|
Ein intuitives Verfahren zur adaptiven merkmalsgestützten Segmentierung
Beller, Michael
|
URL:
|
https://ub-madoc.bib.uni-mannheim.de/1300
|
|
URN:
|
urn:nbn:de:bsz:180-madoc-13008
|
|
Document Type:
|
Doctoral dissertation
|
|
Year of publication:
|
2005
|
|
The title of a journal, publication series:
|
None
|
|
Place of publication:
|
Mannheim
|
|
Publishing house:
|
Universität Mannheim
|
|
University:
|
Universität Mannheim
|
|
Evaluator:
|
Hesser, Jürgen
|
|
Date of oral examination:
|
27 January 2006
|
|
Publication language:
|
German
|
|
Institution:
|
School of Business Informatics and Mathematics > Theoretische Informatik (Krause 1996-)
|
|
Subject:
|
004 Computer science, internet
|
|
Subject headings (SWD):
|
Bildverarbeitung , Regionenorientierte Segmentierung , Klassifikation , Merkmalsextraktion , Mustererkennung , Lernendes System
|
|
Individual keywords (German):
|
adaptive Segmentierung, Merkmalsselektion, Komponentensoftware
|
|
Keywords (English):
|
Image processing, segmentation, feature extraction, classification, learning system
|
|
Abstract:
|
Bei der Automatisierung einer Objekterkennungsaufgabe wird eine Prozeßkette bestehend aus Vorverarbeitung, Segmentierung, Merkmalsextraktion, Merkmalsselektion und Klassifikation aufgebaut. Im Allgemeinen werden hierfür manuell die geeigneten Algorithmen und ihre Parameter ausgewählt und konfiguriert, bis man mit den Ergebnissen zufrieden ist. Als Parameter werden meist spezifische Eigenschaften oder Merkmale der Objekte verwendet. Die Auswahl insbesondere der Parameter der Algorithmen sollte auf einer ausreichend großen, repräsentativen Stichprobe stattfinden, um für alle zu erkennenden Objekte einer Domäne gültig zu sein. Dies ist durch die manuelle Auswahl meist nicht gegeben. Zwar kann der Experte intuitiv gut segmentieren und klassifizieren, jedoch die benötigten Parameter nicht mathematisch präzise formulieren. Ein Algorithmus kann ohne den Experten nicht so wie von diesem gewünscht segmentieren, die Parameter aus einer vorliegenden Segmentierung aber einfach ermitteln - er ist ihm in der Extraktion und statistischen Selektion quantitativ meßbarer Merkmale überlegen. Im Rahmen dieser Arbeit wurde eine Methodik entwickelt, bei der ein Experte intuitiv Beispiele präsentiert, aus denen der Algorithmus problembezogene Segmentierungsparameter ableitet. Indem ausreichend Beispiele gegeben werden, lernt der Algorithmus, die zu erkennenden Objekte zur Zufriedenheit des Experten zu segmentieren und ihn bei der Automatisierung zu unterstützen. Diese neue Methodik wurde erfolgreich auf verschiedene Probleme angewendet. Für künstliche Bilder ergaben sich Übereinstimmungen der Segmentierungen zu Referenzsegmentierungen von im Mittel 95%. Für die Brustkrebserkennung konnten Detektionsraten von bis zu 97% erzielt werden. Für die Segmentierung von Kaumuskeln auf MRT-Daten konnten automatisch Parameter gefunden werden, mit denen die manuelle Segmentierung zu 99% reproduziert werden konnte. Weiterhin wurde die Methode zur Segmentierung natürlicher und künstlicher Szenen verwendet und bei der Detektion von Lunkern in Spritzgußwerkstücken getestet. Die Ergebnisse konnten hier nur subjektiv bewertet werden. Bisher kommen nur lokale Merkmale von Grauwertbildern zum Einsatz. Aufgrund ihres generalisierenden Ansatzes können mit der entwickelten Methodik beliebige lokale Merkmale (z.B. Farbe) der Objekte als Parameter verwendet werden.
|
|
Translation of the title:
|
An intuitive method for adaptive feature-driven segmentation
(English)
|
|
Translation of the abstract:
|
To automatise a pattern recognition task usually a processing chain is constructed that consists of preprocessing, segmentation, feature extraction, feature selection and classification. Generally suitable algorithms and parameters are chosen manually and are being configured until one is satisfied with the results. The parameters usually represent specific properties or features of the patterns. In particular the selection of the parameters of the algorithms should be done on a sufficiently large and representative random sample to be valid for all objects of one domain. Usually the manual selection cannot provide this. Indeed, an expert can intuitively segment and classify well, yet he cannot formulate the required parameters mathematically correct. Without the expert an algorithm cannot segment as desired, but it can easily calculate the parameters of a given segmentation - in extraction and statistical selection of quantitatively measurable features the algorithm is superior the the expert. In this thesis a new method is being developped in which an expert presents intuitive examples and the algorithm automatically derives problem-specific segmentation parameters. By presenting an adequate number of examples the algorithm learns to segment the objects so that the expert is satisfied, thus supporting the automation. This new method has been successfully tested on different problems. For artificial images the correlation between the automatic segmentations and references averaged to 95%. Ratios of 97% could be achieved for the detection of breast cancer. The system automatically found parameters to match the given segmentation of MRT-data of jaw muscles to 99%. The method has also been used to segment other natural and artificial scenes as well as for the detection of lunkers in casting-workpieces. In these cases the results could only be evaluated subjectively. Until now only local features of grey-value images are being used. Because of the generalising approach any local feature of the objects (eg color) can be used as parameter.
(English)
|
|
Additional information:
|
|
 | Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt. |
 Search Authors in
You have found an error? Please let us know about your desired correction here: E-Mail
Actions (login required)
 |
Show item |
|
|
![[img]](https://madoc.bib.uni-mannheim.de/style/images/fileicons/application_pdf.png)