur som bestämts pà 10 20 25 30 535 070 ett sätt som liknar det enligt figur 4b för varje pixel i den bild som visas i figur 7 och för en viss specifik av de klasser som illustreras i figur 9; Figur 13 visar en andra huvudklassificering enligt uppfinningen i fem klasser för den satellitbild som illustreras i figur 7; Figur 14 är en grafisk illustration över fördelningen av den respektive ytarean för en geometrisk struktur som bestämts enligt figur 4a för varje pixel i den bild som visas i figur 7 och för en viss specifik av de klasser som illustreras i figur 9; Figur 15 visar en tredje huvudklassificering enligt uppfinningen i fem klasser för den satellitbild som illustreras i figur 7; och Figur 16 är ett flödesschema som illustrerar ett förfarande enligt föreliggande uppfinning.

Figur 1 är således en fotografisk satellitbild med en pixel- 10x10 m geografiskt område. upplösning pà ett Att bilden är över visst delvis bebyggt ”fotografisk” syftar häri på att den är framställd genom att ljus har uppfångats och tolkats av en bildsensor. Med andra ord kan bilden vara framställd genom avläsning av ljus Bilden i flera kallad kompositbild, baserad på 5 olika spektralband som sedan på i över ett eller våglängdsområden. figur 1 är en så sig konventionellt sätt konverterats till en gråskala. Bilden är lagrad i. digital form på ett lämpligt lagringsmedium i form av en uppsättning pixlar, där varje pixel är associerad med bildinformation i åtminstone en kanal, i detta fall fem kanaler, för ljusintensitet. I bild, tvådimensionellt koordinatsystem, figur 1 visas en tvådimensionell där pixlarna är ordnade i ett och där varje pixel är associerad med en enda kanal för ljusintensitet (grå nyans).

Omvandlingen till gråskala är utförd för att öka tydligheten 10 15 20 25 30 535 070 i figuren. Vid de nedan beskrivna utföringsexemplen som använder sig av den i figur 1 illustrerade bilden användes informationen i samtliga fem kanaler.

Det inses att även bilder med fler än två dimensioner, och med ljusintensitet över fler kanaler än två (exempelvis ljusintensitetsinformation lagrad enligt RGB-standard), kan användas enligt föreliggande uppfinning.

Det inses dessutom att pixelvärdena har erhållits genom att sampla ljusinstrålningen mot bildsensorn. På motsvarande sätt kan andra fysikaliska fenomen, såsom ljud, andra typer av strålning än elektromagnetisk, och så vidare, samplas och presenteras spatiellt i form av en bild. Detta är exempelvis fallet vid en ultraljudsbild.

Vidare är bilden enligt uppfinningen av sådant format att den kan representeras i form av eller som en del av en N- dimensionell datamängd innefattande element, genom att åtminstone två av de N dimensionerna utgör respektive axlar i bilden, så att en viss samplad pixel i bilden motsvaras av ett visst element i datamängden.

Således kan datamängden ha samma dimensionalitet som bilden, varvid varje dimension i datamängden motsvarar en respektive bildaxel.

Det är även möjligt att datamängden innefattar andra dimensioner än sådana som beskriver bildaxlar. Exempelvis kan den innefatta två eller tre geometriska dimensioner såväl som åtminstone en temporal dimension, varvid bilden utgörs av en två- eller tredimensionell, över åtminstone en tidsdimension föränderlig, avbildning av ett skeende. Detta är exempelvis fallet med den ovan beskrivna avbildningen av ett hjärta i 15 20 25 30 535 ÜYÜ tre spatiella dimensioner såväl som två temporala. Även andra typer av ytterligare dimensioner kan tänkas, såsom en temperaturdimension eller en dimension sonx beskriver något annat kontinuerligt parametervärde som ger upphov till en spatiell kontext som relaterar ett element till dess grannar.

Således kan en bild utgöra ett snitt i datamängden, där läget för bilden i datamängden längs med en eller flera dimensioner är konstanta. Det inses att en och samma tre- eller högredimensionell datamängd kan innefatta fler än en bild i uppfinningens mening, och dessutom bilder med olika dimensionalitet. Dessutom kan datamängden naturligtvis även innefatta ytterligare, för uppfinningens förfarande ovidkommande, data.

Enligt uppfinningen är vidare varje element i datamängden associerat med M numeriska värden, som vart och ett representerar ett numeriskt mått på en egenskap för elementet ifråga, varav åtminstone en egenskap representerar bildinformation i en respektive samplad kanal enligt ovan.

Datamängden har alltså en yttre dimensionalitet av N och en inre dimensionalitet av M.

Således kan bilden exempelvis bild, innefatta en tvàdimensionell fotografisk där varje element innefattar bildinformation i åtminstone en kanal som var och en anger ljusintensitet för ett visst våglängdsspektrum. Detta är exempelvis fallet vid en tvàdimensionell satellitbild. Ett annat exempel är att bilden är en tredimensionell avbildning av ett tredimensionellt objekt, varvid varje element innefattar bildinformation i åtminstone en kanal som anger värdet för en materialegenskap i det läge i objektet som 10 20 25 30 535 ÛTÛ 10 motsvaras av elementet ifråga. Så är fallet till exempel vid en tredimensionell magnetkamerabild.

De M numeriska värdena kan representera olika typer av data.

Samplade kanaler kan exempelvis innefatta en eller flera kanaler, såsom gråskaledata i en kanal, som då utgör ett numeriskt värde per element, eller RGB-kodade färgvärden i tre kanaler, som då utgör tre numeriska värden per element.

Förutom samplad bildinformation kan för varje element ett eller flera av de M egenskaperna dessutom representera spatiellt lokaliserad, på förhand given eller beräknad ytterligare information. Föredragna exempel pá sådan spatiellt lokaliserad information innefattar information om i bilden förekommande kanter; områden; beräknade eller manuellt identifierade intressepunkter; och/eller från en extern databas inhämtad data så att den har som mappats bilden information kan hänföras till enskilda element.

S âmmâ dimensioner som varvid spatiellt lokaliserad Kanter, områden etc. kan beräknas på förhand med hjälp av i sig konventionella bildbehandlingsalgoritmer eller -filter såsom Harris corner detector och Sobel-operatorn.

Intressepunkter kan exempelvis markeras av en användare, såsom en läkare som markerar en specifik punkt som representerar ett intressant område i en röntgenbild.

Alternativt kan olika typer av ytterligare spatiellt orienterade data inhämtas från externa databaser. Exempel kända intressepunkter i en satellitbild; meteorologiska data för de satellitbild innefattar förekomsten av andra mataffärer eller i en representerade lokala mätvärden för geografiska data såsom lutning, höjd över havet och markområdena; landutbredning; demografiska data såsom 20 25 30 535 070 ll samt förekomsten av en satellitbild populationsdensitet och narkägande; viss spektralmix i en multispektral och förekomsten av en viss färg i en bild.

För att kunna representeras i form av en eller flera av de M elementegenskaperna i. datamängden mappas sådana ytterligare spatiellt orienterade data genon1 att de överförs till ett raster med samma dimensioner som datamängden, varefter de resulterande numeriska värdena införs som en eller flera av elementegenskaperna för varje element.

Det är även föredraget att en eller flera av de M elementegenskaperna bär numerisk information beträffande klasstillhörighet i en uppsättning klasser som använts vid en inledande klassificering av de i datamängden ingående elementen. I detta fall kan exempelvis en elementegenskap per element med hjälp av ett numeriskt värde ange klasstillhörighet för elementet ifråga. Alternativt kan en elementegenskap per element och klass i nämnda uppsättning klasser i den inledande klassificeringen ange klasstillhörighet till klassen ifråga för elementet ifråga. I detta fall kan klasstillhörigheten exempelvis vara binär, varvid elementet ifråga antingen tillhör klassen eller inte, eller representeras på en glidande skala med hjälp av ett tal mellan O och 1, där 0 betyder ingen association mellan elementet ifråga och klassen ifråga och där 1 betyder full association.

Nedan beskrivs en föredragen sådan inledande klassificering mer detaljerat.

Det är föredraget att de M elementegenskaperna är kodade som skalära, numeriska värden. Uppsättningen av en viss bildar ett skalärt kodat informationslager som sträcker sig över hela elementegenskap för samtliga element därmed datamängden. I allmänhet kan värdena vara binära, naturliga 10 15 20 25 30 535 Û?0 12 eller reella, positiva och/eller negativa, beroende på vad de är anordnade att representera.

Elementegenskaper kan vidare representera sannolikheter.

Det är även uppenbart att de M informationslagren kan vara sinsemellan överlappande i den meningen att flera egenskaper för ett och samma element exempelvis kan vara nollskilda.

Det är önskvärt att åstadkomma en automatisk klassificering av sådana bilder, för att på ett enkelt sätt och med hög noggrannhet särskilja olika typer av företeelser i bilden, såsom vägar, husbebyggelse, skog, åkermark, parker, etc.

Den bild som visas i figur 2 är samma bild som den i figur 1, men där bilden har behandlats genom en konventionell, kernelbaserad segmentering. Ett fönster bestående av 5x5 pixlar har làtits svepa över bilden och för varje pixel har standardavvikelsen beräknats med avseende på ljusintensiteten hos pixeln ifråga. Dessa. metriker har därefter legat till grund för en konventionell klassindelning baserad på tröskelvärden, vilken har resulterat i den illustrerade klassificeringen. Resultatet illustreras i figur 2, där olika klasser illustreras med hjälp av olika grå nyanser. Det framgår tydligt ur figuren att ett sådant förfarande är framgångsrikt för att finna olika klasser och för att för varje pixel tilldela pixeln en association med en viss specifik klass. Dessuton1 är många av de pixlar som utgör olika typer av terräng, i den bild såsom till exempel ”väg”, som visas i figur l grupperade i och med att de är associerade med en och samma klass. Däremot finns ett förhållandevis kraftigt brus i den klassificerade bilden.

Alltför många pixlar har associerats med en annan klass än de flesta pixlar som utgör samma marktyp i den ursprungliga 10 15 20 25 30 535 070 13 bilden. Därför är det svårt att till exempel utföra en automatisk kartering baserat på en sådan klassificering.

Figur 3 visar, på ett sätt som liknar det i figur 2, en klassificering av bilden som visas i lf med den utförd i figur skillnaden att klassificeringen i figur 3 är enlighet med en konventionell, fönsteroberoende klusteranalys av K-meanstyp över 29 klasser. Såsom tydligt framgår från figur 3 är denna klassificering behäftad med samma typer av problem som den enligt figur 2.

Figur 16 visar ett flödesschema som illustrerar ett förfarande i enlighet med föreliggande uppfinning.

I enlighet med uppfinningen bringas således i ett första steg 101 en dator, eller flera sammankopplade datorer, att lagra datamängden digitalt på ett digitalt lagringsmedium i form av en uppsättning element med en struktur såsom beskrivits ovan.

Enligt uppfinningen identifieras, för den bild klassificeras eller för en viss kategori sådana bilder, en som skall viss förutbestämd, variabel geometrisk struktur. Den variabla strukturen är anordnad att kunna sträcka sig i åtminstone två av de N dimensionerna i datamängden, och kan med andra ord ha en utsträckning i åtminstone dessa två dimensioner. Det noteras att den variabla strukturen i sig kan vara av en dimensionalitet som är lägre än det antal dimensioner i datamängden som den kan utsträcka sig över, såsom exempelvis en endimensionell linje som löper från en bildpixel till en annan i en tvådimensionell bild som representeras av datamängden.

Att den variabla geometriska figuren är ”variabel” skall tolkas som att dess form kan bestämmas entydigt av värdet hos 10 15 20 25 30 535 070 14 åtminstone en variabel parameter. Exempel på sådana parametrar är radien för en cirkel eller ett klot, eller radierna för en ellips; avståndet för ett segment från en mittpunkt; en utsträckningsvinkel för ett segment; en mittpunkt eller tyngdpunkt för den geometriska figuren; en funktion som beskriver figurens periferi i förhållande till en fast punkt; och så vidare.

Dessutom bestäms den geometriska figurens utsträckning i relation till ett enskilt element i datamängden, i den meningen att det enskilda elementet utgör en fast referenspunkt i förhållande till den variabla geometriska figuren. Enligt en föredragen utföringsform är det enskilda elementet ifråga alltid innefattat eller åtminstone helt kringgärdat av den variabla strukturen i det snitt av datamängden i vilket strukturens form kan variera.

Det är föredraget att den identifierade, variabla geometriska strukturen används för samtliga element som behandlas i ett förfarande enligt föreliggande uppfinning. Detta minimerar mängden manuellt arbete som måste utföras.

När en variabel geometrisk struktur fixeras, genom att ett visst element väljs och genom att de parametervärdena väljs till specifika värden, variabla åstadkoms en specifik geometrisk fall detta beskriver en entydig geometrisk form i planet, struktur, som i alltså rummet eller motsvarande.

Vidare bestäms, för den bild som skall klassificeras eller för en viss kategori sådana bilder, åtminstone ett geometriskt mått associerat med den variabla geometriska strukturen. Måttet är anordnat att mäta en geometrisk egenskap hos en viss specifik geometrisk struktur i 10 15 20 25 30 535 G70 15 förhållande till andra specifika sådana geometriska strukturer. Med andra ord är måttet anordnat att mäta den geometriska egenskapen hos en viss specifik, fixerad instans av den variabla geometriska strukturen i förhållande till andra specifika sådana instanser av samma variabla geometriska struktur, för vilka andra element och/eller andra parametervärden har valts. Med hjälp av ett sådant mått kan således olika specifika strukturer jämföras geometriskt.

Enligt en föredragen utföringsform är måttet invariant i termer av pixelupplösning hos bilden, till numerisk precision, bilden. dvs. invariant, UPP med avseende på samplingen av Dessutom är det föredraget att måttet är invariant under rotation, och dessutom att måttet, eller i vart fall förhållandet mellan två mätvärden som är uppmätta med samma geometriska mått, är invariant under skalning av bilden. fall Med andra ord förändras i dessa inte mätvärdet för en specifik struktur i förhållande till motsvarande mätvärden för andra specifika strukturer som funktion av skalningar och/eller rotationer av bilden. Föredragna exempel på invarianta mått är maximal radie, längd, omkrets, area, ytarea, grad av konvexitet, centralt moment, tyngdpunkt och/eller grad av cirkel- eller klotformighet hos strukturen.

Det är vidare föredraget att de använda måtten är anordnade att mäta någon aspekt som är hänförlig till den geometriska storleken hos den geometriska strukturen.

I ett andra steg 102 bringas datorn eller datorerna därefter att, för åtminstone varje element som motsvarar en pixel i bilden men helst för samtliga element i datamängden, och för åtminstone en av de M elementegenskaperna, helst för samtliga M elementegenskaper, bestämma en specifik geometrisk struktur som kan erhållas i relation till elementet ifråga och genom val av parametervärde eller parametervärden. Den specifika 10 20 25 30 535 070 16 geometriska struktur som bestäms för ett visst element är anordnat att maximera åtminstone ett förutbestämt geometriskt mått av den typ som beskrivits ovan, samtidigt som strukturen geometriskt begränsas av i datamängden förekommande element vars ifrågavarande elementegenskap uppfyller ett visst förutbestämt kriterium.

Figurerna 4a-4f illustrerar principiellt och förenklat olika sätt att bestämma sådana specifika geometriska strukturer utifrån ett visst enskilt element samt en viss elementegenskap bland de M egenskaperna. Av tydlighetsskäl hänför sig samtliga i figurerna 4a-4f illustrerade exempel till tvàdimensionella bilder. Det inses dock att för bilder med högre dimensionalitet, och eventuellt även innefattande kontinuerliga dimensioner som inte i sig utgör bildaxlar, används samma principer för att åstadkomma analoga sätt att bestämma specifika geometriska strukturer. Exempelvis kan istället för den cirkulära struktur som illustreras i figur 4a ett tredimensionellt klot användas, som tillåts expandera fram till element med vissa egenskaper. På motsvarande sätt kan en uppsättning tredimensionella, konliknande delar användas istället för de tårtbitliknande delarna i figur 4b.

Enligt en första föredragen utföringsform, vilken illustreras i figurerna 4a-4c, är den, variabla geometriska strukturen sådan att den kan definieras genonl en expansionsregel med hjälp av vilken den geometriska strukturen kan expandera stegvis utifrån ett enskilt element i relation till vilket den geometriska strukturens utsträckning bestäms.

I figur 4a utgörs således den geometriska strukturen av en cirkel 13, som definieras genom att den stegvis kan expandera utifrån ett enskilt element 12. I ifrågavarande exempel sker expansionen så att cirkeln får så stor radie 14 som möjligt, 10 15 20 25 30 535 070 17 under förutsättning att nämnda enskilda element 12 alltid innefattas i cirkeln 13 utan att nödvändigtvis befinna sig i cirkelns 13 centrum 15. Cirkelns 13 expansion begränsas genom att den endast tillåts expandera fram till att den någonstans längs med sin periferi når ett eller flera element ll vars ifrågavarande elementegenskap uppfyller ett visst kriterium, att nollskild För enkelhets skull exempelvis eller elementegenskapen är överskrider ett visst förutbestämt värde. är endast element ll som uppfyller detta kriterium illustrerade. I figur 4a illustreras den cirkel 13 för vilken cirkelns radie är maximal. Med andra ord är det maximerade geometriska måttet i detta exemplifierande fall strukturens radie.

Mer allmänt uttryckt innefattar den geometriska strukturen en sluten geometrisk figur, som kan vara en cirkel men som även kan vara vilken annan väldefinierad, helst. sluten struktur som Den geometriska figuren har en viss generell form som enligt en förutbestämd expansionsregel stegvis kan expandera genom att växa under bibehållande av den vissa generella formen, varvid strukturens geometriska utsträckning i datamängdens dimensioner begränsas genom att formen endast tillåts expandera fram till att den någonstans längs med sin periferi når enskilda element eller grupper av element vars elementegenskaper uppfyller ett visst förutbestämt kriterium.

Det är föredraget att formen expanderar så att enskilda element alltid är en delmängd av strukturen, nämnda vilket exemplifierats ovan genom att elementet 12 alltid finns inom cirkeln 13.

Enligt en föredragen utföringsform, som inte exemplifieras i figur 4a men däremot i figur 4b, alla expanderar nämnda geometriska form genom att punkter längs med dess 10 15 20 25 30 535 ÜT/'O 18 periferi rör sig rakt ut från nämnda enskilda element. Det är i många tillämpningar föredraget att strukturens centrum inte till det till strukturen bestäms, är begränsat element i relation vilket utan att det enskilda elementet istället endast måste vara en delmängd av strukturen, eftersom detta ger ett jämnare svar.

Figur 4b illustrerar, på ett sätt som liknar det i figur 4a, ett andra exempel på bestämningen av en specifik geometrisk struktur. Den typ av expanderande geometrisk struktur som illustreras i figur 4b benämns konventionellt ”viewshed”.

Strukturen innefattar i detta fall en samling radiella delar 23, vilka förhållande och en täcker ett visst vinkelområde i till det Var ifrågavarande enskilda elementet 22.

Vinkelomrâdena är företrädesvis lika stora, men kan även vara oregelbundet fördelade över ett helt varv. Det är föredraget att använda åtminstone 4 vinkelomràden, fullgott för att säkerställa resultat. Enligt en speciellt föredragen utföringsform används, såsom visas i figur 4b, 8 lika stora vinkelavsnitt. Detta medför att beräkningarna blir speciellt förenklade, vilket medför låga processorkrav hos datorn eller datorerna. Enligt en annan föredragen utföringsform används ett större antal lika stora vinkelavsnitt, såsom åtminstone 50, hellre åtminstone 100 vinkelavsnitt. Detta ger hög precision och därmed jämna slutresultat.

Varje sådan radiell del 23 kan enligt expansionsregeln expandera i radiell riktning oberoende av de andra radiella delarna, men expansionen för varje del 23 begränsas genom att dess periferi endast tillåts expandera fram till element 21 vars elementegenskaper uppfyller nämnda kriterium.

I de i figurerna 4a och 4b illustrerade exemplen begränsas den geometriska strukturen genom att den inte tillåts 10 20 25 30 535 ÜTÜ 19 innefatta element som uppfyller ett binärt kriterium, såsom att det är binärt associerat med ifrågavarande elementegenskap. Med andra ord kan, för varje element oberoende av andra element, det avgöras huruvida elementet uppfyller nämnda kriterium eller inte.

I figur 4c, som liknar figur 4b, illustreras dock en föredragen utföringsform där kriteriet inte är av nämnda binära typ. På motsvarande sätt som i figur 4b tillåts ett antal vinkelavsnitt 33 expandera utifrån det element 32 i relation till vilket bestämningen av den specifika strukturen sker, och vinkelavsnittens 33 radiella expansion begränsas av element 31. Endast element vars ifrågavarande elementegenskap är nollskild illustreras, för tydlighets skull.

Till skillnad från figur 4b begränsas, å andra sidan, åtminstone en del av den variabla geometriska strukturen, i det illustrerade exemplet åtminstone ett vinkelavsnitt 33, genom att delen inte tillåts innefatta en mängd element 35 vars sammanlagda associering med ifrågavarande egenskap överstiger ett visst förutbestämt värde. Bestämning av den specifika strukturen kan således utföras genom att tillåta varje vinkelavsnitt 33 att expandera radiellt från elementet 32, och varje gång det når ett annat element 31 beräknas den sammanlagda 35 och den associationen mellan de hittills nådda elementen I det fall den sammanlagda associationen överskrider ett visst värde stannar ifrågavarande elementegenskapen. expansionen av vinkelavsnittet.

Mer generellt begränsas åtminstone en del 33 av att delen 33 den geometriska strukturen genom inte tillåts innefatta en mängd element 35 vilka sammantaget uppfyller ett förutbestämt kriterium beträffande elementens associering med ifrågavarande egenskap. 10 15 20 25 30 535 Ü7O 20 I både figur 4b och figur 4c begränsas varje vinkelavsnitts 33 expansion dessutom av ett maximalt radiellt expansions- avstånd 24, 34, för att undvika extremvärden. Detta är föredraget men inte nödvändigt.

Figur 4d illustrerar, ett på ett sätt som liknar det i figurerna 4a-4c, alternativt föredraget angreppssätt för att bestämma en specifik geometrisk struktur, i relation till ett visst element 42 och under beaktande av andra element 41. I detta fall innefattar den geometriska strukturen en sluten geometrisk figur 43 med variabel form. Detta innebär att själva den specifika formen hos strukturen inte är invariant, utan kan förändras beroende på kringliggande elements 41 placering i den lokala närheten till elementet 42, utifrån värdena hos de parametrar som avgör den specifika formen. En sådan struktur är föredragen eftersom den ger speciellt jämna SVaI .

Förutom att, såsom beskrivits ovan, formen 43 begränsas av de element 41 som den när och som uppfyller ett visst kriterium beträffande den ifrågavarande elementegenskapen alternativt beträffande sammantagna elementegenskaper hos flera element som innefattas i formen 43, begränsas formens 43 utbredning av en förutbestämd energifunktional beträffande formen 43. En sådan energifunktional kan vara vilken lämplig funktional som helst, såsom att formens 43 yta eller omkrets hålls konstant eller inte får överstiga ett visst förutbestämt värde.

Ett exempel där det är lämpligt att formens yta begränsas så att den inte tillåts expandera över ett förutbestämt värde är där den geometriska strukturen expanderas från och i relation till ett visst element likt en ballong som blàses upp. I detta och andra fall expanderar strukturen enligt 15 20 25 30 535 G70 21 expansionsregeln genom att, vid varje givet stadium av expansion, endast avsnitt av strukturens periferi vars expansion inte för närvarande begränsas av enskilda eller samlingar av flera element som. uppfyller nämnda kriterium tillåts expandera. Med andra ord verkar de övriga elementen, i den lokala omgivningen till det element som. expansionen sker i relation till, som fasta stopp för expansionen. En sådan struktur möjliggör ett jämnt svar även i fallet med icke-konvexa former hos begränsande element i den lokala omgivningen till det ifrågavarande elementet.

Figurerna 4e och 4f visar, till skillnad från figurerna 4a- 4d, en exemplifierande bild i två dimensioner, element 51, 61 där färgen hos mörka respektive ljusa element 52, 62 representerar ett binärt värde som exempelvis anger huruvida elementet ifråga är associerat med en viss klass i en inledande uppsättning klasser, alternativt med en viss annan elementegenskap.

I figur 4e illustreras en geometrisk struktur i form av en rak linje 54, som utgår från det element 53 i relation till vilket strukturen bestäms och löper rakt ut från detta element. Den specifika geometriska strukturen bestäms som den struktur som maximerar det mått som utgör längden på linjen 54. I detta fall bestäms således den specifika strukturen inte genom att expandera strukturen stegvis i relation till elementet 53. Istället används en i sig konventionell och lämplig algoritm för att effektivt bestämma den längsta linje som kan skrivas in i datamängden, som startar i elementet 53 och vars sträckning begränsas till element 52 med ett visst binärt värde beträffande den ifrågavarande elementegenskapen.

I figur 4e illustreras den längsta möjliga sådana linjen 54 som begränsas till en sträckning över ljusa element 52. En 10 15 20 25 30 535 Û?O 22 sådan struktur medger beräkningar med små anspråk pà processorkraft.

Mer generellt kan sägas att den variabla geometriska strukturen innefattar en långsträckt del, vars utsträckning i en längsgående riktning begränsas genom att den inte tillåts korsa element vars elementegenskaper uppfyller ett visst kriterium.

Den i figur 4e illustrerade strukturen utgörs alltså av en i sig endimensionell linje som sträcker sig över den tvådimensionella bildytan. Figur 4f illustrerar samma datamängd innefattande mörka 61 och ljusa 62 element, men en alternativ långsträckt struktur 64 som sträcker sig från ett visst element 63 i relation till vilket strukturen 64 bestäms.

Såsom är tydligt i figur 4f är i detta fall den långsträckta delen 64 inte rak, utan dess utsträckning tillåts beskriva en krökt kurva genom bilden. Dessutom är kurvan 64 inte i sig endimensionell, viss bredd 65. utan utgör en tvådimensionell kropp med en Det inses att i exempelvis en tredimensionell bild kan en tredimensionell, långsträckt kropp användas på analogt sätt. En sådan struktur kan exempelvis vara användbar för att klassificera ådror i medicinska avbildningar av människokroppen eller i andra typer av bilder där långsträckta, ihåliga strukturer är relevanta.

Den specifika geometriska strukturen bestäms i detta fall som den långsträckta kropp 64, med konstant bredd 65, som är den längsta möjliga, under förutsättning att kroppens 64 sträckning från elementet 63 beskrivs av en förutbestämd algoritm och utan att vidröra några mörka bilden. element 61 i 10 20 25 30 535 Ü7Ü 23 Det inses att en rak struktur av den typ som illustreras i figur 4e också kan vara anordnad med en viss bredd såsom är fallet i strukturen enligt figur 4f. I detta fall blir således strukturen enligt figur 4e i sig tvàdimensionell snarare än endimensionell.

Datorn eller de sammankopplade datorerna bringas att beräkna åtminstone ett geometriskt mått för den enligt ovan bestämda specifika geometriska strukturen. Det beräknade måttet kan vara samma som eller ett annat än det mått som maximeras av den bestämda strukturen i sig, men det mått som beräknas beträffande den specifika strukturen i steget 102, och som sedan lagras i steget 103, är av samma allmänna typ som det mått som maximeras i steget 102 av den specifika strukturen.

I tillämpliga fall gäller det ovan sagda beträffande det maximerade måttet även för det beräknade och lagrade måttet.

Dessutom är det föredraget att fler än ett, företrädesvis åtminstone tre olika, och företrädesvis dessutom invarianta, sådana geometriska màtt beräknas för varje bestämd specifik geometrisk struktur. Detta gör att mer information kan extraheras ur de beräknade specifika strukturerna för alla bildelement.

Icke begränsande exempel på lämpliga mått 4a-4d att beräkna innefattar för figurerna omkrets, ytarea och strukturens tyngdpunkts relativa position i förhållande till det element i relation till vilket den specifika strukturen bestämts; för figur 4d graden av cirkelformighet och graden av konvexitet; för figurerna 4e-4f längden; och för figur 4f graden av kroklinjighet. 10 20 25 30 535 ÜYÛ 24 Samma variabla geometriska struktur och samma åtminstone ett geometriska mått används för alla element och alla behandlade elementegenskaper i steget 102.

I steget 103 bringas sedan, steget 102, för alla element som behandlats i att i en databas lagra en association mellan varje element och det datorn eller de sammankopplade datorerna, för elementet àtminstone ett beräknade geometriska måttet för varje egenskap för vilket en specifik geometrisk struktur beräknats i 102. steget Databasen kan utgöras av den opererande datorns internminne, en fil på en hårddisk eller en annan typ av intern eller extern databas.

För varje element i bilden bestäms således företrädesvis specifika geometriska strukturer för flera olika egenskaper, och för var och en av dessa olika strukturer beräknas företrädesvis flera olika geometriska mått. Associationer mellan varje element och samtliga dessa mått lagras således i databasen, så att varje element i databasen typiskt sett är associerat med M*x mått, där x är antalet beräknade mått per specifik struktur.

Det är föredraget att en association mellan varje element och åtminstone två beräknade geometriska mått bringas att lagras i databasen. mått således Dessa kan hänföra sig till specifika geometriska strukturer med olika elementegenskaper och/eller till samma specifika geometriska struktur. avseende på Speciellt föredraget är att en specifik geometrisk struktur bringas att bestämmas för varje element och för àtminstone två av de M elementegenskaperna. 10 15 20 25 30 535 070 25 Det inses att steget 103 kan utföras omedelbart följande på steget 102 för varje enskilt element, eller att steget 103 kan utföras för alla element i en följd efter det att steget 102 har utförts för alla element i en följd, 102 102 eller att stegen och 103 utförs på annat sätt, så länge som både steget och steget 103 utförs för alla element i bilden.

Såsom beskrivits ovan är det föredraget att åtminstone en av de M elementegenskaperna inledningsvis populeras med data som representerar association mellan elementet ifråga och en viss klass eller ett antal vissa klasser av en första uppsättning klasser i en första, inledande klassificering av datamängden.

Det är föredraget att datorn eller de sammankopplade datorerna i detta fall bringas att inledningsvis utföra en sådan första klassificering av den digitalt datamängden, och lagra resultatet från denna klassificering i databas. I lagrade en första föreliggande exemplifierande utföringsexempel lagras den klassificering som visas i figur 3 i den första databasen. ”den databasen kan vara Häri benämns resultatet av denna klassificering första klassificeringen”. Den första samma som den ovan beskrivna databasen eller en annan. I det senare fallet kan den första databasen vara av den ovan beskrivna typen.

Den första klassificeringen kan vara en klusteranalys av K- meanstyp, eller vilken lämplig kernelbaserad eller fönsteroberoende klassificering som helst, så länge som klassificeringen baseras på varje respektive pixels lagrade bildinformation och eventuellt även på andra redan lagrade egenskaper för varje respektive element. Den första klassificeringen kan baseras på i förväg definierade, statiska klasser, ett i förväg definierat antal men variabla 10 20 25 30 535 Ü?Ü 26 klasser, eller så kan klasserna och deras definition ta form under loppet av klassificeringen.

Den första klassificeringen kan även vara en övervakad eller en icke övervakad klassificering. En övervakad klassificering består av två steg. I det första steget identifieras representativa områden i en representativ bild, och en numerisk beskrivning av de representativa omràdenas egenskaper àstadkoms. I det andra steget används de numeriska beskrivningarna av' representativa områden som klasser i. en slutlig klassificering av en bild. I en icke övervakad klassificering associeras varje pixel i en viss bild till en viss klass, där egenskaperna för samtliga klasser bestäms under processens gång, dvs. utan förkunskap om vilka typer av bildområden som kan förekomma. Det är enligt uppfinningen föredraget att använda en icke övervakad klassificering, eftersom en sådan kan fungera över ett bredare spektrum av olika bilder utan speciella anpassningar. användbara Exempel på övervakade klassificeringar är ”Minimum-Distance-to-Means classifier”, ”Parallelepiped IIK__ nearest neighbor” samt ”Maximum Likelihood classification”.

Classifier”, “Gaussian Maximum Likelihood Classifier”, Exempel på användbara icke övervakade klassificeringar är diverse hierarkiska klustringsmetoder, partitionsklustrings- metoder, ”K-mean”-klustring och ”Self organizing maps”.

Figur 5 illustrerar grafiskt det beräknade geometriska måttet ”area” för en viss specifik geometrisk struktur som bestämts på det i figur 4b illustrerade sättet, med åtta likafördelade vinkelsegment som expanderas ut från elementet ifråga och begränsas av andra element som är associerade med en viss enskild klass i den klassificering som illustreras i figur 3. 10 15 20 25 30 535 Ü7Ü 27 Den beräknade arean hos varje specifik struktur illustreras med hjälp av gråskalor - ju mörkare färg elementet i figur 5 har desto större area har den specifika struktur som bestämts i relation till elementet ifråga. Svarta element representerar element med en högsta tillåten yta, större än vilken strukturer inte har tillàtits expandera.

Enligt uppfinningen utför därefter datorn eller datorerna, i ett fjärde steg 104, en huvudklassificering av datamängden, denna gång baserad på de data som finns lagrade i den andra databasen och företrädesvis för och baserad på samtliga element som motsvarar pixlar i den ursprungliga bilden.

Enligt uppfinningen är den för denna andra klassificering relevanta metriken för varje element ett jämförelsemått mellan två elements respektive uppsättningar associerade geometriska mått som beräknats i steget 102, och huvudklassificeringen baseras sålunda på detta jämförelsemått. Dessa beräknade mått kan således utgöras av ett eller flera mätvärden per element, att varför det kan vara nödvändigt exempelvis led i utföra en flerdimensionell klusteranalys som ett den andra klassificeringen.

Exempel på användbara jämförelsemått innefattar det vanliga, euklidiska avståndet, möjligen med en skalfaktor. Icke- skalära, i sig konventionella, jämförelsemâtt kan användas för att jämföra tvà vektorer innefattande flera olika geometriska mått, och så vidare. I fallet med vektorer kan vidare en isotrop eller anisotrop skalning utföras på mätvärdesvektorerna innan de jämförs, såsom med hjälp av en matrisoperation.

Lämpliga typer av klassificeringar för den huvudklassificeringen är" de son! ovan angivits soul lämpliga för den första klassificeringen, och huvudklassificeringen kan vara av samma typ som, eller en annan typ än, den första 10 20 25 30 535 ÜTÜ 28 klassificeringen. Emellertid är det föredraget att huvudklassificeringen är av en icke övervakad typ. Dessutom är det föredraget att huvudklassificeringen är av en icke övervakad typ oavsett om en eventuell första klassificering är av övervakad eller icke övervakad Ett typ. sådant förfarande medger automatisk och precis klassificering över ett brett spektrum av olika ursprungsbilder.

Huvudklassificeringen kan även innefatta en manuell segmentering av de i databasen lagrade data, teknik för Så kallad med hjälp av en ”region-growing", där en användare manuellt väljer en utgångspunkt (eng. ”seed”).

Utfallet av huvudklassificeringen är således en association mellan varje respektive pixel i ursprungsbilden och en viss specifik, klass av' en huvuduppsättning klasser soul antingen definierats i förväg eller som definieras under det att huvudklassificeringen utförs.

Baserat på det ovan beskrivna jämförelsemåttet är det även föredraget att, före huvudklassificeringen, brusreducera vilka de geometriska måtten överensstämmer medelvärdesbildas. datamängden genom att element för beräknade Detta resulterar i en filtrering, eller mer generellt regression, av datamängden, och kan tjäna till att förbättra resultatet av huvudklassificeringen.

Därefter lagrar datorn eller de sammankopplade datorerna enligt uppfinningen, i ett femte steg 105, pà ett digitalt lagringsmedium den i steget 104 klassificerade bilden i form av en uppsättning pixlar, där varje respektive pixel är associerad med den klass i huvuduppsättningen klasser med vilken det element som motsvarar pixeln i bilden associerats i steget 104 såsom beskrivits ovan. Det digitala 20 25 30 535 Ü7Ü 29 lagringsmediet är samma som det pà vilket ursprungsbilden lagrades eller ett annat, och lagringstekniken kan vara såsom beskrivs ovan beträffande den ursprungliga bilden. Det som är väsentligt är att uppsättningen pixlar, var och en med en association till en viss specifik klass, lagras på ett sätt som medger att denna information bild, representeras som en klassificerad där varje pixels position i den klassificerade bilden motsvarar positionen för elementet i den bilden, ursprungliga och där pixelns värde, såsom färgintensitet i en eller flera kanaler, motsvarar den klass med vilken pixeln ifråga associerats. bilden Det följer att den klassificerade har samma dimensioner beträffande antalet pixlar som den ursprungliga bilden. I efterföljande steg kan därefter naturligtvis den klassificerade bildens upplösning justeras.

Figur 6a, och figur 6b i detaljförstoring, bild, ursprungliga bild som visas i figur 1 och utförd över tio illustrerar en sådan slutgiltigt klassificerad baserad på den olika huvudklasser. För att öka tydligheten i figuren har dessa tio klasser slagits samman till två olika samlingsklasser, vilka två olika klasser representeras næd olika gråskalor. Vidare är den klassificerade bilden illustrerad mot bakgrund av ett högupplöst flygfotografi över det i figur l illustrerade geografiska området, så att klassernas utbredning tydligt framgår. Den i figurerna 6a och 6b illustrerade klassificeringen är alltså baserad på den största arean hos respektive geometriska strukturer enligt figur 4b för varje pixel i ursprungsbilden och med avseende på var och en av de klasser som resulterade från den första klassificeringen som illustreras i figur 3.

Figur 7 illustrerar en annan bild än Såsom framgår den i figur 1 illustrerade bilden. av figur 7 innefattar 10 15 20 25 30 535 070 30 bilden ett centralt område med en annan typ av textur än den övriga bilden.

Figur 8 illustrerar en naiv segmentering av bilden i figur 7 med hjälp av K-means i 5 klasser baserade pá gråvärdet för de respektive pixlarna i bilden. Vidare är figur 9 en segmentering av bilden i figur 7 med hjälp av K-means i 10 olika klasser. Det noteras att separeringen av de två områdena med olika textur är bristfällig i både figur 8 och figur 9. Inte ens en manuellt utförd sammanslagning av klasser kan ge upphov till en uppdelning med lågt brus i områden med olika textur.

En tvàdimensionell datamängd den sattes samman i vilken tvådimensionella bildens pixlar var och en representerade ett element i datamängden, och där en tiodimensionell egenskapsvektor innefattande tillhörigheten för ett element till var och en av de tio klasserna från klassificeringen som illustreras i figur 9 associerades med vart och ett av elementen i datamängden.

En variabel geometrisk struktur definierades därefter som en viewshed med fyra likafördelade vinkelsegment som tilläts till det elementet som var associerat med en viss egenskap, expandera oberoende av varandra fram första med andra ord en viss klass. Specifika geometriska strukturer bestämdes för varje element, vilka specifika geometriska strukturer maximerade det geometriska måttet "total area för alla fyra expanderade delar”. Ett geometriskt mått i form av logaritmen av den totala arean för strukturen beräknades för varje det beräknade måttet med avseende på en viss av de specifik geometrisk struktur.

Figur 10 illustrerar således klasser som illustreras i figur 9, där svart färg innebär Ü 20 25 30 535 070 31 stor eller en förutbestämd maximal och successivt area ljusare nyanser av grått innebär allt mindre areor.

En respektive association mellan varje element i bilden och var och en av de tio beräknade måtten per element lagrades i en databas, varefter en huvudklassificering utfördes baserat på dessa data. Huvudklassificeringen utgjordes av en K- meansklassificering över fem klasser. Figur ll illustrerar resultatet. Såsom är tydligt från figur ll särskiljer denna algoritm de olika områdena med olika typer av textur, med förhållandevis lågt brus. Det noteras att en del störande artefakter föreligger i den klassificerade bilden som en konsekvens av att endast fyra expansionsriktningar användes vid bestämningen av specifika geometriska strukturer.

Figur 12 illustrerar, på ett sätt som motsvarar det i figur 10, ett beräknat geometrisk mått med avseende på en viss av de klasser som illustreras i figur 9, men där en annan variabel geometrisk struktur har använts. Denna struktur innefattade trettiosex endimensionella raka linjer som oberoende av varandra tilläts expandera i jämnt utspridda riktningar till dess att de träffade ett element associerat med en viss respektive av de klasser som illustreras i figur 9. Det maximerade geometriska måttet var längden för var och en av linjerna. Det beräknade geometriska måttet för den specifika geometriska strukturen var den totala arean av den tvådimensionella polygon som spändes upp med hjälp av de expanderade linjernas yttre ändpunkter.

Figur 13 visar resultatet efter en huvudklassificering, över 5 klasser med hjälp av K-means, av resultatet efter beräkning av sådana geometriska mått för alla element och alla tio klasser som visas i figur 9. Såsom tydligt framgår var 10 20 25 30 535 ÛTÛ 32 resultatet tillfredsställande, speciellt ifall de två klasser som beskriver den inre texturen slogs samman.

Det noteras att ett snarlikt slutresultat erhölls ifall en 360 likafördelade variabel geometrisk struktur, viewshed med vinkeldelar valdes som vilket tyder pà att trettiosex olika expansionsriktningar är tillräckligt för att uppnå goda resultat med den typen av bilder som exemplifieras av figur 7. Det har visat sig att för många tillämpningar är cirka tio olika, likafördelade riktningar eller' mer tillräckligt för att uppnå goda resultat. Om cirka tio riktningar används begränsas samtidigt kraven på beräkningskraft.

Figurerna 14 och 15 liknar figurerna 10 och ll respektive 12 och 13, men här valdes som variabel geometrisk struktur istället expanderande, icke-centrerade cirklar av den typ som beskrivits ovan i anslutning till figur 4a. Från slutresultatet i figur 15 är det tydligt att detta förfarande enligt föreliggande uppfinning åstadkommer en mycket god separering av de två olika typerna av textur i ursprungsbilden i figur 7.

Ett förfarande enligt föreliggande uppfinning, där en organisering av bild- och andra data i en datamängd av den ovan beskrivna typen innefattande element med respektive elementegenskaper, följs av en beräkning av åtminstone ett respektive geometriskt mått för en respektive specifik geometrisk struktur för varje respektive element i datamängden och med avseende på en eller flera elementegenskaper, och sedan följs av en huvudklassificering baserad på dessa beräknade mått, löser de ovan beskrivna problemen. 10 15 20 25 30 535 070 33 Beroende på den konkreta tillämpningen kan de geometriska måtten väljas så att de tjänar till att skatta densiteten för en viss elementegenskap i en lokal omgivning till ett visst element. Huvudklassificeringen kan därför åstadkomma mycket skarpa klassgränser. Detta är en effekt av att de variabla geometriska strukturerna kan väljas så att de specifika strukturerna för två närliggande element ofta är mycket liknande eller exakt sammanfaller, vilket ger så gott som konstanta egenskapsvärden i styckvisa områden i den slutgiltigt klassificerade bilden.

Som illustrerande exempel kan man tänka sig att två expanderande geometriska strukturer av den typ som illustreras i figur 4b befinner sig omringade av en viss elementegenskap, vilken finns representerad i. element j. en ring runt omkring de två element i relation till vilka strukturerna expanderar. Om detta omrâde approximativt är konvext så kommer de expanderande sektorerna att täcka samma område för alla element inne i det konvexa området. leder till att, Detta om man bortser från numeriska effekter så som att endast ett ändligt antal sektorer expanderas från varje pixel, ett mätvärde såsom den sammanlagda sektorarean kommer att bli samma för alla element i området. Därmed kommer också samtliga pixlar i detta område att klassificeras pà liknande sätt i huvudklassificeringssteget 104.

De exakta valen av variabel geometrisk struktur, skall typ av mått som maximeras i en specifik struktur, typ av begränsning med avseende pà kringliggande elements egenskaper och typ av mått som skall beräknas beror på de aktuella syftena och förutsättningarna, fall. och bestäms från fall till De häri beskrivna principerna förblir dock desamma oavsett dessa val. 10 20 25 30 535 0?Ü 34 Således kommer sannolikheten för att närliggande pixlar associeras med samma slutgiltiga klass att vara förhållandevis stor. Pâ ett liknande sätt blir sannolikheten liten för att en pixel, som liknar en grupp pixlar som i den slutgiltiga klassificeringen faller under en viss klass men som är avståndsmässigt isolerad från dessa andra pixlar i bilden, faller under samma klass. Med andra ord har ett förfarande enligt föreliggande uppfinning en stark tendens att gruppera närliggande pixlar i samma klass och därmed skapa sammanhängande områden av pixlar som är associerade med en och samma klass. Dessa effekter medför låg splittring i den färdigklassificerade bilden. Å andra sidan kommer de beräknade geometriska måtten att förändras snabbt mellan närliggande det fall elementegenskaperna förändras snabbt lokalt i ett område av bilden. Detta medför pixlar i att ett förfarande i enlighet med föreliggande uppfinning på ett relativt precist sätt kommer att producera en slutgiltig klassificering där gränser mellan de slutgiltiga klasserna verkligen representerar relevanta gränser och övergångar i den ursprungliga bilden.

Ett förfarande enligt föreliggande uppfinning kan utformas så att det ger bättre resultat än ett förfarande enligt den ovan 0950140-4, ett geometriskt mått enligt ovan i allmänhet utgör en stabilare angivna svenska patentansökan eftersom och brusfriare skattning av den lokala egenskapsdensiteten än enbart ett minsta avstånd till en viss klass.

Sammantaget kan det ovan beskrivna förfarandet användas för att automatiskt och utan omfattande förkunskaper om en viss bilds innehåll erhålla en relevant klassificering med låg splittring. Detta är i synnerhet fallet 10 15 20 25 30 535 ÛTÜ 35 Enligt en föredragen utföringsform beräknas i steget 102 för varje element åtminstone ett geometriskt mått för en specifik geometrisk struktur med avseende på var och en av samtliga elementegenskaper i datamängden, detta fall i och samtliga beräknade mått används även i huvudklassificeringen. Detta maximerar utnyttjandet av den information som finns i. den ursprungliga bilden och eventuell ytterligare spatiellt hänförlig information.

Enligt en föredragen utföringsform innefattar den första klassificeringen en klassificering med hjälp av en K- meansklusteranalys följd av en klassificering med hjälp av en maximum likelihoodklusteranalys, i vilken resultatet från K- meansklassificeringen används som utgångspunkt. Enligt en ytterligare föredragen utföringsform innefattar huvudklassificeringen en K-meansklusteranalys. Föreliggande uppfinnare har upptäckt att ett sådant förfarande ger ett gott slutresultat.

Föreliggande uppfinnare har vidare uppnått goda resultat i det fall antingen i förväg sattes till mellan 20 och 100, antalet klasser i den första klassificeringen eller när den första klassificeringen arbetade med ett variabelt antal klasser och där klassificeringen i detta fall anpassades så att det resulterande antalet klasser blev mellan 20 och 100.

Enligt en speciellt föredragen utföringsform används det så kallade Akaike-informationskriteriet för att bestämma ett optimalt antal klasser i. den första klassificeringen genom att balansera modellens komplexitet mot inomklassvariansen.

Med andra ord väljs antalet klasser så att ett Akaike- informationskriterium maximeras för klassificeringen vid detta val av antal klasser. Se Akaike H., “A new look at the statistical model identification", IEEE Trans. Automat. 10 20 25 30 535 070 36 Contr. AC-l9:7l6-23, Mathematics, 1974 [Institute of Statistical Minato-ku, Tokyo, Japan].

På motsvarande sätt har det funnits att ett lämpligt antal klasser i huvudklassificeringen är mellan 5 och 20, speciellt när en första klassificering utförs och antalet klasser i denna är mellan 20 och 100. Beroende på den detaljerade tillämpningen ger ett sådant antal klasser nämligen i allmänhet en slutgiltigt klassificerad bild med relevant klassning av enskilda pixlar och med begränsat brus i de flesta klasser. Valet av antalet klasser i huvudklassificeringen beror dels på vilken typ av resultat som önskas utifrån förfarandet enligt föreliggande uppfinning, dels på ifall ytterligare bearbetning av den erhållna klassificeringen skall utföras i senare steg. Det är speciellt föredraget att använda Akaike-kriteriet för att bestämma antalet klasser även i huvudklassificeringen, på motsvarande sätt såsom beskrivits ovan.

Alla skalära storheter som hanteras i förfarandets olika steg kan vidare transformeras genom en icke-linjär transformation, 2 1/2 så som x eller x , innan de används i beräkningar eller jämförelser. Detta kan ge relativt minskad vikt åt exempelvis mycket långa strukturer, ifall kvadratroten ur längdmåttet används.

Såsom diskuterats ovan kan ett förfarande enligt föreliggande uppfinning med fördel användas för att automatiskt erhålla en relevant klassificering av tvådimensionella bilder, speciellt för fotografiska bilder.

Klassificering av sådana fotografiska bilder innehållande bildinformation i en kanal, såsom gråskaleljusintensitet, har befunnits ge goda resultat.

Ett förfarande enligt föreliggande uppfinning är också mycket användbart i fallet fotografiska bilder med bildinformation i 10 20 25 30 535 070 37 tre eller fler kanaler, såsom exempelvis färgintensitets- information enligt något konventionellt färgschema med tre kanaler såsom RGB, Lab, YUV, HSV eller NCS, eller en representation där flera olika kanaler representerar färgintensitet över olika våglängdsintervall. Den senare typen av färginformationsmodeller används exempelvis vid satellitavbildning, och då ofta med fyra eller fler kanaler för olika våglängder.

Utifrån en sådan tvàdimensionell fotografisk satellitbild kan ett förfarande således enligt föreliggande ett uppfinning användas exempelvis som automatiskt verktyg vid kartering, eller fallet demografiska geografiska undersökningar, miljöanalyser, etc. I med andra typer av två- dimensionella fotografiska bilder kan ett förfarande enligt föreliggande uppfinning användas som en del i system för exempelvis tillverkade datorseende, okulärbesiktning av detaljer eller av insats- eller råvaror, hjälpsystem för fotografering för att automatiskt identifiera olika objekt och/eller hitta lämpliga fokuspunkter, digital bild- bearbetning, fjärravläsning, mikroskopi, digital bildanalys och -bearbetning och så vidare.

Det inses även att ett förfarande enligt föreliggande uppfinning är användbart för att automatiskt klassificera tredimensionella bilder, speciellt, och såsom diskuterats bilder representerar vävnadsstrukturen hos människor och djur inom ovan, när det gäller tredimensionella som de medicinska och veterinära områdena. Sådana tre- dimensionella bilder utgör i själva verket tredimensionella avbildningar av tredimensionella objekt, där varje pixel innefattar bildinformation som anger värdet för en eller flera materialegenskaper i det läge i objektet som motsvaras av' pixeln ifråga. Materialegenskaperna kan exempelvis vara 10 20 25 30 535 070 38 materialtäthet och/eller förekomsten av en markörsubstans.

Det är vanligt att sådana bilder endast har bildinformation i en kanal. Speciellt kan automatiskt segmenterade tredimensionella avbildningar med fördel användas för att analysera människokroppen, som stöd för kirurger under ingrepp samt för att analysera tredimensionella avbildningar inom de mikro- och nanotekniska områdena. I synnerhet i medicinska tillämpningar är det användbart att tillämpa ett förfarande enligt föreliggande uppfinning på en bild innefattande en eller flera temporala dimensioner såsom beskrivits ovan.

Enligt en föredragen utföringsform utför datorn eller datorerna vidare inledningsvis en kernelbaserad bearbetning av den ursprungliga bilden, och resultatet från denna biläggs sedan datamängden som en av elementegenskaperna för alla element. Ett exempel på detta är att ett värde för varje pixel beräknas för texturen i ett begränsat område kring pixeln ifråga, exempelvis en 9x9 matris med pixeln ifråga i centrum, och att detta beräknade värde sedan bringas att utgöra en av de M elementegenskaperna för elementet ifråga.

På detta sätt kan i vissa tillämpningar noggrannheten ökas hos den slutgiltiga klassificeringen.

Enligt uppfinningen det väljs inte den variabla geometriska strukturen, geometriska måttet och kriteriet för elementegenskaper som används för att avgöra hur en struktur begränsas så att det i steget 102 beräknade geometriska måttet enbart utgör ett mått på det minsta avståndet mellan det ifrågavarande elementet och det närmaste elementet som är associerat med ifrågavarande elementegenskap.

Ovan har föredragna utföringsformer beskrivits. Emellertid är det uppenbart för fackmannen att många förändringar kan göras 10 15 20 535 070 39 av de beskrivna utföringsformerna utan att uppfinningens tanke.

Exempelvis kan föreliggande förfarande utföras iterativt. Med andra ord kan, efter en första klassificering, beräkning av geometriska mått och en huvudklassificering, ytterligare en beräkning utföras av mått geometriska strukturer som bestämts med avseende på en eller geometriska för specifika flera av de klasser som resulterade från nämnda huvudklassificering, och därefter kan ytterligare en huvudklassificering utföras baserat på dessa beräknade mått.

Den senare beräkningen av mått och klassificeringen kan varieras inom ramen för det som angetts ovan för en sådan beräkning och för huvudklassificeringen. För vissa tillämpningar kan en sådan klassificering i flera iterativa steg ge ännu bättre resultat.

Sålunda skall uppfinningen inte vara begränsad av de beskrivna utföringsformerna, utan kan varieras inom ramen för de bifogade kraven.

Claims (16)

10 15 20 25 30 535 G70 40 P A. T E N T K R A 'V att bild,

1. l. Förfarande för klassificera en två- eller högredimensionell där en N-dimensionell datamängd innefattande element bringas att representera bilden genom att åtminstone två av de N dimensionerna utgör respektive axlar i bilden, så att en viss pixel i bilden motsvaras av ett visst element i datamängden, och genom att varje element är associerat med M numeriska värden som vart och ett representerar ett mått på en egenskap för elementet ifråga, varav åtminstone en egenskap representerar bildinformation i en respektive samplad kanal, k ä n n e t e c k n a t att förfarandet innefattar att identifiera för det första en viss av förutbestämd, variabel geometrisk struktur, vars utsträckning i åtminstone tvâ av de N dimensionerna i datamängden bestäms i relation till ett enskilt element i datamängden och av åtminstone en variabel parameter, och för det andra åtminstone ett geometriskt mått associerat med nämnda variabla geometriska struktur, vilket geometriska mått bringas att vara anordnat att mäta en geometrisk egenskap hos en specifik geometrisk struktur i förhållande till andra specifika sådana geometriska strukturer, och av att förfarandet dessutom innefattar stegen att en dator eller flera sammankopplade datorer a) bringas att på ett digitalt lagringsmedium lagra datamängden (lOl); b) för åtminstone varje element som motsvarar en pixel i bilden, och för åtminstone en av de M elementegenskaperna, för det första bringas att bestämma en (l3;23;33;43;54;64) elementet specifik geometrisk struktur som kan erhållas i relation till (l2;22;32;42;53;63) ifråga och genom val av parametervärde eller parametervärden, för vilken specifika geometriska ett av struktur åtminstone 10 15 20 25 30 535 070 41 nämnda geometriska mått är maximalt samtidigt som den geometriskt begränsas av enskilda element eller grupper av element vars ifrågavarande elementegenskap uppfyller ett visst förutbestämt kriterium, och för det andra bringas att beräkna åtminstone ett av nämnda geometriska mått för nämnda specifika geometriska struktur (102): c) i en databas bringas att lagra en association mellan varje element och det för elementet åtminstone ett beräknade geometriska måttet för varje egenskap för vilket en specifik geometrisk struktur beräknats i steget b) (l03); d) bringas att utföra en huvudklassificering av datamängden, vilken huvudklassificering bringas att baseras på ett jämförelsemâtt mellan två elements respektive uppsättningar associerade geometriska mått, varvid varje element bringas att associeras med en viss klass i. en. huvuduppsättning klasser (104): och e) pà ett digitalt lagringsmedium bringas att lagra den bilden i uppsättning pixlar med samma dimensioner som bilden, i steget d) klassificerade form av en där varje pixel är associerad med den klass i huvuduppsättningen klasser med vilken det element som motsvarar pixeln i bilden associerats i steget d) (105): och av att nämnda variabla geometriska struktur, mått och kriterium inte väljs så att det i steget b) beräknade måttet enbart utgör ett mått på det minsta avståndet mellan det ifrågavarande elementet och det närmaste elementet som är associerat med ifrågavarande elementegenskap. 10 15 20 25 30 535 Ü7O 42

2. Förfarande enligt krav l, k ä n n e t e c k n a t a v att det variabla geometriska måttet är invariant under skalning av bilden.

3. Förfarande enligt krav 1 eller 2, att, k ä n n e t e c k n a t a v i steget c), en association mellan varje element och åtminstone tvâ beräknade geometriska mått bringas att lagras i databasen.

4. Förfarande enligt krav 3, k ä n n e t e c k n a t a v att, i steget b), en specifik geometrisk struktur bringas att bestämmas för varje element och för åtminstone två av de M elementegenskaperna.

5. Förfarande enligt något av föregående krav, k ä n n e t e c k n a t a v att den variabla geometriska strukturen (l3;23;33) bringas att kunna definieras genom en expansionsregel med hjälp av vilken den geometriska strukturen kan expandera stegvis utifrån ett enskilt element (l2;22;32) utsträckning bestäms. i relation till vilket den geometriska strukturens

6. Förfarande enligt krav 5, k ä n n e t e c k n a t a v att den geometriska strukturen (43) innefattar en sluten geometrisk figur med en viss generell form som enligt expansionsregeln expanderar genom att växa under bibehållande av den vissa generella formen, varvid strukturens geometriska utsträckning i datamängdens dimensioner begränsas genom att formen endast tillåts expandera fram tills att den någonstans längs med sin periferi när element vars elementegenskaper uppfyller nämnda kriterium.

7. Förfarande enligt krav 5, k ä n n e t e c k n a t a v att strukturen (23:33) innefattar en samling radiella delar, 10 20 25 30 535 G70 43 vilka var och en täcker ett visst vinkelområde i förhållande till (22:32), radiell del enligt expansionsregeln kan expandera oberoende nämnda enskilda element och av att varje av de andra radiella delarna, av att varje radiell dels expansion begränsas genom att dess periferi endast tillåts expandera fram till element vars elementegenskaper uppfyller nämnda kriterium.

8. Förfarande enligt nàgot av kraven 5-7, k ä n n e t e c k n a t a v att strukturen (12;22;32) enligt expansionsregeln expanderar genom att, vid varje givet stadium av expansion, endast avsnitt av strukturens periferi vars expansion inte för närvarande begränsas av element som uppfyller nämnda kriterium tillåts expandera.

9. Förfarande enligt något av kraven l-4, k å n n e t e c k n a t a v att strukturen (54;64) innefattar en làngsträckt del, vars utsträckning i en längsgående riktning begränsas genom att den inte tillåts korsa element vars elementegenskaper uppfyller nämnda kriterium.

10. Förfarande enligt krav 9, k ä n n e t e c k n a t a v att den làngsträckta delens utsträckning tilläts beskriva en krökt kurva genom bilden.

11. ll. Förfarande enligt något av föregående krav, k ä n n e t e c k n a t a v att en första, inledande klassificering av datamängden bringas att utföras innan steget b) utförs, vid vilken inledande klassificering element bringas att associeras med klasser i en första uppsättning klasser, och av att en eller flera elementegenskaper för varje element bringas att representera dessa associationer så att varje elements eventuella association till en eller flera 10 20 25 30 35 535 G70 44 klasser i den första uppsättningen klasser kan utläsas ur datamängden.

12. Förfarande enligt krav ll, k ä n n e t e c k n a t a v att den första klassificeringen bringas att vara av en oövervakad typ.

13. Förfarande enligt nàgot av föregående krav, k ä n n e t e c k n a t a v att bilden innefattar en tvådimensionell fotografisk bild, och av att varje element innefattar bildinformation i åtminstone en kanal som var och en anger ljusintensitet för ett visst vàglängdsspektrum.

14. Förfarande enligt något av föregående krav, k ä n n e t e c k n a t a v att det eller de geometriska måtten bringas att baseras på maximal radie, längd, omkrets, area, ytarea, volym, grad av konvexitet, och/eller centralt moment, mittpunkt, tyngdpunkt graden av cirkel- eller klotformighet hos den specifika geometriska strukturen.

15. Förfarande enligt något av att, föregående krav, k å n n e t e c k n a t a v i steget b), den variabla geometriska strukturen begränsas genom att den inte tillåts innefatta element som är binärt associerat med ifrågavarande egenskap.

16. Förfarande enligt något av föregående krav, k ä n n e t e c k n a t a v att, åtminstone en i steget b), del av den variabla geometriska strukturen begränsas genom att delen inte tillåts innefatta en mängd innefattande åtminstone ett element vilka sammantaget uppfyller ett förutbestämt kriterium beträffande ifrågavarande elements associering med ifrågavarande egenskap.