Aktive Segmentierung
Aktive Segmentierung
Loading...
Date
2014
Authors
Editors
Journal ISSN
Electronic ISSN
ISBN
Bibliographical data
Publisher
Series
URI (citable link)
International patent number
Link to the license
EU project number
Project
Open Access publication
Collections
Title in another language
Active Segmentation
Publication type
Dissertation
Publication status
Published in
Abstract
Die Zerlegung beliebiger Bilder in einzelne sinnvolle Segmente ist ein nahezu unlösbares Problem, wenn es von Computern voll-automatisch gelöst werden soll. Denn dieser Prozess der Segmentierung von Bildern setzt stets das Wissen (zum Beispiel des Menschen) voraus, was in einem vorliegenden Bild tatsächlich als zu segmentierende Objekte berücksichtigt werden soll. Abhängig von der zu lösenden Aufgabe kann dies stark variieren.
Es stellt sich also die Frage, wie das Vorwissen des Menschen über eine Segmentierungsaufgabe in den Segmentierungsprozess eingehen kann, so dass das Verhalten des Segmentierungsverfahrens ausschließlich vom zur Verfügung gestellten Wissen bestimmt und damit vom Menschen gesteuert werden kann. Da jedoch der Grund für den Einsatz des Computers für Segmentierungsaufgaben meist der große Umfang der Bilddatensätze ist, muss die notwendige Interaktion des Menschen mit dem Computer auf ein Minimum beschränkt werden, um die Segmentierungsaufgabe in angemessener Zeit lösen zu können. Daher sollten trotzdem möglichst viele Objekte automatisch, jedoch unter Einbeziehung des
bereitgestellten Vorwissens segmentiert werden können.
Ein intuitiver und effektiver Ansatz zur Repräsentation des Wissens über die zu erzielende Segmentierung ist die Bereitstellung von (möglichst wenigen) Segmentbeispielen, die die zu segmentierenden Objekte repräsentieren.
In der vorliegenden Arbeit werden die wesentlichen Schritte eines generellen Segmentierungsverfahrens erarbeitet, welches aus gegebenen Segmentbeispielen erlernen kann, Bilder, bei gleichzeitiger Reduktion der benötigten Anzahl der Segmentbeispiele, zu segmentieren.
Dieser Prozess des Lernens einer Segmentierung unter Einbeziehung möglichst weniger Segmentbeispiele erhält im Rahmen dieser Arbeit in Anlehnung an das bekannte Aktive Lernen von Modellen die Bezeichnung \emph{Aktive Segmentierung}.
Die vom Benutzer zur Verfügung gestellten Segmentbeispiele werden im Allgemeinen durch manuelles Nachzeichnen einiger der zu segmentierenden Objekte erzeugt. Es ist dabei unvermeidlich, dass die nachgezeichneten Ränder von den wahren Objekträndern abweichen. Damit sich diese unumgänglichen Abweichungen nicht auch in der Genauigkeit der Segmentierungsergebnisse fortsetzt, wird außerdem ein Verfahren zum Erlernen von Rändern entwickelt, welches dies berücksichtigt und trotzdem in der Lage ist, präzise Objektränder vorherzusagen.
Experimente mit Anwendungsbeispielen aus dem Bereich der Biologie, der Segmentierung von Zellbildern, demonstrieren den Nutzen und die Möglichkeiten der Aktiven Segmentierung.
Es stellt sich also die Frage, wie das Vorwissen des Menschen über eine Segmentierungsaufgabe in den Segmentierungsprozess eingehen kann, so dass das Verhalten des Segmentierungsverfahrens ausschließlich vom zur Verfügung gestellten Wissen bestimmt und damit vom Menschen gesteuert werden kann. Da jedoch der Grund für den Einsatz des Computers für Segmentierungsaufgaben meist der große Umfang der Bilddatensätze ist, muss die notwendige Interaktion des Menschen mit dem Computer auf ein Minimum beschränkt werden, um die Segmentierungsaufgabe in angemessener Zeit lösen zu können. Daher sollten trotzdem möglichst viele Objekte automatisch, jedoch unter Einbeziehung des
bereitgestellten Vorwissens segmentiert werden können.
Ein intuitiver und effektiver Ansatz zur Repräsentation des Wissens über die zu erzielende Segmentierung ist die Bereitstellung von (möglichst wenigen) Segmentbeispielen, die die zu segmentierenden Objekte repräsentieren.
In der vorliegenden Arbeit werden die wesentlichen Schritte eines generellen Segmentierungsverfahrens erarbeitet, welches aus gegebenen Segmentbeispielen erlernen kann, Bilder, bei gleichzeitiger Reduktion der benötigten Anzahl der Segmentbeispiele, zu segmentieren.
Dieser Prozess des Lernens einer Segmentierung unter Einbeziehung möglichst weniger Segmentbeispiele erhält im Rahmen dieser Arbeit in Anlehnung an das bekannte Aktive Lernen von Modellen die Bezeichnung \emph{Aktive Segmentierung}.
Die vom Benutzer zur Verfügung gestellten Segmentbeispiele werden im Allgemeinen durch manuelles Nachzeichnen einiger der zu segmentierenden Objekte erzeugt. Es ist dabei unvermeidlich, dass die nachgezeichneten Ränder von den wahren Objekträndern abweichen. Damit sich diese unumgänglichen Abweichungen nicht auch in der Genauigkeit der Segmentierungsergebnisse fortsetzt, wird außerdem ein Verfahren zum Erlernen von Rändern entwickelt, welches dies berücksichtigt und trotzdem in der Lage ist, präzise Objektränder vorherzusagen.
Experimente mit Anwendungsbeispielen aus dem Bereich der Biologie, der Segmentierung von Zellbildern, demonstrieren den Nutzen und die Möglichkeiten der Aktiven Segmentierung.
Summary in another language
The detection and localization of objects in arbitrary images and, hence, their partition into individual segments is an ill-defined problem. When addressed generally, it can not be resolved by computers in a fully automatic manner. This is due the facts that the image segmentation process requires unavoidable prior-knowledge about the objects to be segmented and that the actual aim of image segmentation can vary widely, depending on the task to be solved.
The question is therefore how to incorporate a human's prior-knowledge of the segmentation problem into a concrete segmentation method. Ideally, the behaviour and outcome of a segmentation method should be determined exclusively by the prior knowledge provided and, thus, be steered completely by the user. At the same time, however, the human-interaction should take up only a limited amount of time per image, because in today's automation of the image acquisition process, some settings require hundreds of thousands of images to be analysed. Therefore an automated segmentation procedure is called for that takes full consideration of the knowledge provided by the human.
An intuitive and effective approach to represent the human's prior-knowledge of the underlying segmentation problem is to provide a limited amount of examples of objects that are to be detected and segmented.
This thesis proposes the basic steps of a general segmentation method that is able to learn from human-provided segment examples and subsequently segment similar images, while at the same time limiting the number of examples needed.
The process of learning a segmentation, based on a preferably small set of segment examples, is called \emph{Active Segmentation} here, in reference to the well-known term Active Learning.
The human-provided segment examples are usually created by manually delineating the desired object boundaries. However, these marked boundaries unavoidably deviate slightly from the boundaries of the true objects. To circumvent these inevitable errors being reflected in the final segmentation result, an alternative procedure is proposed to learn object boundaries. It takes these inaccuracies into account and is still able to predict precise object boundaries.
Experiments involving applying this approach to the segmentation of cell images demonstrate the use and the possibilities of the Active Segmentation method.
The question is therefore how to incorporate a human's prior-knowledge of the segmentation problem into a concrete segmentation method. Ideally, the behaviour and outcome of a segmentation method should be determined exclusively by the prior knowledge provided and, thus, be steered completely by the user. At the same time, however, the human-interaction should take up only a limited amount of time per image, because in today's automation of the image acquisition process, some settings require hundreds of thousands of images to be analysed. Therefore an automated segmentation procedure is called for that takes full consideration of the knowledge provided by the human.
An intuitive and effective approach to represent the human's prior-knowledge of the underlying segmentation problem is to provide a limited amount of examples of objects that are to be detected and segmented.
This thesis proposes the basic steps of a general segmentation method that is able to learn from human-provided segment examples and subsequently segment similar images, while at the same time limiting the number of examples needed.
The process of learning a segmentation, based on a preferably small set of segment examples, is called \emph{Active Segmentation} here, in reference to the well-known term Active Learning.
The human-provided segment examples are usually created by manually delineating the desired object boundaries. However, these marked boundaries unavoidably deviate slightly from the boundaries of the true objects. To circumvent these inevitable errors being reflected in the final segmentation result, an alternative procedure is proposed to learn object boundaries. It takes these inaccuracies into account and is still able to predict precise object boundaries.
Experiments involving applying this approach to the segmentation of cell images demonstrate the use and the possibilities of the Active Segmentation method.
Subject (DDC)
004 Computer Science
Keywords
Aktives Lernen,Randdetektion
Conference
Review
undefined / . - undefined, undefined. - (undefined; undefined)
Cite This
ISO 690
HORN, Martin, 2014. Aktive Segmentierung [Dissertation]. Konstanz: University of KonstanzBibTex
@phdthesis{Horn2014Aktiv-28637,
year={2014},
title={Aktive Segmentierung},
author={Horn, Martin},
address={Konstanz},
school={Universität Konstanz}
}
RDF
<rdf:RDF
xmlns:dcterms="http://purl.org/dc/terms/"
xmlns:dc="http://purl.org/dc/elements/1.1/"
xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
xmlns:bibo="http://purl.org/ontology/bibo/"
xmlns:dspace="http://digital-repositories.org/ontologies/dspace/0.1.0#"
xmlns:foaf="http://xmlns.com/foaf/0.1/"
xmlns:void="http://rdfs.org/ns/void#"
xmlns:xsd="http://www.w3.org/2001/XMLSchema#" >
<rdf:Description rdf:about="https://kops.uni-konstanz.de/server/rdf/resource/123456789/28637">
<dc:rights>terms-of-use</dc:rights>
<dcterms:available rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2014-08-04T08:45:26Z</dcterms:available>
<dc:creator>Horn, Martin</dc:creator>
<dcterms:abstract xml:lang="deu">Die Zerlegung beliebiger Bilder in einzelne sinnvolle Segmente ist ein nahezu unlösbares Problem, wenn es von Computern voll-automatisch gelöst werden soll. Denn dieser Prozess der Segmentierung von Bildern setzt stets das Wissen (zum Beispiel des Menschen) voraus, was in einem vorliegenden Bild tatsächlich als zu segmentierende Objekte berücksichtigt werden soll. Abhängig von der zu lösenden Aufgabe kann dies stark variieren.<br /><br /><br /><br />Es stellt sich also die Frage, wie das Vorwissen des Menschen über eine Segmentierungsaufgabe in den Segmentierungsprozess eingehen kann, so dass das Verhalten des Segmentierungsverfahrens ausschließlich vom zur Verfügung gestellten Wissen bestimmt und damit vom Menschen gesteuert werden kann. Da jedoch der Grund für den Einsatz des Computers für Segmentierungsaufgaben meist der große Umfang der Bilddatensätze ist, muss die notwendige Interaktion des Menschen mit dem Computer auf ein Minimum beschränkt werden, um die Segmentierungsaufgabe in angemessener Zeit lösen zu können. Daher sollten trotzdem möglichst viele Objekte automatisch, jedoch unter Einbeziehung des<br />bereitgestellten Vorwissens segmentiert werden können.<br /><br /><br /><br />Ein intuitiver und effektiver Ansatz zur Repräsentation des Wissens über die zu erzielende Segmentierung ist die Bereitstellung von (möglichst wenigen) Segmentbeispielen, die die zu segmentierenden Objekte repräsentieren.<br /><br /><br /><br />In der vorliegenden Arbeit werden die wesentlichen Schritte eines generellen Segmentierungsverfahrens erarbeitet, welches aus gegebenen Segmentbeispielen erlernen kann, Bilder, bei gleichzeitiger Reduktion der benötigten Anzahl der Segmentbeispiele, zu segmentieren.<br /><br /><br /><br />Dieser Prozess des Lernens einer Segmentierung unter Einbeziehung möglichst weniger Segmentbeispiele erhält im Rahmen dieser Arbeit in Anlehnung an das bekannte Aktive Lernen von Modellen die Bezeichnung \emph{Aktive Segmentierung}.<br /><br /><br /><br />Die vom Benutzer zur Verfügung gestellten Segmentbeispiele werden im Allgemeinen durch manuelles Nachzeichnen einiger der zu segmentierenden Objekte erzeugt. Es ist dabei unvermeidlich, dass die nachgezeichneten Ränder von den wahren Objekträndern abweichen. Damit sich diese unumgänglichen Abweichungen nicht auch in der Genauigkeit der Segmentierungsergebnisse fortsetzt, wird außerdem ein Verfahren zum Erlernen von Rändern entwickelt, welches dies berücksichtigt und trotzdem in der Lage ist, präzise Objektränder vorherzusagen.<br /><br /><br /><br />Experimente mit Anwendungsbeispielen aus dem Bereich der Biologie, der Segmentierung von Zellbildern, demonstrieren den Nutzen und die Möglichkeiten der Aktiven Segmentierung.</dcterms:abstract>
<dc:contributor>Horn, Martin</dc:contributor>
<dspace:isPartOfCollection rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/36"/>
<bibo:uri rdf:resource="http://kops.uni-konstanz.de/handle/123456789/28637"/>
<dcterms:isPartOf rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/36"/>
<foaf:homepage rdf:resource="http://localhost:8080/"/>
<dc:language>deu</dc:language>
<dc:date rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2014-08-04T08:45:26Z</dc:date>
<dcterms:alternative>Active Segmentation</dcterms:alternative>
<dcterms:issued>2014</dcterms:issued>
<dspace:hasBitstream rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/28637/2/Horn_286370.pdf"/>
<dcterms:hasPart rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/28637/2/Horn_286370.pdf"/>
<void:sparqlEndpoint rdf:resource="http://localhost/fuseki/dspace/sparql"/>
<dcterms:title>Aktive Segmentierung</dcterms:title>
<dcterms:rights rdf:resource="https://rightsstatements.org/page/InC/1.0/"/>
</rdf:Description>
</rdf:RDF>
Internal note
xmlui.Submission.submit.DescribeStep.inputForms.label.kops_note_fromSubmitter
Examination date of dissertation
July 21, 2014