Aktive Segmentierung

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 desbereitgestellten 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.