Digitale Bildverarbeitung (eBook)

Zur Vita von Herrn Dr. Burger: Ausbildung: Master of Science (University of Utah, Computer Science), Promotion an der Johannes Kepler Universität Linz. Post-Doctoral Researcher, University of California. Berufliche Tätigkeit: Entwicklungstechniker (Bildgebende Systeme in der Ultraschallmedizin); Research Associate (Honeywell Systems and Research Center, Minneapolis); Universitäts-Assistent an der Johannes Kepler Universität Linz (FWF-Forschungsschwerpunkt "Digitale Bildverarbeitung"); derzeit Leiter des FH-Studiengangs "Medientechnik und -Design" an der FH-Hagenberg. Zur Vita von Herrn Dr. Burge: He earned his doctorate degree in Computer Science at the Johannes Kepler University in Austria while a research scientist in the Austrian Science Foundation's Robust and Adaptive Methods for Image Understanding research program. He also earned a Bachelor of Arts in Computer Science from Ohio Wesleyan University, completed the fifth year's honors courses in Computer Science at the University of Aberdeen in Scotland and earned a Masters of Science in Computer Science from the Ohio State University. He spent a number of years as a researcher at the Department of Computer Science at the Swiss Federal Institute of Technology (ETH) in Zurich, Switzerland as part of the Swiss Federal Commission for the Advancement of Scientific Research's Automatic Interpretation of Cadastral Maps project and at the Ohio State University as a postdoc in their NASA Commercial Space Center's Image Understanding and Interpretation project. Associate Professor in Computer Science (a CSAB accredited department within the School of Computing with a total of 24 faculty members, 21 with earned Doctorate degrees and around 300 majors) at Armstrong Atlantic State University (a comprehensive Carnegie Master's University I of 6500 undergraduate and master's students that is part of the University System of Georgia).

Vorwort 5
Inhaltsverzeichnis 11
Crunching Pixels 21
1.1 Programmieren mit Bildern 22
1.2 Bildanalyse und ”intelligente" Verfahren 23
Digitale Bilder 25
2.1 Arten von digitalen Bildern 25
2.2 Bildaufnahme 25
2.3 Dateiformate für Bilder 34
2.4 Aufgaben 44
ImageJ 46
3.1 Software für digitale Bilder 47
3.2 Eigenschaften von ImageJ 47
3.3 Weitere Informationen zu ImageJ und Java 54
3.4 Aufgaben 55
Histogramme 57
4.1 Was ist ein Histogramm? 57
4.2 Was ist aus Histogrammen abzulesen? 59
4.3 Berechnung von Histogrammen 64
4.4 Histogramme für Bilder mit mehr als 8 Bit 66
4.5 Histogramme von Farbbildern 67
4.6 Das kumulative Histogramm 70
4.7 Aufgaben 70
Punktoperationen 72
5.1 Änderung der Bildintensität 73
5.2 Punktoperationen und Histogramme 75
5.3 Automatische Kontrastanpassung 76
5.4 Linearer Histogrammausgleich 78
5.5 Histogrammanpassung 82
5.6 Gammakorrektur 91
5.7 Punktoperationen in ImageJ 98
5.8 Aufgaben 102
Filter 106
6.1 Was ist ein Filter? 106
6.2 Lineare Filter 108
6.3 Formale Eigenschaften linearer Filter 118
6.4 Nichtlineare Filter 123
6.5 Implementierung von Filtern 129
6.6 Filteroperationen in ImageJ 130
6.7 Aufgaben 132
Kanten und Konturen 134
7.1 Wie entsteht eine Kante? 134
7.2 Gradienten-basierte Kantendetektion 135
7.3 Filter zur Kantendetektion 137
7.4 Weitere Kantenoperatoren 142
7.5 Von Kanten zu Konturen 145
7.6 Kantenschärfung 146
7.7 Aufgaben 153
Auffinden von Eckpunkten 155
8.1 "Points of interest" 155
8.2 Harris-Detektor 156
8.3 Implementierung 158
8.4 Aufgaben 169
Detektion einfacher Kurven 170
9.1 Auffällige Strukturen 170
9.2 Hough-Transformation 171
9.3 Implementierung der Hough-Transformation 175
9.4 Hough-Transformation für Kreise und Ellipsen 182
9.5 Aufgaben 184
Morphologische Filter 186
10.1 Schrumpfen und wachsen lassen 187
10.2 Morphologische Grundoperationen 189
10.3 Zusammengesetzte Operationen 194
10.4 Morphologische Filter für Grauwert- und Farbbilder 197
10.5 Implementierung morphologischer Filter 201
10.6 Aufgaben 207
Regionen in Binärbildern 209
11.1 Auffinden von Bildregionen 210
11.2 Konturen von Regionen 220
11.3 Repräsentation von Bildregionen 228
11.4 Eigenschaften binärer Bildregionen 232
11.5 Aufgaben 243
Farbbilder 246
12.1 RGB-Farbbilder 246
12.2 Farbräume und Farbkonversion 261
12.4 Statistiken von Farbbildern 301
12.5 Farbquantisierung 302
12.6 Aufgaben 310
Einführung in Spektraltechniken 312
13.1 Die Fouriertransformation 313
13.2 Übergang zu diskreten Signalen 324
13.3 Die diskrete Fouriertransformation (DFT) 330
13.4 Implementierung der DFT 339
13.5 Aufgaben 342
Diskrete Fouriertransformation in 2D 343
14.1 Definition der 2D-DFT 343
14.2 Darstellung der Fouriertransformierten in 2D 345
14.3 Frequenzen und Orientierung in 2D 349
14.4 Beispiele für Fouriertransformierte in 2D 359
14.5 Anwendungen der DFT 363
14.6 Aufgaben 366
Die diskrete Kosinustransformation (DCT) 367
15.1 Eindimensionale DCT 367
15.2 Zweidimensionale DCT 370
15.3 Andere Spektraltransformationen 371
15.4 Aufgaben 373
Geometrische Bildoperationen 374
16.1 2D-Koordinatentransformation 375
16.2 Resampling 388
16.3 Interpolation 390
16.4 Java-Implementierung 406
16.5 Aufgaben 421
Bildvergleich 422
17.1 Template Matching in Intensitätsbildern 423
17.2 Vergleich von Binärbildern 431
17.3 Aufgaben 441
Mathematische Notation 442
A.1 Häufig verwendete Symbole 442
A.2 Komplexe Zahlen 444
A.3 Algorithmische Komplexität und O-Notation 445
Java-Notizen 446
B.1 Arithmetik 446
B.2 Arrays in Java 451
ImageJ-Kurzreferenz 455
C.1 Installation und Setup 455
C.2 ImageJ-API 457
C.3 Bilder und Bildfolgen erzeugen 460
C.4 Bildprozessoren erzeugen 462
C.5 Bildparameter 464
C.6 Zugriff auf Pixel 464
C.7 Konvertieren von Bildern 467
C.8 Histogramme und Bildstatistiken 468
C.9 Punktoperationen 469
C.10 Filter 471
C.11 Geometrische Operationen 471
C.12 Grafische Operationen in Bildern 472
C.13 Bilder darstellen 473
C.14 Operationen auf Bildfolgen (Stacks) 474
C.15 Region of Interest (ROI) 479
C.16 Image Properties 481
C.17 Interaktion 481
C.18 Plugins 484
C.19 Window-Management 486
C.20 Weitere Funktionen 487
Source Code 489
D.1 Harris Corner Detector 490
D.2 Kombinierte Regionenmarkierung-Konturverfolgung 497
Literaturverzeichnis 507
Sachverzeichnis 512

8 Auffinden von Eckpunkten (S. 139)

Eckpunkte sind markante strukturelle Ereignisse in einem Bild und daher in einer Reihe von Anwendungen nützlich, wie z.B. beim Verfolgen von Elementen in aufeinander folgenden Bildern (tracking), bei der Zuordnung von Bildstrukturen in Stereoaufnahmen, als Referenzpunkte zur geometrischen Vermessung, Kalibrierung von Kamerasystemen usw. Eckpunkte sind nicht nur für uns Menschen auffällig, sondern sind auch aus technischer Sicht "robuste" Merkmale, die in 3D-Szenen nicht zufällig entstehen und in einem breiten Bereich von Ansichtswinkeln sowie unter unterschiedlichen Beleuchtungsbedingungen relativ zuverlässig zu lokalisieren sind.

8.1 "Points of interest"

Trotz ihrer Auffälligkeit ist das automatische Bestimmen und Lokalisieren von Eckpunkten (corners) nicht ganz so einfach, wie es zunächst erscheint. Ein guter "corner detector" muss mehrere Kriterien erfüllen: Er soll wichtige von unwichtigen Eckpunkten unterscheiden und Eckpunkte zuverlässig auch unter realistischem Bildrauschen finden, er soll die gefundenen Eckpunkte möglichst genau lokalisieren können und zudem effizient arbeiten, um eventuell auch in Echtzeitanwendungen (wie z. B. Video-Tracking) einsetzbar zu sein.

Wie immer gibt es nicht nur einen Ansatz für diese Aufgabe, aber im Prinzip basieren die meisten Verfahren zum Aufinden von Eckpunkten oder ähnlicher "interest points" auf einer gemeinsamen Grundlage – während eine Kante in der Regel definiert wird als eine Stelle im Bild, an der der Gradient der Bildfunktion in einer bestimmten Richtung besonders hoch und normal dazu besonders niedrig ist, weist ein Eckpunkt einen starken Gradientenwert in mehr als einer Richtung gleichzeitig auf. Die meisten Verfahren verwenden daher die ersten oder zweiten Ableitungen der Bildfunktion in x- und y-Richtung zur Bestimmung von Eckpunkten (z. B. [25,34,53,54]). Ein für diese Methode repräsentatives Beispiel ist der so genannte Harris-Detektor (auch bekannt als "Plessey feature point detector" [34]), den wir im Folgenden genauer beschreiben. Obwohl mittlerweile leistungsfähigere Verfahren bekannt sind (siehe z. B. [73,79]), werden der Harris-Detektor und verwandte Ansätze in der Praxis häufig verwendet.

8.2 Harris-Detektor

Der Operator, der von Harris und Stephens [34] entwickelt wurde, ist einer von mehreren, ähnlichen Algorithmen basierend auf derselben Idee: ein Eckpunkt ist dort gegeben, wo der Gradient der Bildfunktion gleichzeitig in mehr als einer Richtung einen hohen Wert aufweist. Insbesondere sollen Stellen entlang von Kanten, wo der Gradient zwar hoch, aber nur in einer Richtung ausgeprägt ist, nicht als Eckpunkte gelten. Darüber hinaus sollen Eckpunkte natürlich unabhängig von ihrer Orientierung, d. h. in isotroper Weise, gefunden werden.