Stochastische Texturerkennung zur Bildsegmentierung

Dr.-Ing. Thomas Müller 1  and Bastian Erdnüß 2
  • 1 Fraunhofer IOSB, Institut für Optronik, Systemtechnik und Bildauswertung, Fraunhoferstraße 1, Karlsruhe, Germany
  • 2 Institut für Photogrammetrie und Fernerkundung, Karlsruher Institut für Technologie (KIT), Englerstraße 7, Karlsruhe, Germany
Dr.-Ing. Thomas Müller
  • Corresponding author
  • 28448Fraunhofer IOSB, Institut für Optronik, Systemtechnik und Bildauswertung, Fraunhoferstraße 1, 76131, Karlsruhe, Germany
  • Email
  • Further information
  • Thomas Müller hat bis 1997 am Karlsruher Institut für Technologie (KIT) Informatik studiert und 2001 dort im Bereich Bildauswertung für Sichtsystemgestützte Regelungen promoviert. Seitdem arbeitet er als wissenschaftlicher Mitarbeiter am Fraunhofer Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) in Karlsruhe. Hauptarbeitsgebiete sind verschiedene Aspekte im Bereich der Bildauswertung wie Objekt-Detektion, Lokalisierung und Tracking, Änderungsdetektion, Counter-UAV, Bildverbesserung und Bildsegmentierung.
  • Search for other articles:
  • degruyter.comGoogle Scholar
and Bastian Erdnüß
  • Institut für Photogrammetrie und Fernerkundung, Karlsruher Institut für Technologie (KIT), Englerstraße 7, 76131, Karlsruhe, Germany
  • Email
  • Further information
  • Bastian Erdnüß hat an der Fachhochschule in Regensburg, am Karlsruher Institut für Technologie (KIT) und an der Virginia Tech (VT) Mathematik studiert und ist seit Abschluss des Studiums als wissenschaftlicher Mitarbeiter am Fraunhofer Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) und am Institut für Photogrammetrie und Fernerkundung (IPF) tätig. Hauptarbeitsgebiete: Bildauswertung, 3D-Rekonstruktion.
  • Search for other articles:
  • degruyter.comGoogle Scholar

Zusammenfassung

Luftbilder zeigen häufig Bereiche, die auch bei starken lokalen Schwankungen in den Farbwerten als Ganzes stochastisch so regelmäßig erscheinen, dass sie ein Mensch leicht als zusammengehörige Fläche wie einen Wald, ein Feld, einen Weg oder ein Gewässer erkennt. Solche stochastischen Texturen werden in der vorliegenden Arbeit algorithmisch erkannt und segmentiert. Hierzu werden zunächst Texturmodelle zu verschiedenen Bildbereichen generiert, deren strukturelle Ähnlichkeit bewertet und hinreichend unterschiedliche Texturmodelle ermittelt. Anschließend wird jedes Pixel des Bildes via Struktur-Metrik einem dieser Texturmodelle zugeordnet und entsprechend der Zuordnung eingefärbt. Es werden drei unterschiedliche Ansätze zur Texturmodellierung untersucht und verglichen mit dem Ziel, möglichst viel zusammenzufassen, was man als Mensch als gleichartig wahrnimmt (z. B. Baumkronen, Äcker) und Segmentgrenzen dort zu erzielen, wo augenscheinliche Übergänge sind (z. B. Waldgrenzen, Vegetationsveränderungen).

  • 1.

    J. Beyerer, F. Puente León und C. Frese: Automatische Sichtprüfung: Grundlagen, Methoden und Praxis der Bildgewinnung und Bildauswertung, Springer Vieweg Verlag, Berlin Heidelberg, 2. Auflage, ISBN 978-3-662-47785-4, 2016.

  • 2.

    A. K. Jain: Advances in Mathematical Models for Image Processing. Proceedings of the IEEE, Vol. 69, Nr. 5, S. 502–528, Mai 1981.

    • Crossref
    • Export Citation
  • 3.

    B. Leiner: Grundlagen der Zeitreihenanalyse, Oldenbourg Verlag, München Wien, 4. Auflage, ISBN 3-486-24756-5, 1998.

  • 4.

    T. Müller und B. Erdnüß: Stochastische Mustererkennung zur Bildsegmentierung. In: Forum Bildverarbeitung 2018, KIT Scientific Publishing, 2018.

  • 5.

    A. Ruckstuhl: Einführung in die robusten Schätzmethoden, Juni 2008.

  • 6.

    F. Wicki: Robuste Schätzverfahren für die Parameterschätzung in geodätischen Netzen, Dissertation an der Eidgenössischen Hochschule (ETH) Zürich, Schweiz.

Purchase article
Get instant unlimited access to the article.
$42.00
Log in
Already have access? Please log in.


or
Log in with your institution

Journal + Issues

Search