Bildsegmentierung

Unterteilung eines Bildes in zusammenhängende Bereiche mit gleichen Eigenschaften (Objekte vs. Hintergrund). Hier beginnt der Übergang von der Zahlenmatrix zur symbolischen Beschreibung.

Einordnung

Die Segmentierung findet nur einfache Objekte (Punkte, Linien, Flächen), gibt ihnen aber noch keine Bedeutung wie „Umriss eines Hauses“. Sie nutzt kaum explizites Wissen, zählt aber schon zur Mustererkennung und nicht mehr zur reinen Vorverarbeitung (Quelle - Bildverarbeitung Zusammenfassung). Beispiele: Text von Grafik trennen, Zellen oder Chromosomen separieren.

Verfahren

Schwellwertverfahren (punktorientiert)

Jedes Pixel wird je nach Schwelle T Objekt oder Hintergrund, das Ergebnis ist ein Binärbild.

• Schwellwahl über das Histogramm: Bei zwei Maxima (bimodal) legt man die Schwelle dazwischen, automatisch per Histogrammanalyse.
• Adaptiv / lokal: Bei ungleichmässiger Beleuchtung ist nur noch das lokale Histogramm bimodal, dann braucht es lokale Schwellen.
• Vorteile: einfach und schnell. Nachteile: instabil, versagt bei Beleuchtungsgradienten, trennt Rauschen nicht vom Nutzsignal. Verbesserungen: mehrere Schwellen, Hysterese, relative Schwelle. Vorher mit einem Tiefpass zu glätten ist empfehlenswert.

Regionenwachstum (region growing)

Ausgehend von Startpixeln werden Nachbarn (N4/N8) nach einem Homogenitätskriterium angelagert. Bei der adaptiven Variante wird das Kriterium nach jeder Iteration auf den neuen mittleren Grauwert angepasst. Das Ergebnis hängt von den Startpunkten und vom Kriterium ab.

Textursegmentierung

Textur ist eine Oberflächenstruktur aus periodischen und stochastischen Grundmustern. Merkmale: Energie, Kontrast, Entropie, Rauhigkeit (Varianz), Gradienten- und Laplace-Bild, lokale Fourier-Analyse, Grauwertübergangsmatrix.

Kantenorientierte Verfahren

Eine Kante ist eine signifikante Helligkeitsänderung, meist an einer Objektgrenze. Werkzeuge sind Gradient, Sobel, Prewitt, Canny, Laplace und LoG → Bildfilter. Gradienten reagieren auf lokale Unterschiede, nicht auf absolute Helligkeit. Das ist robuster gegenüber Hintergrundinhomogenität als eine globale Schwelle.

• Linienextraktion: Linien werden als Grauwert-Täler modelliert (Krümmungsanalyse nach Gauss-Glättung).
• Nachbearbeitung: Skelettierung verdünnt breite Kanten → Merkmalsextraktion. Lücken werden durch Kantenverfolgung geschlossen (Hysterese).
• Hough-Transformation: globales Verfahren für Geraden. Jeder Bildpunkt wird zu einer Sinuskurve im (r, θ)-Raum (Hesse-Normalform r = x·cosθ + y·sinθ). Maxima im Akkumulator entsprechen Geraden. Erweiterbar auf Kreise und Ellipsen.

Morphologische Segmentierung

Strukturelemente bringen Zusatzwissen über Grösse und Form ein.

• Markierungen: Teilbereiche, die sicher zum Objekt gehören (z.B. per Top-Hat).
• Wasserscheiden: Das Grauwertgebirge (am besten das Gradientenbetragsbild) wird von den Minima aus „geflutet“. Wo Becken zusammenlaufen, entstehen Dämme, und diese sind die Trennlinien.

Aus den Abbildungen der Quelle

• Regionenwachstum (Beispiel S. 45): 8×8-Grauwertbild, Startpunkt mit Wert 6, 8-Nachbarschaft, Anlagerungskriterium |B(x,y) − B(x₀,y₀)| ≤ 1. Alle Nachbarn, deren Differenz zum Startwert höchstens 1 beträgt (z.B. 6 und 7), werden angelagert. Werte wie 0 oder 2 nicht. Die Region wächst so über die zusammenhängende Fläche aus 6ern und 7ern.

• Hough-Algorithmus (S. 50–51):

  1. Der (r, θ)-Raum wird als Matrix dargestellt (Akkumulator).
  2. Alle Zellen werden mit 0 initialisiert.
  3. Für jeden Bildpunkt wird θ über den quantisierten Wertebereich durchlaufen, r = x·cosθ + y·sinθ berechnet und die Zelle (r, θ) erhöht.
  4. Die Zellen mit den höchsten Werten werden in Geraden zurücktransformiert.

  Ein Punkt (x₁, y₁) ergibt die Sinuskurve r = A·sin(θ + θ₀) mit A = √(x₁² + y₁²). Die Kurven aller Punkte einer Geraden schneiden sich in einem Punkt (r₀, θ₀).

• Linien als Täler (S. 48): Linien erscheinen als Grauwerttäler. Die Talsohle ist eine Nullstelle der 1. Ableitung quer zur Linie.

• Wasserscheiden (S. 52): Das Bild zeigt ein Grauwertgebirge mit zwei Becken. Die Wasserscheide ist der Grat dazwischen.

Aktueller Stand (2026)

Heute segmentieren oft gelernte Modelle statt Schwellwert- und Regionenverfahren. Ein Beispiel ist Segment Anything (SAM) von Meta (April 2023). Das Modell wurde auf über einer Milliarde Masken trainiert und segmentiert fast beliebige Objekte auf einen Hinweis hin (Klick, Rahmen), ohne Nachtraining („zero-shot“). SAM 2 (2024) funktioniert auch für Video (Quelle - Recherche - Bildverarbeitung heute 2026).

Verwandt

• Bildfilter – Kantenoperatoren und Morphologie
• Merkmalsextraktion – die nächste Stufe: Objekte beschreiben
• Mustererkennung – Segmentierung als deren erster Schritt
• Digitale Bildverarbeitung – Stufenmodell
• Bildverbesserung – Vorverarbeitung vor der Segmentierung