WO2006027158A1 - Verfahren zur zuordnung eines digitalen bildes in eine klasse eines klassifizierungssystems - Google Patents

Verfahren zur zuordnung eines digitalen bildes in eine klasse eines klassifizierungssystems Download PDF

Info

Publication number
WO2006027158A1
WO2006027158A1 PCT/EP2005/009427 EP2005009427W WO2006027158A1 WO 2006027158 A1 WO2006027158 A1 WO 2006027158A1 EP 2005009427 W EP2005009427 W EP 2005009427W WO 2006027158 A1 WO2006027158 A1 WO 2006027158A1
Authority
WO
WIPO (PCT)
Prior art keywords
class
image
values
shape
numerical
Prior art date
Application number
PCT/EP2005/009427
Other languages
English (en)
French (fr)
Inventor
Günther Coen
Original Assignee
Betriebsforschungsinstitut VDEh-Institut für angewandte Forschung GmbH
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 Betriebsforschungsinstitut VDEh-Institut für angewandte Forschung GmbH filed Critical Betriebsforschungsinstitut VDEh-Institut für angewandte Forschung GmbH
Priority to US11/574,698 priority Critical patent/US7876964B2/en
Priority to AT05776279T priority patent/ATE440342T1/de
Priority to CN2005800334923A priority patent/CN101048784B/zh
Priority to DE502005007957T priority patent/DE502005007957D1/de
Priority to EP05776279A priority patent/EP1789909B1/de
Publication of WO2006027158A1 publication Critical patent/WO2006027158A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/186—Extraction of features or characteristics of the image by deriving mathematical or geometrical properties from the whole image
    • G06V30/188—Computation of moments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Definitions

  • the invention relates to a method for assigning a digital image to a class of a classification system.
  • Optical error detection methods were carried out in the past by quality assurance personnel. These have considered the object to be checked or an image representation of the object to be checked and recognized possible errors.
  • weld seams are checked for types of defects by means of X-ray images, such as, for example, cracks, insufficient penetration, binding defects, slag, slag lines, pores, hose pores, wort I, root defects, heavy metal inclusions and edge offset.
  • X-ray images such as, for example, cracks, insufficient penetration, binding defects, slag, slag lines, pores, hose pores, wort I, root defects, heavy metal inclusions and edge offset.
  • it is known to view radioscopic images of castings in order to detect defects in the casting, for example foreign inclusions, gas inclusions, voids, such as yarn pockets or spongy voids, cracks or core supports.
  • the industry standard EN 1435 describes the classification system for weld defects.
  • the errors detected in welds and identified by means of X-ray images are divided into the 30 different classes, for example classes for the faults such as cracking
  • the faults such as cracking
  • each letter forms its own class, so that, for example, there are 26 classes for the capital letter alphabet, namely for the characters (A, B, C, D, E, F, G, H, I 1 J, K, L, M, N, O, P, Q, R, S, T, U, V, W, X, Y, Z).
  • OCR technologies Optical Character Recognition
  • the published European patent specifications 0 854 435 B1 and 0 649 113 B1 cover, for example, the technical field of optical character recognition (Optical Character Recognition).
  • Image preprocessing is the computer-aided improvement of the quality (processing: denoising, smoothing) of the respective digital image for easier visual perception of the information content of this image for the viewer.
  • Image analysis is the computer-aided evaluation of the information content of the respective digital image by automatic and reproducible structuring, recognition and understanding of this image.
  • the analysis of image sequences means the computer-aided evaluation of the information content of the respective sequence of digital images by automatic and reproducible structuring, recognition and understanding of all individual images of this sequence and by automatic and reproducible understanding of the context of the sequence of individual images follow-up.
  • Image archiving is the computer-aided compression and storage of digital images together with indexing search descriptors from a controlled vocabulary.
  • Imaging means the computer-aided generation of synthetic graphics and digital images for the visualization and explanation of the information content of complex processes on image and symbol level for the human observer.
  • the technique of associating the contents of digital images with a class of a classification system is a method of image analysis. This can be subdivided into three subareas: segmentation, object recognition and image understanding.
  • Segmentation is understood to mean the automatic and reproducible structuring of the respective digital image by separating the objects relevant for the analysis of the image from each other and from the background of the image.
  • Object recognition is the automatic and reproducible zierbare classification of the separated objects.
  • Image comprehension can be understood as the automatic and reproducible interpretation of the respective digital image by context evaluation of the classified, separated objects.
  • the technique of associating digital images with a class of a classification system is a method of object recognition.
  • the object recognition can be understood as a subarea of the pattern recognition and indeed as the subarea of the pattern recognition, which recognizes as pattern only planar objects in images.
  • the images are regularly displayed by an image composed of pixels, whereby the content of each pixel and its position in the image must be known in order to display the image.
  • the images can be stored in color images, grayscale images and binary images, with binary images as the content attribute, for example, only taking the values 0 and 1 for black and white.
  • malsvektoren ⁇ ( ⁇ ', ⁇ 2, ⁇ 3, ⁇ - *, ⁇ s, ⁇ , ⁇ 7), whose coordinates are dimensionless shape features done so that in particular size differences between the objects to be recognized and the objects used for the preparation of Ver ⁇ equal table meaningless. Furthermore, within the set of dimensionless shape features .phi. / By the coordinate reference to the feature vector .phi., An unambiguous order with respect to the relevance of the features for the object recognition in digital image processing is given, so that it is clear that the first feature .phi..sub.r is the most important is.
  • the object of the invention is to propose a method for assigning the content of a digital image to a class of a classification system, with which also characters of more complex form can be reliably recognized.
  • the invention is based on the idea of determining the image to be analyzed of a predetermined number of numerical shape features ⁇ m with m as count index running from 1 to F, where ⁇ m is a transformed expression of dimensionless, scaled, normalized, centralized pola ⁇ ren moment p m is.
  • These mutually independent shape features ⁇ m can be compared for matching the content of the digital image with stored in a table values for these shape features. If the values of all determined F shape features ⁇ m coincide with the F shape features ⁇ m stored for a class in the table, the image content of the analyzed image belongs to this class. Due to digital In this case, it is preferable to work with approximate values, so that a class assignment is also already output when the calculated F shape features ⁇ m approximately coincide with the F stored features ⁇ m of a class.
  • the numerical shape features ⁇ m proposed according to the invention for image analysis are independent of one another in such a way that a large number of shape features can be established without the dependency of the shape features on one another arises. As a result, an unambiguous assignment of the image contents to be recognized to a designated class can be achieved.
  • the method according to the invention is, in particular, independent of the relative position of the content to be recognized relative to the receiving device. Also, for example, rotated by 60 ° or 180 ° objects can be clearly assigned zuge ⁇ .
  • the method is based on the computation of a sequence of F functionally independent, dimensionless features of the separated, bounded content in the respective image.
  • the image is displayed in a conventional manner by N pixels, wherein a pixel in a predetermined coordinate system at the location (Xj, y j), and the image is on the coordinates (0,0) to (Xi ma ⁇ , yim a x) and imax is the maximum number of pixels in the direction of the x-coordinate and ymax is the maximum number of pixels in the direction of the y-coordinate and each pixel is assigned a content attribute data [j, i].
  • the content attribute is for a binary-represented image in which the respective pixel content assumes, for example, either the value 1 or 0 for black or white, for example a single value deposited in a table, and data [j, i] representatively for the value in this table at the location associated with the pixel.
  • the content attribute data [j, i] is representative of a vector which contains these three values for the respective pixel contains.
  • Data [j, i] can also be representative of other vectors, if other color representations are used, or greyscale representations, data [j, i] can also be representative of the magnitude of such a vector, if a multi-color representation is converted from a multi-color representation, for example an RGB representation, into a greyscale or even binary representation before the use of the classification method according to the invention.
  • data [j, i] can also stand for the individual value of the red representation, or green representation, or blue representation in the pixel.
  • the classification method is then carried out, for example, exclusively on the basis of a representation, for example the red representation, the method then being carried out in the same way as for the binary representation above. It is then also possible to use binary values 1 and 0 for data [j, i] at the image point, where 1 stands, for example, for red and 0 for empty.
  • the classification method can be performed in parallel for the different color representations, ie parallel for a binary red representation, a binary green representation and a binary blue representation. This increases the accuracy of the classification.
  • W 0 1 (Abf * ⁇ * ⁇ ⁇ (y -0,5) * ⁇ / ⁇ 4 /, /]
  • ⁇ a width of the pixel in x-coordinates direction
  • ⁇ b width of the pixel in y-coordinates direction data
  • ö, i] content attribute of the pixel at the position (y j , X 1 )
  • m continuous number from 1 to F.
  • the predetermined coordinate system is particularly preferably a Cartesian coordinate system, since most digital images define the pixels via a Cartesian coordinate system.
  • an image content is defined by the arrangement of pixels of the same content attribute.
  • the F-determined shape features of the image content yield a feature vector in a bounded, F-dimensional subarea (unit hypercube) of the F-dimensional feature space.
  • the content classification finally takes place by problem-specific clustering of this n-dimensional unit hypercube.
  • the classification system can be, for example, a given industry standard, such as EN 1435.
  • each person can form his own class.
  • the F shape features ⁇ m which characterize the fingerprint or the iris image of the person to be recognized, are filed.
  • the image of the iris taken by a recording unit for example a camera, is analyzed by the method according to the invention, wherein the F shape features ⁇ m of the recorded iris are calculated and compared with the shape feature values stored in the table. If there is an (approximate) agreement with all the values of the features ⁇ m of a class, then the system recognizes the person who is characterized by this class.
  • a method of least squares for example according to Gauss, can preferably be used.
  • the aforementioned method steps can be carried out for a plurality of groups with F numerical shape features ⁇ m , for example in a group for values of a red representation, in a group for values of a green representation and in a group for values of a blue representation.
  • the aforementioned method steps can also be carried out on content attributes data [j, i] which contain as vector the individual values of the individual color representations. Divisional calculation operations are then preferably carried out on the amounts of the vectors.
  • the shape feature ⁇ m is the transformation
  • the shape characteristic to be compared with the values stored in the table is preferably the shape feature ⁇ m obtained by means of the aforementioned transformation.
  • the series of F shape features can be subjected to an orthogonalization method, as is carried out, for example, according to E. Schmidt.
  • the shape characteristic to be compared can be converted in particular such that a series of F shape features ⁇ i, ⁇ 2, ⁇ 3 for a circle. ⁇ 4, ⁇ s ••• ⁇ F with values of 1, 0,0,0,0 ... 0 results.
  • the number F of the shape features is increased until the values of the shape features having the highest order numbers m decrease in all classes with increasing order number.
  • the values of the respective shape feature ⁇ m determined for the at least 29 samples per class can be arithmetically averaged to determine a value to be used for this class for this feature.
  • the number F can also be determined by way of a rotational ellipse determination method.
  • Such "cluster processes” are described, for example, in H. Niemann, Klasstechnik von Muster, Springer Verlag, Berlin, 1983, page 200ff.
  • the inventive method for assigning the content of a digital image in a class of a classification system is preferably used in the optical inspection of components, in particular in the optical surface chenenspektion. Furthermore, the method can be used for quality assurance, texture, shape and contour analysis, photogrammetry, character and character recognition, person recognition, robotic vision or the evaluation of radiographic or radioscopic images, ultrasound images and nuclear spin Tomography are used.
  • the images with respect to which the object recognition is carried out are "optical" images from the spectral range of visible light or radiographic or radioscopic Images or even synthetic imagery.
  • the method can therefore also be used in the field of optical surface inspection, such as in quality assurance, texture, shape and contour analysis, photogrammetry, character and character recognition, person recognition, robotic vision or the evaluation of radiographic or radioscopic images, ultrasound images and magnetic resonance tomography.
  • Fig. 1 shows three different representations of a first character to be recognized
  • Fig. 2 shows three representations of a second character to be recognized
  • FIG. 3 shows three representations of a third character to be recognized.
  • the letters A, B and C are respectively in three forms of representation i) normal, ii) normal but rotated by 90 °, iii) same orientation as normal but smaller. Furthermore, in addition to the centered orientations shown in the figures, one positioning on the left and one positioning on the right were examined.
  • ⁇ a width of the pixel in x-coordinate direction
  • ⁇ b width of the pixel in y-coordinate direction

Abstract

Verfahren zur Zuordnung des Inhalts eines digitalen Bildes in eine Klasse eines Klassifizierungssystems, mit den folgenden Schritten: - Ermitteln einer vorbestimmten Anzahl von F numerischen Formmerkmalen ψm, - Vergleichen des Werts jedes Formmerkmals der für das Bild bestimmten F nummerischen Formmerkmale mit den in einer Tabelle zu dem jeweiligen Formmerkmal abgelegten Wert, wobei in der Tabelle jeder Klasse Werte für die einzelnen nummerischen Formmerkmale zugeordnet sind, - Ausgabe der Klasse als Klasse, in die das zu erkennende Bild klassifiziert wurde, bei der die für das Bild bestimmten F nummerischen Formmerkmale den in der Tabelle für diese Klasse angegebenen Werten der nummerischen Formmerkmale am besten entsprechen.

Description

Betriebsforschungsinstitut VDEh-Institut für angewandte Forschung GmbH
Sohnstraße 65, 40042 Düsseldorf
"Verfahren zur Zuordnung eines digitalen Bildes in eine Klasse eines Klassifizierungssvstems"
Die Erfindung betrifft ein Verfahren zur Zuordnung eines digitalen Bildes in eine Klasse eines Klassifizierungssystems.
Mit der zunehmenden Automatisierung industrieller Prozesse erhält die Au¬ tomatisierung der Fehlererkennung auf Grundlage optischer Analysemetho¬ den zunehmend an Bedeutung. Optische Fehlererkennungsverfahren wur¬ den in der Vergangenheit von Qualitätssicherungspersonal durchgeführt. Diese haben das zu überprüfende Objekt oder eine Bilddarstellung des zu überprüfenden Objekts betrachtet und mögliche Fehler erkannt. Beispiels¬ weise werden Schweißnähte anhand von Röntgenbildern auf Fehlertypen, wie beispielsweise Risse, ungenügende Durchschweißungen, Bindefehler, Schlacke, Schlackenzeilen, Poren, Schlauchporen, Würze I kerben, Wurzel¬ fehler, Schwermetalleinschlüsse und Kantenversatz überprüft. Ferner ist es bekannt, radioskopische Bilder von Gußteilen zu betrachten, um Fehler in dem Gußteil zu erkennen, beispielsweise Fremdeinschlüsse, Gasein¬ schlüsse, Lunker, wie Fadenlunker oder schwammige Lunker, Risse oder Kernstützen. Da solche Fehler ihrer Art nach ähnlich, ihrer Ausprägung und Form nach jedoch unterschiedlich sein können, ist man bei der industriellen Fehlerüberprüfung dazu übergegangen, Fehler verschiedenen Klassen zu¬ zuordnen, wobei die jeweilige Klasse Fehler der gleichen Art enthält. Die In¬ dustrienorm EN 1435 beschreibt beispielsweise das Klassifizierungssystem für Schweißnahtfehler. Gemäß dieser Norm werden die bei Schweißnähten auftretenden, anhand von Röntgenbildern erkannten Fehler in die 30 ver- schiedene Klassen eingeteilt, beispielsweise Klassen für die Fehler Riß, wie beispielsweise Längsriß oder Querriß, ungenügende Durchschweißung, Bin¬ defehler, Fremdeinschlüsse, wie Schlacke, Schlackenzeile, Gaseinschlüsse, wie Pore oder Schlauchpore, oder Schwermetalleinschluß, Einbrandkerben, Würze I kerbe, Wurzelfehler, und Kantenversatz. Mit der Automatisierung der Prozesse ist man nun bestrebt, das optische Erkennen von Fehlern und Zu¬ ordnen dieser Fehler in vorgegebene Klassen durch Bildanalyse mit digitalen Bildaufnahmetechniken aufgenommener und gespeicherter Bilder zu errei¬ chen. Herkömmliche automatisierte Fehlererkennungsmethoden auf Grund¬ lage digitaler Bilder verwenden einen sogenannten "heuristischen Ansatz". Hier werden in einer Bildverarbeitungseinheit Referenzbilder abgelegt und durch einen Bildvergleich versucht, den Inhalt eines digitalen Bildes einem dieser Referenzmuster zuzuordnen.
Auf anderen technologischen Gebieten wird die Zuordnung von Bildinhalten zu Klassen eines Klassifizierungssystems beispielsweise in der Schrifterken¬ nung eingesetzt. Hier bildet beispielsweise jeder Buchstabe seine eigene Klasse, so daß für das Großbuchstabenalphabet beispielsweise 26 Klassen bestehen, nämlich für die Zeichen (A, B, C, D, E, F, G, H, I1 J, K, L, M, N, O, P, Q, R, S, T, U, V, W, X, Y, Z). Die OCR-Technologien (Optical Character Recognition) analysieren das durch einen Scanner erzeugte digitale Abbild einer geschriebenen Seite und ordnen die singularisierten Buchstabenzei¬ chen den vorgegebenen Klassen zu. Im Ergebnis "erkennt" die OCR-Tech- nologie den Text und kann die klassifizierten Zeichen einem Textverarbei¬ tungsprogramm als editierbare Buchstabenreihenfolge übergeben. Die er- teilten europäischen Patentschriften 0 854 435 B1 und 0 649 113 B1 be¬ fassen sich beispielsweise mit dem technischen Gebiet der Zeichenerken¬ nung (Optical Character Recognition).
Zunehmend läßt sich die Technik der Bildverarbeitung in Bereiche unter- schiedlicher Teilprozesse unterteilen, deren Technologien sich unabhängig von einander weiterentwickeln. Diese Bereiche werden häufig in die Bildvor¬ verarbeitung, Bildanalyse, Analyse von Bildfolgen, Bildarchivierung und das sogenannte Imaging gegliedert. Unter Bildvorverarbeitung versteht man die computergestützte Verbesserung der Qualität (Aufbereitung: Entrauschung, Glättung) des jeweiligen digitalen Bildes zur leichteren visuellen Wahrnehmung des Informationsgehaltes die¬ ses Bildes für den Betrachter.
Unter Bildanalyse versteht man die computergestützte Auswertung des In¬ formationsgehaltes des jeweiligen digitalen Bildes durch automatisches und reproduzierbares Strukturieren, Erkennen und Verstehen dieses Bildes.
Unter der Analyse von Bildfolgen versteht man die computergestützte Aus¬ wertung des Informationsgehaltes der jeweiligen Folge von digitalen Bildern durch automatisches und reproduzierbares Strukturieren, Erkennen und Ver¬ stehen aller Einzelbilder dieser Folge und durch automatisches und reprodu¬ zierbares Verstehen des Kontextes der Abfolge der Einzelbilder dieser BiId- folge.
Unter Bildarchivierung versteht man die computergestützte Kompression und Speicherung von digitalen Bildern zusammen mit indizierenden Suchdes¬ kriptoren aus einem kontrollierten Vokabular.
Unter Imaging versteht man die computergestützte Erzeugung synthetischer Graphiken und digitaler Bilder zur Visualisierung und Erläuterung des Infor¬ mationsgehaltes komplexer Prozesse auf Bild- und Symbolebene für den menschlichen Betrachter.
Die Technik des Zuordnens der Inhalte digitaler Bilder zu einer Klasse eines Klassifizierungssystems ist ein Verfahren der Bildanalyse. Diese läßt sich in drei Teilbereiche: Segmentierung, Objekterkennung und Bildverstehen un¬ terteilen.
Unter Segmentierung versteht man das automatische und reproduzierbare Strukturieren des jeweiligen digitalen Bildes durch Separieren der für die Analyse des Bildes relevanten Objekte voneinander und vom Bildhinter¬ grund. Unter Objekterkennung versteht man die automatische und reprodu- zierbare Klassifikation der separierten Objekte. Das Bildverstehen kann auf¬ gefaßt werden als das automatische und reproduzierbare Interpretieren des jeweiligen digitalen Bildes durch Kontextbewertung der klassierten, sepa¬ rierten Objekte. Die Technik des Zuordnens digitaler Bilder zu einer Klasse eines Klassifizierungssystems ist ein Verfahren der Objekterkennung.
Die Objekterkennung kann aufgefaßt werden als ein Teilgebiet der Musterer¬ kennung und zwar als das Teilgebiet der Mustererkennung, das als Muster nur ebene Objekte in Bildern erkennt.
Die Darstellung der Bilder erfolgt regelmäßig durch ein aus Bildpunkten zu¬ sammengesetztes Bild, wobei zur Darstellung des Bilds der Inhalt eines je¬ den Bildpunktes und dessen Lage im Bild bekannt sein muß. Abhängig von dem Inhaltsattribut lassen sich die Bilder in Farbbilder, Grauwertbilder und Binärbilder, wobei Binärbilder als Inhaltsattribut beispielsweise nur die Werte 0 und 1 für schwarz und weiß annehmen.
Ein in der Technik häufig eingesetztes Verfahren zur Zuordnung eines digi¬ talen Bildes in eine Klasse eines Klassifizierungssystems, das jahrzehntelang erfolgreich zur Unterscheidung militärischer Flugzeuge (Freund-Feind- Erkennung) eingesetzt wurde, ist aus M. K. Hu: "Visual Pattern Recognition by Moment Invariants", IRE Trans. Info. Theory, vol. IT-8, 1962, pp. 179-187 und R. C. Gonzalez, R. E. Woods: "Digital Image Processing", Addison- Wesley Publishing Company, 1992, pp. 514-518 bekannt. Auf der Basis der so genannten normierten, zentralisierten axialen Momente, die durch Bilda¬ nalysetechniken aus der Bildwiedergabe gewonnen werden, läßt sich durch Skalierung für jedes beliebige, separierte, beschränkte, ebene Objekt in ei¬ nem Binärbild eine endliche Folge {φ/} von 7 dimensionslosen Formmerkma¬ len erzeugen. Betrachtet man die 7 Folgenglieder <j>/(0 < / < lo = 7) als die Ko- ordinaten eines Merkmalsvektors Φ=(φ*, φ2, φa, φ<, φs, φβ, φz), der Element ei¬ nes 7-dimensionalen, euklidischen Merkmalsraums M7 ist, dann induziert dieses Verfahren eine Objekterkennung in diesem 7-dimensionalen Merk¬ malsraum M7. Sie hat, gemessen an der Objekterkennung mittels heuristi¬ scher Merkmale die Vorteile, daß die Klassierung ausschließlich mit Merk- malsvektoren Φ=(Φ', φ2, φ3, φ-*, φs, φβ, φ7), deren Koordinaten dimensionslose Formmerkmale sind, geschieht, so daß insbesondere Größenunterschiede zwischen den zu erkennenden Objekten und den für die Erstellung der Ver¬ gleichstabelle verwendeten Objekten bedeutungslos sind. Ferner ist inner- halb der Menge der dimensionslosen Formmerkmale φ/ durch den Koordina¬ tenbezug zum Merkmalsvektors Φ eine eindeutige Reihenfolge bezüglich der Relevanz der Merkmale für die Objekterkennung in der digitalen Bildverar¬ beitung vorgegeben, so daß eindeutig ist, daß das erste Merkmal φr das wichtigste ist.
Dennoch ist dieses Verfahren nachteilbehaftet, da die Zahl der verfügbaren dimensionslosen Formmerkmale auf 7 begrenzt ist und somit bei komplexen Objekten eine Fehlklassifizierung erfolgen kann, wenn sich für zwei unter¬ schiedliche Klassen gleiche Werte für die 7 dimensionslosen Formmerkmale ergeben.
Vor diesem Hintergrund liegt der Erfindung die Aufgabe zugrunde, ein Ver¬ fahren zum Zuordnen des Inhalts eines digitalen Bildes in eine Klasse eines Klassifizierungssystems vorzuschlagen, mit dem auch Zeichen komplexerer Form sicher erkannt werden können.
Diese Aufgabe wird mit den Verfahren gemäß dem Anspruch 1 gelöst. Vor¬ teilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.
Die Erfindung geht von dem Grundgedanken aus, für das zu analysierende Bild einer vorbestimmte Anzahl von numerischen Formmerkmalen Ψm mit m als Zählindex, der von 1 bis F läuft, zu ermitteln, wobei Ψm ein transformierter Ausdruck des dimensionslosen, skalierten, normierten, zentralisierten, pola¬ ren Moment pm ist. Diese voneinander unabhängigen Formmerkmale ψm können zur Zuordnung des Inhalts des digitalen Bildes mit in einer Tabelle abgelegten Werten für diese Formmerkmale verglichen werden. Bei einer Übereinstimmung der Werte sämtlicher ermittelter F Formmerkmale ψm mit den für eine Klasse in der Tabelle abgelegten F Formmerkmalen ψm gehört der Bildinhalt des analysierten Bildes dieser Klasse an. Aufgrund der Digitali- sierung ist hierbei bevorzugt mit Nährungswerten zu arbeiten, so daß eine Klassenzuordnung auch bereits dann ausgegeben wird, wenn die berech¬ neten F Formmerkmale ψm näherungsweise mit den F abgelegten Form¬ merkmalen ψm einer Klasse übereinstimmen.
Im Gegensatz zu der aus dem Stand der Technik bekannten auf 7 Form¬ merkmale begrenzten Methode sind die erfindungsgemäß zu Bildanalyse vorgeschlagenen numerischen Formmerkmale ψm derart unabhängig von¬ einander, daß eine große Zahl von Formmerkmalen aufgestellt werden kann, ohne das eine Abhängigkeit der Formmerkmale zueinander entsteht. Da¬ durch kann eine eindeutige Zuordnung der zuerkennenden Bildinhalte in eine vorgesehene Klasse erreicht werden.
Das erfindungsgemäße Verfahren ist insbesondere unabhängig von der re- lativen Lage des zu erkennenden Inhalts zu der Aufnahmevorrichtung. Auch um beispielsweise 60° oder 180° gedrehte Objekte können eindeutig zuge¬ ordnet werden.
Das Verfahren basiert auf der Berechnung einer Folge von F funktional un- abhängigen, dimensionslosen Merkmalen des separierten, beschränkten Inhalts im jeweils vorliegenden Bild.
Das Bild wird in herkömmlicher Weise durch N Bildpunkte dargestellt, wobei ein Bildpunkt in einem vorbestimmten Koordinatensystem an dem Ort (Xj, yj) liegt und das Bild sich über die Koordinaten (0,0) bis (Ximaχ, yimax) erstreckt und imax die maximale Zahl der Bildpunkte in Richtung der x-Koordinate und ymax die maximale Zahl der Bildpunkte in Richtung der y-Koordinate ist und jedem Bildpunkt ein Inhaltsattribut data [j,i] zugeordnet ist.
Das Inhaltsattribut ist für eine binär-dargestelltes Bild, bei dem der jeweilige Bildpunktinhalt beispielsweise entweder den Wert 1 oder 0 für schwarz oder weiß annimmt, beispielsweise ein einzelner Wert, der in einer Tabelle abge¬ legt ist, und data [j,i] stellvertretend für den Wert in dieser Tabelle am dem dem Bildpunkt zugeordneten Ort ist. Bei farbigen Bildern, bei denen sich das Inhaltsattribut jedes Bildpunkt beispielsweise aus drei Werten für die 3 Far¬ bendarstellung "rot,grün,blau" (RGB-Darstellung) zusammensetzt, ist das Inhaltsattribut data [j,i] beispielsweise stellvertretend für einen Vektor, der diese drei Werte für den jeweiligen Bildpunkt enthält. Data[j,i] kann auch stellvertretend für andere Vektoren sein, falls andere Farbdarstellungen ver¬ wendet werden, bzw. Graustufendarstellungen, data [j,i] kann auch stellver¬ tretend für den Betrag eines solchen Vektors stehen, wenn eine Mehrfar¬ bendarstellung vor dem Einsatz des erfindungsgemäßen Klassifizierungs¬ verfahrens von einer Mehrfarbendarstellung, beispielsweise einer RGB-Dar- Stellung, in eine Graustufen oder sogar binäre Darstellung umgewandelt wird.
Bei einer Farbdarstellung, beispielsweise einer RGB-Darstellung, kann data[j,i] zudem auf für den Einzelwert der Rot-Darstellung, bzw. Grün-Dar¬ stellung, bzw. Blau-Darstellung im Bildpunkt stehen. Das Klassifizierungs- verfahren wird dann beispielsweise ausschließlich anhand einer Darstellung, beispielsweise der Rot-Darstellung, durchgeführt, wobei das Verfahren dann gleich dem vorstehenden Verfahren für Binär-Darstellungen durchgeführt wird. Es können dann ebenfalls binäre Werte 1 und 0 für data[j,i] am Bild¬ punkt verwendet werden, wobei 1 beispielsweise für rot und 0 für leer steht. Ebenso kann das Klassifizierungsverfahren parallel für die verschiedenen Farb-Darstellungen durchgeführt werden, also parallel für eine binäre Rot- Darstellung, eine binäre Grün-Darstellung und eine binäre Blau-Darstellung. Hierdurch wird die Genauigkeit der Klassifizierung erhöht.
Das in das numerische Formmerkmal ψm transformierte Moment pm berech¬ net sich aus
Figure imgf000009_0001
J max ; max
A = w00 = Δo * Ab * ∑ £ύfata[/,/]
/ = 1 ι = l v„ υ„
Rm =
On m 0,0
/ max i max υm = Aa * Ab * Σ ∑ ∑(Ä(y,0)"ώta[/,'1
/ = 1 Σ I = I τ-.\2
RU, 0 = >/((' - 0>5) * Δα - x)2 + ((; - 0,5) * Ab - y)
'1,0 m, 0,0
"V1
^ = wo,o y max / max
/«, 0 = (Aa)2 * Ab * ∑ ∑(z - 0,5) * Jαtof;,/] l =\ /=1 y max i max
W0 1 = (Abf * Δα * ∑ ∑(y -0,5) * </α4/,/]
/=1 ,=l
Δa = Breite des Bildpunktes in x-Koordinaten Richtung Δb = Breite des Bildpunktes in y-Koordinaten Richtung data ö,i] = Inhaltsattribut des Bildpunkts an der Stelle (yj, X1) m = Durchlaufende Zahl von 1 bis F.
Das vorbestimmte Koordinatensystem ist besonders bevorzugt ein kartesi- sche Koordinatensystem, da die meisten digitalen Bilder die Bildpunkte über ein kartesisches Koordinatensystem definieren. Es können jedoch auch an¬ dere Koordinatensysteme, beispielsweise polare Koordinatensysteme einge¬ setzt werden.
Während derzeit digitale Bilder in der Regel mit 1 bis zu 3 Millionen BiId- punkten (pixel) dargestellt werden können, ist zu erwarten, daß sich die Zahl N mit dem Fortschritt der Bildaufnahme und -Verarbeitungstechnik zuneh¬ mend erhöht, so daß die vorgenannten Summenfunktionen annähernd in Integralfunktionen übergehen.
Insbesondere wird ein Bildinhalt durch die Anordnung von Bildpunkten glei¬ chen Inhaltsattributs definiert. Die F ermittelten Formmerkmale des Bildinhalts ergeben einen Merkmals¬ vektor in einem beschränkten, F-dimensionalen Teilbereich (Einheits-Hyper- würfel) des F-dimensionalen Merkmalsraum. Die Inhaltsklassierung ge¬ schieht schließlich durch problemspezifisches Clustern dieses n-dimensio- nalen Einheits-Hyperwürfels.
Das Klassifizierungssystem kann beispielsweise eine vorgegebene Indu¬ strienorm sein, wie beispielsweise die EN 1435. Bei der Personenerkennung kann beispielsweise jede Person eine eigene Klasse bilden. So werden in der Vergleichstabelle die F Formmerkmale ψm , die den Fingerabdruck oder das Iris-Bild der zu erkennenden Person charakterisieren, abgelegt. Zur Personenerkennung wird das von einer Aufnahmeeinheit, beispielsweise Kamera, aufgenommene Bild der Iris nach dem erfindungsgemäßen Verfahren analysiert, wobei die F Formmerkmale ψm der aufgenommenen Iris berechnet werden und mit den in der Tabelle abgelegten Formmerkmals- Werten verglichen werden. Ergibt sich eine (annäherungsweise) Übereinstimmung mit allen Werten der Formmerkmale ψm einer Klasse, so hat das System die Person, die durch diese Klasse charakterisiert wird erkannt. Für die Bestimmung der näherungsweisen Übereinstimmung kann vorzugsweise eine Methode der kleinsten Quadrate, beispielsweise nach Gauss, verwendet werden.
Wird ein digitales Bild erkannt, daß in einer anderen als einer Binär-Darstel- lung dargestellt wird, so können die vorgenannten Verfahrensschritte für mehrere Gruppen mit F numerischen Formmerkmalen ψm durchgeführt wer¬ den, beispielsweise in einer Gruppe für Werte einer Rot-Darstellung, in einer Gruppe für Werte einer Grün-Darstellung und in einer Gruppe für Werte einer Blau-Darstellung. Alternativ können die vorgenannten Verfahrensschritte auch an Inhaltsattributen data[j,i] durchgeführt werden, die als Vektor die einzelnen Werte der einzelnen Farb-Darstellungen enthalten. Divisions-Re¬ chenoperationen werden dann bevorzugt an den Beträgen der Vektoren durchgeführt. In einer bevorzugten Ausführungsform wird das Formmerkmal ψm durch die Transformation
Figure imgf000012_0001
ermittelt. Als Transformation von ψm zu pm sind jedoch auch andere Trans¬ formationen, sogar eine Gleichsetzung ψm = p"' möglich.
Das mit den in der Tabelle abgelegten Werten zu vergleichende Formmerk- mal ist vorzugsweise das mittels der vorgenannten Transformation gewon¬ nene Formmerkmal ψm. Vor dem Vergleich mit den Tabellenwerten oder in der Transformation aus pm kann die Reihe der F Formmerkmale einem Or- thogonalisierungsverfahren unterworfen werden, wie es beispielsweise nach E. Schmidt durchgeführt wird. Hierbei können die zu vergleichenden Form- merkmal insbesondere derart umgerechnet werden, daß sich für einen Kreis eine Reihe von F Formmerkmalen ψi, ψ2, ψ3. ψ4, ψs ••• ΨF mit Werten von 1 ,0,0,0,0 ... 0 ergibt.
Um die Zahl F der numerischen Formmerkmale ψm festzulegen, kann aus mehreren, insbesondere mehr als 29 Proben pro Klasse des Klassifizie¬ rungssystems die Zahl F ausgehend von F=1 soweit erhöht werden, daß sich die für die Proben einer Klasse ermittelten Werte für das jeweilige Form¬ merkmal ψm zu mindestens in einem numerischen Wert für mindestens ein Formmerkmal ψm von dem numerischen Wert dieses Formmerkmals ψm der anderen Klasse unterscheidet. Besonders bevorzugt wird die Zahl F der Formmerkmale soweit erhöht, bis die Werte der Formmerkmale mit den höchsten Ordnungsziffern m in allen Klassen mit zunehmender Ordnungs¬ ziffer abnehmen. Die für die mindestens 29 Proben pro Klasse ermittelten Werte des jeweiligen Formmerkmals ψm können zur Bestimmung eines, für diese Klasse für dieses Formmerkmal einzusetzenden Werts arithmetisch gemittelt werden. Die nachfolgende wiedergegebene Tabelle nur zur Veranschaulichung frei gewählter Zahlenwerten zeigt, daß für die Bestimmung des Schweißnaht¬ fehlers auf die Zugehörigkeit zu den Fehlerklassen "Riß", "Pore", "Schlauchpore" eine Zahl F=1 von numerischen Formmerkmalen ψm nicht hinreichend präzise ist, da ψi sowohl für den Riß-Klasse als auch die Schlauchporen-Klassen nahezu gleiche Werte annimmt. Erst durch die Hin¬ zunahme des zweiten numerischen Formmerkmals ψ2 wird die Zuordnung eindeutig. Es zeigt sich, daß trotz der ähnlichen Zahlenwerte für ψ2 in der Klasse "Pore" und "Schlauchpore", dieses System aus nur zwei Formmerk¬ malen ψ1 ,ψ2 geeignet ist, die 3 Fehler präzise zu klassifizieren.
Figure imgf000013_0001
Die Zahl F kann jedoch auch im Wege eines Rotationsellipsen-Bestim¬ mungsverfahren ermittelt werden. Derartig "Cluster-Verfahren" werden bei¬ spielsweise in H. Niemann, Klassifikation von Mustern, Springer Verlag, Ber¬ lin, 1983, Seite 200ff beschrieben.
Das erfindungsgemäße Verfahren zur Zuordnung des Inhalts eines digitalen Bildes in eine Klasse eines Klassifizierungssystems wird bevorzugt bei der optischen Inspektion von Bauteilen, insbesondere bei der optischen Oberflä¬ cheninspektion eingesetzt. Ferner kann das Verfahren bei der Qualitätssi¬ cherung, der Textur-, Form- und Konturanalyse, der Photogrammetrie, der Zeichen- und Schrifterkennung, der Personenerkennung, der Robot-Vision oder der Auswertung von radiographischen oder radioskopischen Bildern, Ultraschall-Bildern und Kernspinn-Tomographie eingesetzt werden.
Dabei spielt es keine Rolle, ob es sich bei den Bildern, bezüglich derer die Objekterkennung durchgeführt wird, um "optische" Bilder aus dem Spektral¬ bereich des sichtbaren Lichts oder um radiographische bzw. radioskopische Bilder oder gar um synthetische Bilder aus dem Bereich Imaging handelt. Das Verfahren kann daher im Bereich der optischen Oberflächeninspektion ebenso eingesetzt werden, wie etwa bei der Qualitätssicherung, der Textur-, Form- und Konturanalyse, der Photogrammetrie, der Zeichen- und Schrifter- kennung, der Personenerkennung, der Robot-Vision oder der Auswertung von radiographischen bzw. radioskopischen Bildern, Ultraschall-Bildern und Kernspin-Tomographien.
Wenn man im Rahmen dieses breiten Spektrums möglicher Anwendungen ein konkretes Problem der Objekterkennung angeht, dann steht der Komple¬ xitätsgrad des Problems von Beginn an fest:
Es ist bekannt, in wie viele verschiedene Objektklassen K die zu erkennen¬ den Objekte einsortiert werden sollen. Im Gegensatz zur Klassierung auf der Basis heuristischer Merkmale kann bei dem neuen, algorithmischen Verfah¬ ren bezüglich jeder Objektklasse die Anzahl der Freiheitsgrade der Form anhand einer repräsentativen Stichprobe von Testobjekten experimentell ermittelt werden. Die Klassierung geschieht ausschließlich mit Merkmals¬ vektoren Ψ = (ψ/, ψä ψA ψ4 ψÄ ...., ψp). Der Merkmalsvektor jedes beliebigen, separierten, beschränkten, ebenen Objekts im Bild liegt im Innern eines beschränkten, normierten F-dimensionalen Teilbereichs ("Einheits-Hyper- würfel") eines F-dimensionalen Merkmalsraums. Die Musterklassierung ge¬ schieht durch problemspezifisches Clustern des Inneren dieses F-dimensio¬ nalen Einheits-Hyperwürfels.
Nachfolgend wird die Erfindung anhand einer, lediglich ein Ausführungsbei¬ spiel darstellende Zeichnung näher erläutert. Darin zeigen
Fjg. 1 drei unterschiedliche Wiedergaben eines ersten zu erkennenden Zeichens;
Fig. 2 drei Darstellungen eines zweiten zu erkennenden Zeichens und
Fig. 3 drei Darstellungen eines dritten zu erkennenden Zeichens. In den Figuren 1 , 2 und 3 sind die Buchstaben A, B und C jeweils in drei Darstellungsformen i) normal, ii) normal, aber um 90 ° gedreht, iii) gleiche Ausrichtung wie normal, jedoch kleiner dargestellt. Ferner wurde neben den in den Fig. dargestellten zentrierten Ausrichtungen noch eine Positionierung links und eine Positionierung rechts untersucht.
Die nachfolgende Tabelle zeigt die Werte für ψi, wobei ψi nach der Bezie¬ hung
Figure imgf000015_0001
berechnet wurde.
p1 ergibt sich dabei aus folgenden Beziehungen
px = kι R]
Figure imgf000015_0002
/ max πnax
A = m0 0 = Aa * Ab * J^1 ∑data[j,i]
/ = 1 /=1
, i _ y. υ,
R' = ^ = υn m 0,0
Figure imgf000015_0003
RU, i) = V((/ - 0,5) * Aa - xf + (U - 0,5) * Ab - y -)\2
mo,o y =
W0,0 mlfi
Figure imgf000016_0001
/ max i max
W0 1 = (Ab)2 * Aa * ∑ ∑(/ " 0=5) * <foto[/,/]
7 = 1 / = l
Δa = Breite des Bildpunktes in x-Koordinaten Richtung
= Δa = 0,3175 mm
Δb = Breite des Bildpunktes in y-Koordinaten Richtung
= Δb = 0,3175 mm data [j,i] = Inhaltsattribut des Bildpunkts an der Stelle (y,, Xi)
Mit den vorgenannten Beziehung und den jeweiligen Datenfeldern für die jeweiligen Darstellungen, in denen Inhaltsattribute an den Stellen (yj, x,) abgelegt sind, ergeben sich die in der folgenden Tabelle wiedergegebenen Werte:
Figure imgf000016_0002
Figure imgf000017_0001
Tabelle der nummerischen Werte für das Formmerkmal ψi
Man erkennt, daß der Wert ψi für den Buchstaben A Werte um 0,57 ein¬ nimmt, für den Buchstaben B Werte um 0,6 und für den Buchstaben C Werte um 0,44. Unabhängig von der tatsächlichen Lage und Größe des Buchstabens kann mit dem erfindungsgemäßen Verfahren somit ein vorher definiertes Zeichen eindeutig erkannt werden.

Claims

Patentansprüche:
1. Verfahren zur Zuordnung des Inhalts eines digitalen Bildes in eine Klasse eines Klassifizierungssystems, wobei das Bild durch N Bildpunkte dargestellt wird, wobei ein Bildpunkt in einem vorbestimmten
Koordinatensystem an dem Ort (Xj, yj) liegt und das Bild sich über die
Koordinaten (0,0) bis (ximax, yimax) erstreckt und imax die maximale Zahl der Bildpunkte in Richtung der x-Koordinate und jmax die maximale Zahl der Bildpunkte in Richtung der y-Koordinate ist und jedem Bildpunkt mindestens ein numerisches Inhaltsattribut data[j,i] zugeordnet ist, mit den folgenden Schritten:
Ermitteln mindestens einer Gruppe einer vorbestimmten Anzahl von F numerischen Formmerkmalen ψm mit m als Zählindex, wobei ψm ein transformierter Ausdruck des Moments pm ist und pm sich aus
pm = K Rm
Figure imgf000018_0001
On m 0,0 i]
Figure imgf000018_0002
R(j,i) = yj((i - 0,5) * Aa - xγ + ((j - 0,5) * Ab - y — \)2
x = • wo,o wo,i y =
0,0 7 max / max muo = (Aa)2 * Δ6 * ∑ £(/ - 0,5) * ύforta[/,/]
7 = 1 ι=l j max /max
W0,, = (Δfc)2 * Δa * ∑ £(y - 0,5) * cVc7to[/,/]
7 = 1 ι = l
Δa = Breite des Bildpunktes in x-Koordinaten Richtung Δb = Breite des Bildpunktes in y-Koordinaten Richtung data [j,i] = Inhaltsattribut des Bildpunkts an der Stelle (yj, Xj) m = eine mit der Zählung der Formmerkmale durchlaufende
Zahl von 1 bis F ergibt,
Vergleichen des Werts jedes Formmerkmals der für das Bild bestimmten F nummerischen Formmerkmale in der mindestens einen Gruppe mit den in einer Tabelle zu dem jeweiligen Formmerkmal dieser Gruppe abgelegten Wert, wobei in der Tabelle jeder Klasse Werte für die einzelnen nummerischen Formmerkmale dieser Gruppe zugeordnet sind, - Ausgabe der Klasse als Zuordnungsklasse, in die das zu er¬ kennende Bild klassifiziert wurde, bei der die für das Bild be¬ stimmten F nummerischen Formmerkmale den in der Tabelle für diese Klasse angegebenen Werten der nummerischen Formmerkmale am besten entsprechen.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, daß das Formmerkmalen ψm durch die Transformation
Figure imgf000019_0001
ermittelt wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die
Zahl F der nummerischen Formmerkmalen ψm aus mindestens 29 Proben pro Klasse des Klassifizierungssystems ermittelt wird, indem die
Zahl F soweit erhöht wird, daß sich die für die Proben einer Klasse ermittelten Werte für die Formmerkmale ψm zumindest in ihrem num¬ merischen Wert für mindestens ein Formmerkmale ψm von den num¬ merischen Werten dieses Formmerkmals ψm der anderen Klassen unterscheiden.
4. Verwendung des Verfahrens nach einem der Ansprüche 1 bis 3 zur Zuordnung von Fehlern von Gußteilen zu in einer Industrie-Norm defi¬ nierten Fehlerklassen, wobei das digitale Bild mittels Radioskopie er¬ zeugt wird.
5. Verwendung des Verfahren nach einem der Ansprüche 1 bis 3 zur Zuordnung von Fehlern von Schweißnähten zu in einer Industrie-Norm definierten Fehlerklassen, wobei das digitale Bild mittels Radioskopie erzeugt wird.
6. Verwendung des Verfahrens nach einem der Ansprüche 1 bis 3 zur Erkennung von aus Papier wiedergegebenen Objekten, wie Buchstaben oder Tönen in einer Notendarstellung, wobei das digitale Bild mittels einem Scanner erzeugt wird.
PCT/EP2005/009427 2004-09-03 2005-09-01 Verfahren zur zuordnung eines digitalen bildes in eine klasse eines klassifizierungssystems WO2006027158A1 (de)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US11/574,698 US7876964B2 (en) 2004-09-03 2005-09-01 Method for associating a digital image with a class of a classification system
AT05776279T ATE440342T1 (de) 2004-09-03 2005-09-01 Verfahren zur zuordnung eines digitalen bildes in eine klasse eines klassifizierungssystems
CN2005800334923A CN101048784B (zh) 2004-09-03 2005-09-01 用于将数字图像对应到分类系统的类别中的方法
DE502005007957T DE502005007957D1 (de) 2004-09-03 2005-09-01 Verfahren zur zuordnung eines digitalen bildes in
EP05776279A EP1789909B1 (de) 2004-09-03 2005-09-01 Verfahren zur zuordnung eines digitalen bildes in eine klasse eines klassifizierungssystems

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
DE102004043149.3 2004-09-03
DE102004043149 2004-09-03
DE102005001224.8 2005-01-10
DE102005001224A DE102005001224A1 (de) 2004-09-03 2005-01-10 Verfahren zur Zuordnung eines digitalen Bildes in eine Klasse eines Klassifizierungssystems

Publications (1)

Publication Number Publication Date
WO2006027158A1 true WO2006027158A1 (de) 2006-03-16

Family

ID=35395937

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2005/009427 WO2006027158A1 (de) 2004-09-03 2005-09-01 Verfahren zur zuordnung eines digitalen bildes in eine klasse eines klassifizierungssystems

Country Status (6)

Country Link
US (1) US7876964B2 (de)
EP (1) EP1789909B1 (de)
CN (1) CN101048784B (de)
AT (1) ATE440342T1 (de)
DE (2) DE102005001224A1 (de)
WO (1) WO2006027158A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101461879B1 (ko) * 2012-12-17 2014-11-13 현대자동차 주식회사 용접검사 장치 및 방법
CN104519416B (zh) * 2014-11-28 2018-04-06 四川长虹电器股份有限公司 一种数字电视竖直指纹的实现方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0854435B1 (de) 1991-11-04 2002-01-16 Canon Kabushiki Kaisha Gerät und Verfahren zur optischen Zeichenerkennung
US5539840A (en) 1993-10-19 1996-07-23 Canon Inc. Multifont optical character recognition using a box connectivity approach
US5963670A (en) * 1996-02-12 1999-10-05 Massachusetts Institute Of Technology Method and apparatus for classifying and identifying images
US6404923B1 (en) * 1996-03-29 2002-06-11 Microsoft Corporation Table-based low-level image classification and compression system
US6470094B1 (en) * 2000-03-14 2002-10-22 Intel Corporation Generalized text localization in images
US6580824B2 (en) * 2001-05-14 2003-06-17 Hewlett-Packard Development Company, L.P. Classification of photos with sepia tones

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BELKASIM S O ET AL: "PATTERN RECOGNITION WITH MOMENT INVARIANTS: A COMPARATIVE STUDY AND NEW RESULTS", PATTERN RECOGNITION, ELSEVIER, KIDLINGTON, GB, vol. 24, no. 12, January 1991 (1991-01-01), pages 1117 - 1138, XP000248340, ISSN: 0031-3203 *
COEN, GÜNTHER: "Eine neue Methode der Musterklassierung in der digitalen Bildverarbeitung", 18 May 2004, DEUTSCHE GESELLSCHAFT FÜR ZERSTÖRUNGSFREIE PRÜFUNG, DACH-JAHRESTAGUNG 2004, SALZBURG, XP009058053 *
MINDRU F ET AL: "Moment invariants for recognition under changing viewpoint and illumination", COMPUTER VISION AND IMAGE UNDERSTANDING, ACADEMIC PRESS, SAN DIEGO, CA, US, vol. 94, no. 1-3, April 2004 (2004-04-01), pages 3 - 27, XP004501957, ISSN: 1077-3142 *

Also Published As

Publication number Publication date
EP1789909A1 (de) 2007-05-30
DE102005001224A1 (de) 2006-03-09
US7876964B2 (en) 2011-01-25
ATE440342T1 (de) 2009-09-15
DE502005007957D1 (de) 2009-10-01
CN101048784A (zh) 2007-10-03
US20090214123A1 (en) 2009-08-27
EP1789909B1 (de) 2009-08-19
CN101048784B (zh) 2010-05-05

Similar Documents

Publication Publication Date Title
DE60123378T2 (de) Digitales Bildverarbeitungsverfahren mit verschiedenen Arbeitsweisen zum Erkennen von Augen
DE102007013971B4 (de) Verfahren und Vorrichtung zur Ermittlung einer Zellkontur einer Zelle
DE102009023756B4 (de) Verfahren zum Herkunftsnachweis und zur Urheberschaft von Bildern
WO1996007976A1 (de) Verfahren zur rekonstruktion von in rasterform vorliegenden linienstrukturen
DE4133590A1 (de) Verfahren zur klassifikation von signalen
DE112019005143T5 (de) System zur co-registrierung medizinischer bilder unter verwendung eines klassifikators
DE102012002321B4 (de) Verfahren zur Erkennung eines vorgegebenen Musters in einem Bilddatensatz
DE102021100444A1 (de) Mikroskopiesystem und verfahren zum bewerten von bildverarbeitungsergebnissen
DE102019133685A1 (de) Informationsverarbeitungssystem und -verfahren
DE102005025220B4 (de) Gerät, Verfahren und Programm zum Beseitigen von Poren
DE102005049017B4 (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
EP3123393B1 (de) Verfahren zur optischen erkennung von zeichen
DE3246631C2 (de) Zeichenerkennungsvorrichtung
WO2006027158A1 (de) Verfahren zur zuordnung eines digitalen bildes in eine klasse eines klassifizierungssystems
DE102015205502A1 (de) Bildverarbeitungsverfahren und Bildverarbeitungssystem zum Extrahieren verzerrter kreisförmiger Bildelemente
DE19801400A1 (de) Verfahren und Anordnung zur automatischen Erkennung, Eigenschaftsbeschreibung und Interpretation von Hep-2-Zellmustern
DE112019004112T5 (de) System und verfahren zur analyse mikroskopischer bilddaten und zur erzeugung eines annotierten datensatzes zum training der klassifikatoren
DE19834718C2 (de) Digitale Bildverarbeitung für ein Qualitätskontrollsystem
DE102017116882B4 (de) Druckinspektionsvorrichtung zur optischen Inspektion eines Druckbildes eines Druckobjekts
DE4495111C2 (de) Verfahren zur Bestimmung einer Menge von charakteristischen Merkmalen im Rahmen einer Objekterkennung
DE102004018174B4 (de) Verfahren zur Akquisition von Formen aus Bildern mit Fällen und zum fallbasierten Erkennen von Objekten in digitalen Bildern, Computer-Programm-Produkt und digitales Speichermedium zur Ausführung dieses Verfahrens
DE19939732C2 (de) Verfahren zur automatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten
DE102022206025A1 (de) Populationsklassifikation mittels Punktwolken-Merkmalen
DE112022001435T5 (de) Teilsucheinrichtung, teilsuchprogramm und teilsuchverfahren
Inkielman et al. Microscopic image classification based on descriptor analysis

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 BW BY BZ CA CH CN CO CR CU CZ DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KM KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NG NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SM 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): GM KE LS MW MZ NA 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 IS IT LT LU LV MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

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: 2005776279

Country of ref document: EP

Ref document number: 200580033492.3

Country of ref document: CN

WWP Wipo information: published in national office

Ref document number: 2005776279

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 11574698

Country of ref document: US