WO2004017252A1 - Verfahren zur signalauswertung eines elektronischen bildsensors bei der mustererkennung von bildinhalten eines prüfkörpers - Google Patents

Verfahren zur signalauswertung eines elektronischen bildsensors bei der mustererkennung von bildinhalten eines prüfkörpers Download PDF

Info

Publication number
WO2004017252A1
WO2004017252A1 PCT/DE2003/002467 DE0302467W WO2004017252A1 WO 2004017252 A1 WO2004017252 A1 WO 2004017252A1 DE 0302467 W DE0302467 W DE 0302467W WO 2004017252 A1 WO2004017252 A1 WO 2004017252A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
image sensor
membership
signal
sympathy
Prior art date
Application number
PCT/DE2003/002467
Other languages
English (en)
French (fr)
Inventor
Volker Lohweg
Original Assignee
Koenig & Bauer Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koenig & Bauer Aktiengesellschaft filed Critical Koenig & Bauer Aktiengesellschaft
Priority to EP03787716A priority Critical patent/EP1525554A1/de
Priority to AU2003258460A priority patent/AU2003258460A1/en
Priority to US10/522,590 priority patent/US7483573B2/en
Publication of WO2004017252A1 publication Critical patent/WO2004017252A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/431—Frequency domain transformation; Autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning

Definitions

  • the invention relates to methods for signal evaluation of an electronic image sensor in the pattern recognition of image contents of a test specimen according to the preamble of claim 1, 2 or 19.
  • Known methods for analyzing image contents of a test object are usually based on metrics for determining similarities, such as distance measurements for segmented objects or the calculation of global threshold distributions. These methods are based on translation-invariant output spectra. In reality, situations often occur, such as object shifts under the recording system or different backgrounds in the recording or aliasing effects, so that a direct comparison of these output spectra in many cases can not be performed.
  • the invention has for its object to provide a method for signal evaluation of an electronic image sensor in the pattern recognition of image content of a specimen.
  • An advantage of the method lies, in particular, in the fact that a sensor signal is analyzed in an image window of size n ⁇ n pixels. As a result, the sensor signal of this image window can be considered local.
  • the image analysis method according to the invention can be subdivided into the essential steps: feature formation, fuzzyfication, interference, defuzzification and decision on class membership.
  • the sensor signal is converted by means of at least one calculation rule into an invariant, in particular a translation-invariant, signal in the feature space.
  • the aim of the feature formation is to determine such quantities by which typical signal properties of the image content are characterized.
  • the typical signal properties of the image content are represented by so-called features.
  • the features can be represented by values in feature space or by linguistic variables.
  • a signal is generated which consists of a feature value or of several feature values.
  • the membership of a feature value to a feature is described by at least one fuzzy membership function. This is a soft or fuzzy assignment, whereby, depending on the value of the feature value, the feature value belongs to the feature in a standardized interval between 0 and 1.
  • fuzzyfication there is essentially a conversion of a sharp feature value into one or more fuzzy affiliations.
  • a superordinate membership function is generated by means of a calculation rule which consists of at least one rule, with all membership functions being linked to one another. As a result, a higher-level membership function is thus obtained for each window.
  • a numerical value also called the sympathy value is determined from the superordinate membership function formed in the interference.
  • the sympathy score is compared to a predetermined threshold value that determines the membership of the window to a particular class.
  • Which type of feature values are in the feature space is of secondary importance to the principle of the invention.
  • time signals for example, it is possible to determine the mean value or the variance as feature values. If the request is submitted to the evaluation method that it can process the image contents error-free irrespective of the prevailing signal intensity, and if further small but permissible fluctuations of the image signal should not lead to disturbances, then it makes sense if the conversion of the sensor signal from the two-dimensional Space is performed by means of a two-dimensional spectral transformation, such as a two-dimensional Fourier, or a two-dimensional Walsh, or a two-dimensional Hadamard or a two-dimensional circular transformation.
  • the two-dimensional spectral transformation yields invariant feature values.
  • Another preferred embodiment is to use the amount of spectral coefficients obtained by spectral transformation as the feature value.
  • the membership functions are unimodal potential functions and the parent membership function is a multimodal potential function.
  • At least one membership function is parameterized. If the membership function has positive and negative slopes, then it is advantageous if the parameters of the positive and negative slopes can be determined separately. This ensures better adaptation of the parameters to the data records to be examined.
  • the method can be divided into a learning phase and a working phase.
  • the parameters of the membership function can be determined in the learning phase from measured data records.
  • the parameters of the membership functions are adapted to so-called reference images, ie in the learning phase, a membership of the feature values resulting from the reference images is derived from the corresponding features by means of the membership functions and their parameters.
  • the feature values resulting from the now measured data sets are weighted with the membership functions whose parameters were determined in the learning phase, whereby a membership of the feature values of the now measured data sets to the appropriate characteristics is produced.
  • At least one rule by means of which the membership functions are linked to one another, is a conjunctive rule in the sense of a IF ... THEN connection.
  • Another preferred embodiment divides the generation of the superordinate fuzzy membership function into the processing of the sub-steps: premise evaluation, activation and aggregation.
  • premise evaluation a membership value is determined for each IF part of a rule, and upon activation, a membership function is defined for each IF ... THEN rule. Subsequently, during aggregation, the superordinate membership function is generated by superimposing all the membership functions generated during activation.
  • the sympathy value determination is carried out in particular according to a center of gravity and / or maximum method.
  • 1 is a flowchart of the signal evaluation method
  • 2 shows a sympathy curve
  • FIG. 1 shows a flowchart of the signal evaluation method described below.
  • a grid of N x N windows 01 is laid over the entire image to be analyzed.
  • Each window 01 consists of n ⁇ n pixels 02.
  • the signal of each window 01 is analyzed separately.
  • the image content 03 of each window 01 can be considered local.
  • the two-dimensional image of the spatial domain is transformed into a two-dimensional image in the frequency domain.
  • the spectrum obtained is called frequency spectrum. Since it is a discrete spectrum in the present embodiment, the frequency spectrum is also discrete.
  • the frequency spectrum is formed by the spectral coefficients 06, also called spectral values 06.
  • the amount formation 07 of the spectral values 06 takes place.
  • the magnitude of the spectral values 06 is called spectral amplitude value 08.
  • the spectral amplitude values 08 form the feature values d in the present exemplary embodiment. H. they are identical to the characteristic values.
  • a circular transformation is preferably used.
  • the invariance properties are over the 6a
  • Transformation coefficients adjustable It is possible to set a translational invariance, as well as a reflection invariance or invariance with respect to various other permutation groups. Thus, it is possible to use the above transformation, for example, in the variant variant for examining characters
  • the mirror-invariant variant can be used for the examination of workpieces; because here it is just not necessary to make a distinction between a mirrored part and the original. It should be noted that the magnitude spectrum of the Fourier transform is invariant to mirror.
  • the circular transformation is also extremely tolerant in the subpixel range for arbitrary shifts. Comparisons have shown that this circular transformation is superior to other known transformations in terms of displacements.
  • Characteristics 11 are both characteristic spectral amplitude values 08, which define the feature 11 by their position in the frequency space and by their amplitude, as well as linguistic variables such as "gray”, "black” or "white”.
  • the fuzzification 12 the membership of each Specified spectral amplitude value 08 to a feature 11 by a soft or fuzzy membership function 13; ie a weighting takes place.
  • the membership functions 13 can be adapted in a learning phase to so-called reference data sets, it makes sense if the membership functions 13 are parameterized monomodal, i. are one-dimensional potential functions in which the parameters of the positive and negative slope can be adjusted separately to the data sets to be examined.
  • the data sets of the image content, from which the feature values 08 of the test images result are then weighted with the respective membership functions 13 whose parameters were determined in the previous learning phase. Ie. For each feature 11, there is a kind of DESIRED comparison between the reference data record expressed in the parameters of the membership functions 13 and the record of the test image.
  • the membership functions 13 produce a soft or fuzzy association between the respective feature value 08 and the feature 11.
  • the interference 14 there is essentially a conjunctive connection 15 - also called aggregation 15 - of all membership functions 13 of the features 11, whereby a higher-order membership function 16 is generated.
  • the next process step the defuzzification 17, obtained from the parent membership function 16 a concrete of belonging or sympathy value '18.
  • This emotional value 18 is compared in the classification 19 with a previously set threshold value 21, whereby a classification statement can be made.
  • Threshold 21 is set either manually or automatically. The setting of the threshold value 21 also takes place in the learning phase.
  • Neural networks are known to be able to be trained.
  • the fuzzy disk classification is based on a concept that accomplishes a distance measure and a feature join at the same time.
  • "Fuzzy” is the fact that the features are "rounded", but not logical, but out of focus. This leads firstly to the fact that all features are taken into account summarily. That is, small deviations of a feature are still tolerated. Secondly, if the deviation of a feature becomes too large, it immediately has a large influence on the distance measure. Accordingly, the output of the classifier itself does not provide a "good / bad” decision, but rather a continuous output value between [0 .... 1]. A threshold value is then used downstream, which then permits a "good / bad” decision ,
  • the expansion value C is learned with the aid of measured values generated with the circular transformation.
  • the ⁇ value describes how close the similarity of a pattern is to a reference pattern described by features. This means that the z value assumes the actual control of the ⁇ value. If the z-value is very small, the ⁇ -value is close to 1. The patterns are very similar (sympathetic). On the other hand, if the z value is large, the ⁇ value will become small; the patterns are not similar. The course of the curve - as implemented - is shown in FIG.
  • the values Cdiff x are determined in the learning phase, specifically a value for each feature m x .
  • the value range of a lies between [1 ... 3],
  • the value pc e indicates the percentage tolerance with which C d iff is assigned.
  • the x ⁇ r value indicates the mean of C di ff; it is calculated for each feature at runtime.
  • This difference is normalized with the width of the expansion value C x .
  • the consequence is that the corresponding feature contributes little to the z-value with little deviation; with a large deviation, however, a large deviation value will result depending on the difference measure of the expansion value C d j ff . Name the normalized difference d x .
  • the power D (2, 4, 8) adjusts the sensitivity at the edges of the normalized difference function d x . If the value D is set to "infinite” - which is not technically possible - you will also get an infinite slope and thus a hard "good / bad decision", which is why the values are usually set to between 2 ... 20.
  • the curves for the values 2, 4 and 8 are shown in Figures 3c, 3b and 3a.
  • the exponentiated functions d x are summed and only the number M of features m is used, which are also switched on. After the summation, the calculated value is divided by the number M. The mean value of all potentiated differences d x is determined. 12
  • This process is performed for all windows.

Abstract

Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers, wobei der Bildsensor ein Lichteingangssignal empfängt und ein elektrisches Ausgangssignal ausgibt, welches zum Lichteingangssignal korreliert, mit folgenden Schritten: Analyse des Bildinhalts eines Fensters der Größe n x n Pixel durch, Umwandlung des mittelbar oder unmittelbar vom Bildsensor ausgegebenen Ausgangssignals in zumindest einen translationsinvarianten Merkmalswert mittels zumindest einer Rechenvorschrift, Gewichtung des Merkmalswerts mit zumindest einer unscharfen Zugehörigkeitsfunktion, wobei die Zugehörigkeitsfunktion in funktionalem Zusammenhang mit dem Wertebereich des Merkmalswerts steht, Generierung einer übergeordneten unscharfen Zugehörigkeitsfunktion durch Verknüpfung aller Zugehörigkeitsfunktionen mittels einer aus zumindest einer Regel bestehenden Berechnungsvorschrift, Ermittlung eines Sympathiewertes aus der übergeordneten unscharfen Zugehörigkeitsfunktion, Vergleich des Sympathiewertes mit einem Schwellwert, Entscheidung über eine Klassenzugehörigkeit.

Description

Beschreibung
Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers
Die Erfindung betrifft Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers gemäß dem Oberbegriff des Anspruchs 1 , 2 oder 19.
Bekannte Verfahren zur Analyse von Bildinhalten eines Prüfkörpers beruhen zumeist auf Metriken zur Bestimmung von Gleichartigkeiten, wie beispielsweise Abstandsmaße für segmentierte Objekte oder der Berechnung von globalen Schwellenverteilungen. Diese Verfahren beruhen auf translationsinvarianten Ausgangsspektren. In Realität treten oftmals Situationen auf, wie beispielsweise Objektverschiebungen unter dem Aufnahmesystem oder verschiedene Untergründe bei der Aufnahme oder Aliasing- Effekte, so dass ein direkter Vergleich dieser Ausgangsspektren in vielen Fällen nicht durchgeführt werden kann.
Durch das Fachbuch Thomas TILLI „Mustererkennung mit Fuzzy-Logik: Analysieren, klassifizieren, erkennen und diagnostizieren" Franzis-Verlag GmbH, München, 1993, S. 183/184, 208-210, 235-257 ist es bekannt, bei Verfahren zur Bildverarbeitung Fuzzy- Logik zu verwenden, wobei eine Art der Signalvorbereitung eine Spektraltransformation sein kann.
In dem Fachartikel „Mustererkennung mit Fuzzy-Logik" von Peter ARNEMANN, Elektronik 22/1992, Seiten 88-92 ist beschrieben, Mustererkennung mittels Fuzzy-Logik durchzuführen.
Der Artikel von Charalampidis, D.; Kasparis, T.; Georgiopoulos, M.; Rolland, J. „A fuzzy ARTMAP based classification technique of natural textures" Fuzzy Information Processing Society, 1999. NAFIPS. 18th International Conference of the North American, 10.-12.06.1999, S. 507-511 beschreibt, Mustererkennung mit einer Trainingsphase durchzuführen und zur Bilderkennung ein Fenster mit 16 x 16 Pixel zu verwenden.
Der Erfindung liegt die Aufgabe zugrunde, Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers zu schaffen.
Die Aufgabe wird erfindungsgemäß durch die Merkmale des Anspruchs 1 , 2 oder 19 gelöst.
Ein Vorteil des Verfahrens liegt insbesondere darin, dass ein Sensorsignal in einem Bildfenster der Größe n x n Pixel analysiert wird. Daraus folgend kann das Sensorsignal dieses Bildfensters als lokal angesehen werden. Das erfindungsgemäße Bildanalyseverfahren kann in die wesentliche Schritte: Merkmalsbildung, Fuzzyfizierung, Interferenz, Defuzzyfizierung und Entscheidung über Klassenzugehörigkeit gegliedert werden.
Bei der Merkmalsbildung wird das Sensorsignal mittels zumindest einer Rechenvorschrift in ein invariantes, insbesondere in ein translationsinvariantes, Signal im Merkmalsraum überführt. Ziel der Merkmalsbildung ist es solche Größen zu bestimmen, durch welche typische Signaleigenschaften des Bildinhalts charakterisiert werden. Die typischen Signaleigenschaften des Bildinhalts werden durch sogenannte Merkmale repräsentiert. Die Merkmale können hierbei durch Werte im Merkmalsraum oder durch linguistische Variablen repräsentiert werden. Durch Überführung des Sensorsignals in den Merkmalsraum entsteht ein Signal, welches aus einem Merkmalswert oder aus mehreren Merkmalswerten besteht. Die Zugehörigkeit eines Merkmalswerts zu einem Merkmal wird durch zumindest eine unscharfe Zugehörigkeitsfunktion beschrieben. Hierbei handelt es sich um eine weiche oder auch unscharfe Zuordnung, wobei abhängig vom Wert des Merkmalswerts die Zugehörigkeit des Merkmalswerts zum Merkmal in einem normierten Intervall zwischen 0 und 1 vorliegt. Das Konzept der Zugehörigkeitsfunktion führt dazu, dass ein Merkmalswert nicht mehr entweder ganz oder gar nicht einem Merkmal zuordenbar ist, sondern vielmehr eine Fuzzyzugehörigkeit annehmen kann, welche zwischen den Bool'schen Wahrheitswerten 1 und 0 liegt. Den eben beschriebenen Schritt nennt man Fuzzyfizierung. Bei der Fuzzyfizierung findet also im Wesentlichen eine Umwandlung eines scharfen Merkmalswerts in eine oder mehrere unscharfe Zugehörigkeiten statt.
Bei der Interferenz wird mittels einer Berechnungsvorschrift, welche zumindest aus einer Regel besteht, eine übergeordnete Zugehörigkeitsfunktion generiert, wobei alle Zugehörigkeitsfunktionen miteinander verknüpft werden. Im Ergebnis erhält man somit für jedes Fenster eine übergeordnete Zugehörigkeitsfunktion.
Bei der Defuzzyfizierung wird aus der in der Interferenz gebildeten übergeordneten Zugehörigkeitsfunktion ein Zahlenwert auch Sympathiewert genannt ermittelt. Bei der Entscheidung über die Klassenzugehörigkeit findet ein Vergleich des Sympathiewertes mit einem vorher festgelegten Schwellwert statt, anhand dessen die Zugehörigkeit des Fensters zu einer bestimmten Klasse entschieden wird.
Welcher Art die Merkmalswerte im Merkmalsraum sind, ist für das Prinzip der Erfindung von untergeordneter Bedeutung. So besteht beispielsweise bei Zeitsignalen die Möglichkeit, als Merkmalswerte den Mittelwert oder die Varianz zu bestimmen. Wird an das Auswerteverfahren die Anforderung gestellt, dass es die Bildinhalte unabhängig von der jeweils vorherrschenden Signalintensität fehlerfrei bearbeiten kann, und sollen des weiteren kleine aber zulässige Schwankungen des Bildsignals nicht zu Störungen führen, so ist es sinnvoll, wenn die Umwandlung des Sensorsignals aus dem zweidimensionalen Ortsraum mittels einer zweidimensionalen Spektraltransformation, wie beispielsweise einer zweidimensionalen Fourier-, oder einer zweidimensionalen Walsh-, oder einer zweidimensionalen Hadamard- oder einer zweidimensionalen Zirkulartransformation durchgeführt wird. Durch die zweidimensionale Spektraltransformation erhält man invariante Merkmalswerte. Eine weitere bevorzugte Ausführungsform besteht darin, den Betrag der durch Spektraltransformation gewonnenen Spektralkoeffizienten als Merkmalswert zu verwenden.
Nach einem bevorzugten Ausführungsbeispiel sind die Zugehörigkeitsfunktionen unimodale Potentialfunktionen und die übergeordnete Zugehörigkeitsfunktion ist eine multimodale Potentialfunktion.
Nach einem weiteren bevorzugten Ausführungsbeispiel ist zumindest eine Zugehörigkeitsfunktion parametrisiert. Weist die Zugehörigkeitsfunktion positive und negative Steigungen auf, so ist es vorteilhaft, wenn die Parameter der positiven und negativen Steigung getrennt bestimmt werden können. Dadurch wird eine bessere Anpassung der Parameter an die zu untersuchenden Datensätze gewährleistet.
Nach einem besonders bevorzugten Ausführungsbeispiel kann das Verfahren in eine Lernphase und eine Arbeitsphase unterteilt werden. Sind die Zugehörigkeitsfunktionen parametrisiert, so können in der Lernphase aus gemessenen Datensätzen die Parameter der Zugehörigkeitsfunktion ermittelt werden. In der Lernphase werden die Parameter der Zugehörigkeitsfunktionen an sogenannte Referenzbilder angeglichen, d. h. in der Lernphase wird eine Zugehörigkeit der Merkmalswerte, die sich aus den Referenzbildern ergeben, zu den entsprechenden Merkmalen mittels der Zugehörigkeitsfunktionen und deren Parametern hergeleitet. In der nachfolgenden Arbeitsphase werden die Merkmalswerte, die sich aus den nun gemessenen Datensätzen ergeben, mit den Zugehörigkeitsfunktionen, deren Parameter in der Lernphase ermittelt wurden, gewichtet, wodurch eine Zugehörigkeit der Merkmalswerte der nun gemessenen Datensätze zu den entsprechenden Merkmalen hergestellt wird. Durch die Unterteilung des Verfahrens in eine Lern- und eine Arbeitsphase werden also die Parameter der Zugehörigkeitsfunktionen anhand von gemessenen Referenzdatensätzen ermittelt und in der nachfolgenden Arbeitsphase die gemessenen, zu prüfenden Datensätze mit den in der Lernphase festgelegten Zugehörigkeitsfunktionen gewichtet und bewertet.
Nach einem weiteren bevorzugten Ausführungsbeispiel ist zumindest eine Regel, mittels der die Zugehörigkeitsfunktionen miteinander verknüpft werden, eine konjunktive Regel im Sinne einer WENN... DANN-Verknüpfung.
Ein weiteres bevorzugtes Ausführungsbeispiel unterteilt die Generierung der übergeordneten unscharfen Zugehörigkeitsfunktion in die Abarbeitung der Teilschritte: Prämissenauswertung, Aktivierung und Aggregation. Hierbei wird bei der Prämissenauswertung für jeden WENN-Teil einer Regel ein Zugehörigkeitswert bestimmt und bei der Aktivierung eine Zugehörigkeitsfunktion für jede WENN... DANN-Regel festgelegt. Nachfolgend wird bei der Aggregation die übergeordnete Zugehörigkeitsfunktion durch Überlagerung aller bei der Aktivierung erzeugten Zugehörigkeitsfunktionen generiert.
Nach einem weiteren bevorzugten Ausführungsbeispiel wird die Sympathiewertermittlung insbesondere nach einer Schwerpunkts- und/oder Maximumsmethode durchgeführt.
Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und werden im Folgenden näher beschrieben.
Es zeigen:
Fig. 1 ein Flussdiagramm des Signalauswerteverfahrens, Fig.2 eine Sympathiekurve,
Fig.3a eine Differenzfunktion mit der Potenz D=8
Fig.3b eine Differenzfunktion mit der Potenz D=4
Fig. 3c eine Differenzfunktion mit der Potenz D=2
Fig. 1 zeigt ein Flussdiagramm des nachfolgend beschriebenen Signalauswerteverfahrens. Beim Verfahren zur Signalauswertung von Bildinhalten eines Prüfkörpers wird über das gesamte zu analysierende Bild ein Raster aus N x N Fenstern 01 gelegt. Jedes Fenster 01 besteht hierbei aus n x n Pixel 02. Bei der Bildanalyse wird das Signal jedes Fensters 01 getrennt analysiert. Daraus folgend kann der Bildinhalt 03 jedes Fensters 01 als lokal betrachtet werden.
Durch eine oder mehrere Spektraltransformationen 04 wird das zweidimensionale Bild des Ortsraums in ein zweidimensionales Bild im Frequenzraum transformiert. Das erhaltene Spektrum nennt man Frequenzspektrum. Da es sich im vorliegenden Ausführungsbeispiel um ein diskretes Spektrum handelt, ist auch das Frequenzspektrum diskret. Das Frequenzspektrum wird durch die Spektralkoeffizienten 06 -auch Spektralwerte 06 genannt- gebildet.
Im nächsten Verfahrensschritt findet die Betragsbildung 07 der Spektralwerte 06 statt. Der Betrag der Spektralwerte 06 wird Spektralamplitudenwert 08 genannt. Die Spektralamplitudenwerte 08 bilden im vorliegenden Ausführungsbeispiel die Merkmalswerte d. h. sie sind identisch den Merkmalswerten.
Zur Transformation wird vorzugsweise eine Zirkular-Transformation verwendet. Bei der Zirkular-Transformation sind die Invarianzeigenschaften über die 6a
Transformationskoeffizienten justierbar. Es kann eine Translationsinvarianz, ebenso wie Spiegelungsinvarianz oder Invarianz bezüglich verschiedener anderer Permutationsgruppen eingestellt werden. Somit ist es möglich, die o.g. Transformation beispielsweise in der Spiegelungsvarianten Variante zur Untersuchung von Schriftzeichen
(man denke an die Unterscheidung von den Ziffern „9" und „6") zu nutzen. Genauso lässt sich die spiegelungsinvariante Variante zur Untersuchung von Werkteilen verwenden; denn hier ist es gerade nicht notwendig eine Unterscheidung zwischen einem gespiegelten Teil und dem Original zu treffen. Angemerkt sei, dass das Betragsspektrum der Fourier-Transformation spiegelungsinvariant ist.
Diese Transformationen arbeiten mit reellen Koeffizientenwerten. Man muss also keine komplexe Rechnung wie bei der Fourier-Transformation bemühen.
Die Zirkular-Transformation ist auch im Subpixelbereich bei beliebigen Verschiebungen extrem tolerant. Vergleiche haben ergeben, das diese Zirkular-Transformation anderen bekannten Transformationen in Bezug auf Verschiebungen überlegen ist.
Die Anzahl der Arbeitskoeffizienten (Merkmale, features) ist gering, da die Spektralkoeffizienten nochmal gruppenweise zusammengefasst werden.
Durch das Zusammenfassen entsteht die Toleranz gegenüber Verschiebungen. Selbst wenn ein Signal teilweise aus einem Messfeld herausläuft, bleiben die Merkmale noch relativ stabil. Untersuchungen haben ergeben, dass eine Stabilität erhalten bleibt, selbst wenn ein Bildinhalt bis zu ca. 30 % außerhalb des Messfeldes liegt.
Als weiterer Verfahrensschritt folgt die Merkmalsauswahl 09; Ziel bei der Merkmalsauswahl 09 ist es, die Merkmale 11 , die charakteristisch für den Bildinhalt 03 des zu analysierenden Bilds sind, auszuwählen. Als Merkmale 11 sind sowohl charakteristische Spektralamplitudenwerte 08, welche durch ihre Position im Frequenzraum und durch ihre Amplitude das Merkmal 11 definieren, als auch linguistische Variablen wie beispielsweise „grau", „schwarz" oder „weiß" möglich.
Im nun folgenden Verfahrensschritt, der Fuzzyfizierung 12, wird die Zugehörigkeit jedes Spektralamplitudenwerts 08 zu einem Merkmal 11 durch eine weiche oder unscharfe Zugehörigkeitsfunktion 13 festgelegt; d. h. es findet eine Gewichtung statt.
Sollen die Zugehörigkeitsfunktionen 13 in einer Lernphase an sog. Referenzdatensätze angepasst werden können, ist es sinnvoll, wenn die Zugehörigkeitsfunktionen 13 parametrisierte monomodale, d.h. eindimensionale Potentialfunktionen sind, bei denen die Parameter der positiven und negativen Steigung getrennt an die zu untersuchenden Datensätze angepasst werden können. In der der Lernphase nachfolgenden Arbeitsphase werden dann die Datensätze des Bildinhalts, aus welchen sich die Merkmalswerte 08 der Prüfbilder ergeben, mit den jeweiligen Zugehörigkeitsfunktionen 13 gewichtet, deren Parameter in der vorangegangenen Lernphase ermittelt wurden. D. h. es findet für jedes Merkmal 11 eine Art SOLL-IST Vergleich zwischen Referenzdatensatz, der in den Parametern der Zugehörigkeitsfunktionen 13 zum Ausdruck kommt, und dem Datensatz des Prüfbildes statt. Durch die Zugehörigkeitsfunktionen 13 wird eine weiche oder unscharfe Zuordnung zwischen dem jeweiligen Merkmalswert 08 und dem Merkmal 11 hergestellt.
Im nächsten Verfahrensschritt, der Interferenz 14, findet im Wesentlichen eine konjunktive Verknüpfung 15 -auch Aggregation 15 genannt- aller Zugehörigkeitsfunktionen 13 der Merkmale 11 statt, wodurch eine übergeordnete Zugehörigkeitsfunktion 16 erzeugt wird.
Der nächste Verfahrensschritt, die Defuzzyfizierung 17, ermittelt aus der übergeordneten Zugehörigkeitsfunktion 16 einen konkreten Zugehörigkeits- oder Sympathiewert'18. Dieser Sympathiewert 18 wird bei der Klassifikation 19 mit einem vorher eingestellten Schwellwert 21 verglichen, wodurch eine Klassifikationsaussage getroffen werden kann. Der Schwellwert 21 wird entweder manuell oder automatisch eingestellt. Die Einstellung des Schwellwerts 21 erfolgt ebenfalls in der Lernphase.
Bei der Klassifikation wird nicht ein Zahlenwert zu einer bestimmten Klasse durch eine Wahr- oder Falschaussage direkt zugeordnet, sondern eine unimodale Funktion festgelegt, die eine Zugehörigkeit zu einer wahren oder falschen Aussage beschreibt.
Dabei wir die Klassenzugehörigkeit trainiert, d. h. die Entscheidungskurven werden anhand von im Prozess ermittelten Messwerten angelernt. Die Funktionen, mit denen ein Grad der Zugehörigkeit bestimmt wird, werden Zugehörigkeitsfunktionen ZGF = μ(mx) genannt. Der berechnete Wert der Zugehörigkeitsfunktion ZGF wird als Sympathiewert μ bezeichnet. Oft werden mehrere Zugehörigkeitsfunktionen ZGF verwendet, die in nachfolgenden Schritten weiter zusammengefasst werden, um eine eindeutige Aussage zu erzielen.
Es handelt sich dabei jedoch ausdrücklich nicht um ein Neuronales Netz dass Verwendung findet. Von Neuronalen Netzen ist bekannt, dass diese trainiert werden können.
Die Fuzzy Platten Classification basiert auf einem Konzept, das ein Abstandsmaß und eine Merkmalverknüpfung gleichzeitig bewerkstelligt. „Fuzzy" daran ist die Tatsache, das die Merkmale „verrundet" werden, aber nicht logisch, sondern unscharf. Dieses führt erstens dazu, dass alle Merkmale summarisch berücksichtigt werden. D. h., kleine Abweichungen eines Merkmals werden noch toleriert. Wird zweitens die Abweichung eines Merkmals zu groß, so hat diese sofort großen Einfluss auf das Abstandsmaß. Der Ausgang des Klassifikators selbst liefert demnach nicht eine „Gut/Schlecht"-Entscheidung, sondern einen kontinuierlichen Ausgangswert zwischen [0 .... 1]. Es wird nachgeschaltet noch einen Schwellwert verwendet, der dann eine „Gut/Schlecht"-Entscheidung ermöglicht.
Der Ausgangswert für das Abstandsmaß (Sympathiewert) lautet: μ = 2'2 mit 10
^(\mx -x0(mx D 0
Figure imgf000013_0001
Dabei haben die Koeffizienten folgende Bedeutung: x = Zählindex; z = gemitteltes Abstandsmaß; M = Anzahl der Merkmale; Xo = Mittelwert von Cdlff; Cx = Ausdehnungswert; D = Potenz; μ = Sympathiwert; CdPff = Differenzmaß Ausdehnungswert.
Dabei wird der Ausdehnungswert C mit Hilfe von Messwerten, die mit der Zirkular- Transformation erzeugt wurden angelernt.
Der μ-Wert beschreibt, wie groß die Ähnlichkeit eines Musters in Bezug zu einem Referenzmuster ist, das durch Merkmale beschrieben wird. Das bedeutet, dass der z- Wert, die eigentliche Steuerung des μ-Wertes übernimmt. Ist der z-Wert sehr klein, ist der μ-Wert nahe 1. Die Muster sind sich sehr ähnlich (sympathisch). Ist dagegen der z-Wert groß, wird der μ-Wert klein werden; die Muster sind nicht ähnlich. Der Verlauf der Kurve - so wie sie implementiert ist - ist in der Fig. 2 dargestellt.
Zunächst werden in der Lernphase die Werte Cdiffx bestimmt und zwar für jedes Merkmal mx ein Wert.
Cdiffx = rmx(mx ) - min(w_- ) ,
wobei Cd,« das Differenzmaß des Ausdechnungswertes C und m die Merkmale sind.
Mit Hilfe der gelernten Cdlff Werte wird während der Inspektion gearbeitet. Die Werte können noch mit einer zusätzlichen Toleranz a belegt werden. Die Verrechnung geschieht zur Laufzeit: 11
Cx - (l + 2pCe) , a = (.l + 2j3Cfe) ,
wobei C der Ausdehnungswert und Pcβdie prozentuale Toleranz von Cdiff ist.
Der Wertebereich von a liegt zwischen [1 ...3], Der Wert pce gibt die prozentuale Toleranz an mit der Cdiff jeweils belegt wird. Es soll eine 50%ige Erweiterung des Bereiches von Cd>ff erreicht werden; dann ist a = 1+2*0.5 = 2.
Der x<rWert gibt den Mittelwert von Cdiff an; er wird für jedes Merkmal zur Laufzeit errechnet.
Es wird die Differenz zwischen Merkmalwert und mittlerem Merkmalwert, der aus dem Wert Cx bestimmt wird, berechnet. Diese Differenz wird mit der Breite des Ausdehnungswertes Cx normiert. Die Folge ist, dass das entsprechende Merkmal bei geringer Abweichung wenig zum z-Wert beiträgt; bei großer Abweichung wird jedoch ein großer Abweichungswert in Abhängigkeit der des Differenzmaßes des Ausdehnungswertes Cdjff ergeben. Die normierte Differenz dx nennen.
Die Potenz D (2, 4, 8) stellt die Empfindlichkeit an den Flanken der normierten Differenzenfunktion dx ein. Wird der Wert D auf .Unendlich" gestellt - was technisch nicht möglich ist - so erhält man auch eine unendliche Flankensteilheit und damit eine harte „Gut/ Schlechf-Entscheidung. Deshalb werden die Werte üblicherweise aufwerte zwischen 2 ... 20 eingestellt. Die Kurven für die Werte 2, 4 und 8 sind in den Figuren 3c, 3b und 3a dargestellt.
Die potenzierten Funktionen dx werden aufsummiert und zwar wird nur die Anzahl M der Merkmale m verwendet, die auch eingeschaltet sind. Nach der Summation wird der errechnete Wert durch die Anzahl M geteilt. Es wird der Mittelwert aller potenzierten Differenzen dx ermittelt. 12
Der Effekt ist folgender: Durch das Potenzieren werden kleine Abweichungen nicht in das Gewicht fallen; große jedoch werden verstärkt werden. Durch die Mittelung wird eine Abweichung aller Merkmaldifferenzen berechnet. Dieses hat zur Folge, das auch bei der Abweichung mehrerer Merkmale der μ-Wert nicht drastisch abgesenkt wird. Erst bei größeren Abweichungen wird dieser Wert sehr klein werden.
Anschließend erfolgt eine Schwellwertauswertung.
[ Gut, falls (z) > μs [Fehler, falls μ(z) < μs
Dieser Vorgang wird für alle Fenster durchgeführt.
Eine Auswertung dynamischer Prozesse - wie Druckprozesse - benötigt nichtlineare Abstandsmaße (Sympathiewerte).
13
Bezugszeichenliste
01 Fenster, N x N Fenster
02 n x n Pixel
03 Bildinhalt
04 2-dimensionale Spektraltransformation, Rechenvorschrift 05
06 Spektralkoeffizient, Spektralwert
07 2-dimensionale Betragsbildung, Rechenvorschrift
08 Spektralamplitudenwert=Merkmalswert
09 Merkmalsauswahl 10
11 Merkmal
12 Fuzzyfizierung
13 Zugehörigkeitsfunktion
14 Interferenz, Berechnungsvorschrift 15
16 übergeordnete Zugehörigkeitsfunktion, Verknüpfung, Aggregation, Berechnungsvorschrift
17 Defuzzyfizierung
18 Zugehörigkeitswert, Sympathiewert
19 Klassifikation, Klassenzugehörigkeit 20
21 Schwellwert
C Ausdehnungswert
Cdiff Differenzmaß Ausdehnungswert
D Potenz
M Anzahl der Merkmale 14
ZGF Zugehörigkeitsfunktion
a Toleranz dx nominierte Differenz m Merkmal pCe prozentuale Toleranz von Cdiff x Zählindex z gemitteltes Abstandsmaß
μ Sympathierwert, Abstandsmaß

Claims

15Ansprüche
1. Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers, wobei der Bildsensor ein Lichteingangssignal empfängt und ein elektrisches Ausgangssignal ist, welches zum Lichteingangssignal korreliert, mit folgenden Schritten:
- Analyse des Bildinhalts (03) eines Fensters (01) der Größe n x n Pixel (02) durch,
- Umwandlung des mittelbar oder unmittelbar vom Bildsensor ausgegebenen Ausgangssignals in zumindest einen invarianten Merkmalswert (08) mittels zumindest einer Rechenvorschrift (04, 07),
- Gewichtung des Merkmalswerts (08) mit zumindest einer unscharfen Zugehörigkeitsfunktion (13), wobei die Zugehörigkeitsfunktion (13) in funktionalem Zusammenhang mit dem Wertebereich des Merkmalswerts (08) steht,
- Generierung einer übergeordneten unscharfen Zugehörigkeitsfunktion (16) durch Verknüpfung aller Zugehörigkeitsfunktionen (13) mittels einer aus zumindest einer Regel bestehenden Berechnungsvorschrift (14, 15),
- Ermittlung eines Sympathiewertes (18) aus der übergeordneten unscharfen Zugehörigkeitsfunktion (16),
- Vergleich des Sympathiewertes (18) mit einem Schwellwert (21),
- Entscheidung über eine Klassenzugehörigkeit (19).
2. Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers, wobei der Bildsensor ein Lichteingangssignal empfängt und ein elektrisches Ausgangssignal ist, welches zum Lichteingangssignal korreliert, mit folgenden Schritten:
- Analyse des Bildinhaltes (03) eines Fensters (01) der Größe n x n Pixel (02),
- aus diesen Bildinhalten (03) werden zweidimensionale Spektren bestimmt, 16
- aus diesen zweidimensionalen Spektren werden Spektralamplitudenwerte berechnet und miteinander verknüpft, so dass nur ein Sympathiewert (18) pro Fenster entsteht.
3. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass pro Fenster (01) der Größe n x n Pixel nur ein einziger Sympathiewert (18) berechnet wird.
4. Verfahren zur Signalauswertung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Bild des zu begutachtenden Prüfkörpers in N x N rasterförmig angeordnete Fenster (01 ) der Größe n x n Pixel (02) unterteilt wird.
5. Verfahren zur Signalauswertung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Sympathiewert (18) insbesondere nach einer Schwerpunkts- und / oder Maximumsmethode ermittelt wird.
6. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Sympathiewert (18) nicht linear sind.
7. Verfahren zur Signalauswertung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Verfahren in eine Lernphase und eine Arbeitsphase unterteilt wird, wobei in der Lernphase zumindest ein Parameter und / oder zumindest ein Schwellwert (21 ) bestimmt und angeglichen wird, und wobei in der Arbeitsphase der Bildinhalt (03) eines Prüfkörpers anhand der Ergebnisse aus der Lernphase beurteilt wird.
8. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass in einer Lernphase die Klassenzugehörigkeit trainiert wird, d. h. die Zugehörigkeitsfunktion (13; 16) wird
"angelernt.
9. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass ein Ausgangswert für den Sympathiewert (18) aus folgender Formel gebildet wird:
Der Ausgangswert für das Abstandsmaß (Sympathiewert) lautet: μ= 2 z mit 17
Figure imgf000020_0001
wobei x= ein Zählindex, M= die Anzahl der Merkmale, m= Merkmal, x0 = Mittelwert von Cdiff, D= Potenz. Cdiff = Differenzmaß des Ausdehnungswertes C bedeutet.
10. Verfahren zur Signalauswertung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Rechenvorschrift (04) zur Umwandlung des Signals des Bildsensors in einen invarianten Merkmalswert (08) ein zweidimensionales mathematisches Spektraltransformationsverfahren (04), insbesondere eine zweidimensionale Fourier-, oder Walsh-, oder Hadamard- oder Zirkular-Transformation ist.
11. Verfahren zur Signalauswertung nach Anspruch 1 , dadurch gekennzeichnet, dass ein Merkmalswert (08) durch den Betrag eines Spektralkoeffizienten (06) repräsentiert wird.
12. Verfahren zur Signalauswertung nach Anspruch 1 , dadurch gekennzeichnet, dass zumindest eine Zugehörigkeitsfunktion (13) durch zumindest einen Parameter beschrieben wird.
13. Verfahren zur Signalauswertung nach Anspruch 1 , dadurch gekennzeichnet, dass die Zugehörigkeitsfunktionen (13) unimodale Funktionen sind.
14. Verfahren zur Signalauswertung nach Anspruch 1 , dadurch gekennzeichnet, dass die übergeordnete Zugehörigkeitsfunktion (16) eine multimodale Funktion ist.
15. Verfahren zur Signalauswertung nach Anspruch 1 , dadurch gekennzeichnet, dass die Zugehörigkeitsfunktionen (13) und / oder die übergeordnete Zugehörigkeitsfunktion (16) Potentialfunktion(en) ist (sind). 18
16. Verfahren zur Signalauswertung nach Anspruch 1 , dadurch gekennzeichnet, dass zumindest eine Berechnungsvorschrift (14; 15) mittels der die Zugehörigkeitsfunktionen (13) miteinander verknüpft werden eine konjunktive Berechnungsvorschrift (14; 15) im Sinne einer WENN ... DANN - Verknüpfung ist.
17. Verfahren zur Signalauswertung nach Anspruch 1 , dadurch gekennzeichnet, dass die Generierung der übergeordneten unscharfen Zugehörigkeitsfunktion (16) durch die Abarbeitung der Teilschritte Prämissenauswertung, Aktivierung und Aggregation (15) erfolgt, wobei bei der Prämissenauswertung für jeden WENN - Teil einer Berechnungsvorschrift (14; 15) ein Zugehörigkeitswert bestimmt wird, und wobei bei der Aktivierung eine Zugehörigkeitsfunktion für jede WENN ... DANN - Berechnungsvorschrift bestimmt wird, und wobei bei der Aggregation (15) die übergeordnete Zugehörigkeitsfunktion (16) durch Überlagerung aller bei der Aktivierung erzeugten Zugehörigkeitsfunktionen (13) generiert wird.
18. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass der Sympathiewert (18) mittels Fuzzy-Logik bestimmt wird.
19. Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers, wobei der Bildsensor ein Lichteingangssignal empfängt und ein elektrisches Ausgangssignal ist, welches zum Lichteingangssignal korreliert, mit folgenden Schritten:
- aus mindestens einem Bildinhalt (03) werden Spektren erzeugt,
- die Spektraltranformations wird durch eine Zirkular-Transformation erzeugt.
20. Verfahren nach Anspruch 19, dadurch gekennzeichnet, dass ein invariantes Spektrum erzeugt wird. 19
21. Verfahren nach Anspruch 20, dadurch gekennzeichnet, dass die Invarianzeigenschaft über die Transformationskoeffizienten einstellbar sind.
22. Verfahren nach Anspruch 19, dadurch gekennzeichnet, dass die Zirkular- Transformation mit reellen Koeffizienten ausgeführt wird.
23. Verfahren nach Anspruch 19, dadurch gekennzeichnet, dass zugehörige Arbeitskoeffizienten durch gruppenweise Zusammenfassung von Spektralkoeffizienten gebildet werden.
PCT/DE2003/002467 2002-07-26 2003-07-22 Verfahren zur signalauswertung eines elektronischen bildsensors bei der mustererkennung von bildinhalten eines prüfkörpers WO2004017252A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP03787716A EP1525554A1 (de) 2002-07-26 2003-07-22 Verfahren zur signalauswertung eines elektronischen bildsensors bei der mustererkennung von bildinhalten eines pr fk rpe rs
AU2003258460A AU2003258460A1 (en) 2002-07-26 2003-07-22 Method for evaluating the signals of an electronic image sensor during pattern recognition of image contents in a test piece
US10/522,590 US7483573B2 (en) 2002-07-26 2003-07-22 Method for evaluating the signals of an electronic image sensor during pattern recognition of image contents in a test piece

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE10234086A DE10234086B4 (de) 2002-07-26 2002-07-26 Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers
DE10234086.2 2002-07-26

Publications (1)

Publication Number Publication Date
WO2004017252A1 true WO2004017252A1 (de) 2004-02-26

Family

ID=30469125

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2003/002467 WO2004017252A1 (de) 2002-07-26 2003-07-22 Verfahren zur signalauswertung eines elektronischen bildsensors bei der mustererkennung von bildinhalten eines prüfkörpers

Country Status (6)

Country Link
US (1) US7483573B2 (de)
EP (1) EP1525554A1 (de)
CN (1) CN1331086C (de)
AU (1) AU2003258460A1 (de)
DE (1) DE10234086B4 (de)
WO (1) WO2004017252A1 (de)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10234086B4 (de) * 2002-07-26 2004-08-26 Koenig & Bauer Ag Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers
DE10314071B3 (de) * 2003-03-28 2004-09-30 Koenig & Bauer Ag Verfahren zur qualitativen Beurteilung eines Materials mit mindestens einem Erkennungsmerkmal
DE102004019978B3 (de) 2004-04-23 2005-08-04 Koenig & Bauer Ag Verfahren zur Beurteilung einer Qualität einer von einer Druckmaschine produzierten Drucksache
DE102004021047B3 (de) * 2004-04-29 2005-10-06 Koenig & Bauer Ag Verfahren zum Vergleich eines Bildes mit mindestens einem Referenzbild
US8233712B2 (en) * 2006-07-28 2012-07-31 University Of New Brunswick Methods of segmenting a digital image
US10042813B2 (en) * 2014-12-15 2018-08-07 Intel Corporation SIMD K-nearest-neighbors implementation
CN104598919B (zh) * 2014-12-22 2017-09-19 宁波力芯科信息科技有限公司 用于相似度智能匹配的模糊识别器及方法
TWI675331B (zh) 2018-08-31 2019-10-21 財團法人工業技術研究院 儲物裝置及儲物方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5602938A (en) 1994-05-20 1997-02-11 Nippon Telegraph And Telephone Corporation Method of generating dictionary for pattern recognition and pattern recognition method using the same
US6002807A (en) * 1996-01-11 1999-12-14 Northrop Grumman Corporation Rotationally invariant correlator
US6594392B2 (en) 1999-05-17 2003-07-15 Intel Corporation Pattern recognition based on piecewise linear probability density function
US7187810B2 (en) * 1999-12-15 2007-03-06 Medispectra, Inc. Methods and systems for correcting image misalignment
US20040022436A1 (en) * 2001-03-16 2004-02-05 Paul Patti System and method for data analysis of x-ray images
US7376242B2 (en) * 2001-03-22 2008-05-20 Digimarc Corporation Quantization-based data embedding in mapped data
FR2829343A1 (fr) * 2001-09-04 2003-03-07 St Microelectronics Sa Procede d'insertion de messages binaires dans une image numerique
US7050629B2 (en) * 2002-05-31 2006-05-23 Intel Corporation Methods and systems to index and retrieve pixel data
DE10234086B4 (de) * 2002-07-26 2004-08-26 Koenig & Bauer Ag Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers
WO2004090581A2 (en) * 2003-03-31 2004-10-21 Cdm Optics, Inc. Systems and methods for minimizing aberrating effects in imaging systems
US7349583B2 (en) * 2003-09-05 2008-03-25 The Regents Of The University Of California Global motion estimation image coding and processing
US7853071B2 (en) * 2006-11-16 2010-12-14 Tandent Vision Science, Inc. Method and system for learning object recognition in images

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHANDRAN V ET AL: "POSITION, ROTATION, AND SCALE INVARIANT RECOGNITION OF IMAGES USING HIGHER-ORDER SPECTRA", DIGITAL SIGNAL PROCESSING 2, ESTIMATION, VLSI. SAN FRANCISCO, MAR. 23 - 26, 1992, PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP), NEW YORK, IEEE, US, vol. 5 CONF. 17, 23 March 1992 (1992-03-23), pages V213 - V216, XP000341440, ISBN: 0-7803-0532-9 *
KING NGI NGAN ET AL: "FUZZY QUATERNION APPROACH TO OBJECT RECOGNITION INCORPORATING ZERNIKE MOMENT INVARIANTS", PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION. ATLANTIC CITY, JUNE 16 - 21, 1990. CONFERENCE A: COMPUTER VISION AND CONFERENCE B: PATTERN RECOGNITION SYSTEMS AND APPLICATIONS, LOS ALAMITOS, IEEE COMP. SOC. PRESS, US, vol. 1 CONF. 10, 16 June 1990 (1990-06-16), pages 288 - 290, XP000166339, ISBN: 0-8186-2062-5 *
SREELA SASI ET AL: "HANDWRITTEN CHARACTER RECOGNITION USING FUZZY LOGIC", PROCEEDINGS OF THE MIDWEST SYMPOSIUM ON CIRCUITS AND SYSTEMS. LAFAYETTE, AUG. 3 - 5, 1994, NEW YORK, IEEE, US, vol. 2 SYMP. 37, 3 August 1994 (1994-08-03), pages 1399 - 1402, XP000531907, ISBN: 0-7803-2429-3 *
XIAOFAN LIU ET AL: "FUZZY PYRAMID-BASED INVARIANT OBJECT RECOGNITION", PATTERN RECOGNITION, PERGAMON PRESS INC. ELMSFORD, N.Y, US, vol. 27, no. 5, 1 May 1994 (1994-05-01), pages 741 - 756, XP000453062, ISSN: 0031-3203 *

Also Published As

Publication number Publication date
CN1672167A (zh) 2005-09-21
DE10234086A1 (de) 2004-02-19
US7483573B2 (en) 2009-01-27
EP1525554A1 (de) 2005-04-27
CN1331086C (zh) 2007-08-08
US20060050995A1 (en) 2006-03-09
AU2003258460A1 (en) 2004-03-03
DE10234086B4 (de) 2004-08-26

Similar Documents

Publication Publication Date Title
DE19521346C2 (de) Bilduntersuchungs/-Erkennungsverfahren, darin verwendetes Verfahren zur Erzeugung von Referenzdaten und Vorrichtungen dafür
DE69530566T2 (de) Hough-Transform mit Fuzzy-Gradient und Wahl
EP0780002B1 (de) Verfahren und vorrichtung zur rekonstruktion von in rasterform vorliegenden linienstrukturen
EP0523407B1 (de) Verfahren zur Klassifikation von Signalen
EP3847578A1 (de) Verfahren und vorrichtung zur klassifizierung von objekten
CH684856A5 (de) Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens.
DE19928231C2 (de) Verfahren und Vorrichtung zur Segmentierung einer Punkteverteilung
EP3828758A1 (de) Objektklassifizierungsverfahren, objektklassifizierungsschaltung, kraftfahrzeug
WO2004017252A1 (de) Verfahren zur signalauswertung eines elektronischen bildsensors bei der mustererkennung von bildinhalten eines prüfkörpers
DE19636074C2 (de) Lernfähiges Bildverarbeitungssystem zur Klassierung
EP2064672A2 (de) Verfahren und vorrichtung zur bildverarbeitung
EP0394959A2 (de) Verfahren zur Bildauswertung
DE102021207613A1 (de) Verfahren zur Qualitätssicherung eines Systems
WO2007042195A2 (de) Verfahren zur segmentierung in einem n-dimensionalen merkmalsraum und verfahren zur klassifikation auf grundlage von geometrischen eigenschaften segmentierter objekte in einem n-dimensionalen datenraum
DE10027657B4 (de) Verfahren zur Ermittlung von Referenzpunkten in einem Fingerabdruckbild
EP3655920B1 (de) Verfahren und vorrichtung zur bewertung von bildausschnitten für eine korrespondenzbildung
EP2096578A2 (de) Verfahren und Vorrichtung zur Charakterisierung der Formation von Papier
DE19834718C2 (de) Digitale Bildverarbeitung für ein Qualitätskontrollsystem
WO2020233961A1 (de) Verfahren zum beurteilen einer funktionsspezifischen robustheit eines neuronalen netzes
DE102019114049A1 (de) Verfahren zur Validierung eines Fahrerassistenzsystems mithilfe von weiteren generierten Testeingangsdatensätzen
EP0469315B1 (de) Verfahren zur visuellen Inspektion zwei- oder dreidimensionaler Bilder
DE10066189B4 (de) Verfahren zur Erkennung von Objekten
DE102021200821B3 (de) Erzeugung von Trainingsdaten für zweidimensionale Scans eines Bodenradar- Systems
DE19810162C2 (de) Verfahren zur Bildanalyse nach stochastischen Eigenschaften
DE102020212235A1 (de) Verfahren zur Qualitätssicherung eines beispielbasierten Systems

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BY BZ CA CH CN CO CR CU CZ DK DM DZ EC EE ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): GH GM KE LS MW MZ SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LU MC NL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 2003787716

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2006050995

Country of ref document: US

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 10522590

Country of ref document: US

Ref document number: 20038179881

Country of ref document: CN

WWP Wipo information: published in national office

Ref document number: 2003787716

Country of ref document: EP

WWP Wipo information: published in national office

Ref document number: 10522590

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: JP

WWW Wipo information: withdrawn in national office

Country of ref document: JP