Digitale Bildverarbeitung

Maschinelle Verarbeitung digitalisierter Bilder, von der Bildverbesserung bis zur Erkennung und Deutung von Objekten. Das Ziel ist die Automatisierung visueller Aufgaben.

Abgrenzung

• Bildverarbeitung im engen Sinn (picture/image processing): Bild → Bild (ikonisch).
• Mustererkennung und Bildanalyse (pattern recognition, image analysis): Bild → symbolische Beschreibung (Quelle - Bildverarbeitung Zusammenfassung).

Anwendungen: Industrieautomation, Qualitätskontrolle, Medizintechnik, Überwachung, Bildrestauration, Text- und Handschrifterkennung, Messtechnik, Videotechnik.

Stufenmodell

1. Bildaufnahme
2. Digitalisierung (Abtastung und Quantisierung)
3. Vorverarbeitung: Grundabgleich, Gradations- und Weisspunktanpassung → Bildverbesserung, Bildfilter
4. Segmentierung → Bildsegmentierung
5. Merkmalsextraktion → Merkmalsextraktion
6. Klassifikation → Mustererkennung
7. Bildbeschreibung und -analyse → Wissensbasierte Bildanalyse

Mit der Segmentierung beginnt der Übergang von der numerischen zur symbolischen Darstellung (Quelle - Bildverarbeitung Zusammenfassung).

Menschliches Sehen als Vorbild

• Stäbchen (ca. 130 Mio.): nur Helligkeit, Dämmerungssehen. Zapfen (ca. 6 Mio.): drei Typen für das Farbsehen, empfindlich von 380 bis 760 nm.
• Unterscheidbar sind weniger als 100 Graustufen (im Kompressionskapitel: ca. 30), aber etwa 7 Mio. Farbtöne.
• Das Auge ist für objektive Messungen ungeeignet, weil Täuschungseffekte auftreten.
• Bewegte Szenen brauchen mindestens 25 Bilder/s (Quelle - Bildverarbeitung Zusammenfassung).

Grundbegriffe

• Bild: 2D-Abbildung eines Ausschnitts der 3D-Umwelt, als Bildfunktion b(x,y).
• Pixel / Voxel: Bildelement eines 2D- bzw. 3D-Bildes.
• Binärbild, Grauwertbild, Farbbild: zwei Werte, Helligkeitswerte bzw. Farbtupel pro Pixel.
• Abtasttheorem (Shannon): Die Abtastfrequenz muss mindestens doppelt so gross sein wie die höchste Signalfrequenz, sonst entsteht Aliasing.
• Punktoperation: Der neue Pixelwert hängt nur vom alten Wert ab, umgesetzt oft per LUT (Look-Up-Table).
• Lokale Operation (Nachbarschaftsoperation): Der neue Wert hängt von der Nachbarschaft ab: N4 (Kante an Kante), ND (diagonal), N8 (beides).
• Histogramm: Häufigkeit der Grauwerte, ohne Ortsinformation. Grauwertprofil: Grauwerte entlang einer Linie, mit Ortsinformation.
• Faltung: universeller Operator für lineare Transformationen über eine Maske (Kernel) → Bildfilter.

Aus den Abbildungen der Quelle

• Spektrale Empfindlichkeit (S. 8): Die Normspektralwertkurven x̄(λ), ȳ(λ), z̄(λ) des CIE-Normalbeobachters (1931, 2°) decken etwa 380–760 nm ab. z̄ hat sein Maximum im Blauen (~450 nm), ȳ im Grünen (~555 nm), x̄ im Roten (~600 nm) mit einem Nebenmaximum im Blauen (Quelle - Bildverarbeitung Zusammenfassung).
• Blockdiagramm eines Bildverarbeitungssystems (S. 9): Bildaufnahme → Grundeichung → Segmentierung (Vorder-/Hintergrund) → Klassifizierung → Objekterkennung → spezielle Bildverbesserung → Resultat. Zwischen den Stufen kann jeweils eine Bildverbesserung eingeschoben werden. Seitenzweige führen zu Darstellung, Codierung und Speicher.
• Datenstrukturen (S. 11): Bild-interleaved bedeutet ein Array pro Farbkanal [r,g,b] mit Elementen [x,y]. Pixel-interleaved bedeutet ein Array [x,y], dessen Elemente die Farbwerte [r,g,b] enthalten.
• Histogramm vs. Grauwertprofil (S. 11–12): Das Histogramm zeigt die Häufigkeit jedes Grauwerts, aber keine Ortsinformation. Das Profil zeigt die Grauwerte entlang einer Linie (Beispiel: Schnittlinie durch ein CT-Bild).
• Nachbarschaften (S. 12): N₄ (die vier Kantennachbarn), N_D (die vier Diagonalnachbarn) und N₈ = N₄ ∪ N_D.

Verwandt

• Farbmetrik – wie Farbe gemessen und beschrieben wird
• Bildverbesserung, Bildfilter – Vorverarbeitung
• Bildsegmentierung, Merkmalsextraktion, Mustererkennung – Weg zur Erkennung
• Bildcodierung – Speicherung und Übertragung
• Wissensbasierte Bildanalyse – höchste Stufe: Bildverstehen