Wasserscheidenpixeln
Komplexere Segmentierungsalgorithmen nutzen mehr Informationen als nur Objekt- und Hintergrundintensität. Sie können zur Unterstützung der Segmentierung Objektkanten verwenden, bei denen sich die Intensität schnell ändert, oder auch sich langsam ändernde Werte aus dem Inneren eines Objekts nutzen. Sind Form und Größe des Objekts vorher bekannt, kann auch dies zur Verbesserung der Segmentierung beitragen. Die Wasserscheidentransformation ist ein interessantes Beispiel für einen komplexen Segmentierungsalgorithmus: Angenommen, die Innenbereiche von Objekten sind dunkler als der Hintergrund oder ihre Kanten und betrachtet man außerdem das Bild als topografische Karte, sind in dieser Topografie Objekte Becken. In Anlehnung an geografische Wasserscheiden treffen die Becken bei ‚Wasserscheidenpixeln‘ aufeinander und diese Grenzen segmentieren dann die Objekte. Wird jedes Becken im Bild ‚gefüllt‘, bis sein ‚Wasser‘ auf das eines anderen Beckens trifft, werden die Punkte, an denen sie aufeinandertreffen, zu Wasserscheidenpixeln. Dieser Algorithmus wird in der Bildanalyse für Aufgaben wie das Auslesen von DNS-Proben und die Größeneinteilung von Metallkörnern verwendet. Indem verschiedene Objekte mit unterschiedlichen Farben gekennzeichnet werden, wird die Segmentierung sichtbar.
Blobanalyse
Segmentierung ergibt oft ein binäres Bild, in dem helle Pixel Objekte und dunkle Pixel den Hintergrund darstellen (oder umgekehrt). In diesem Fall kann die Segmentierung einfach durch die Anzeige des binären Bildes sichtbar gemacht werden. Die Pixel, die Objekte darstellen, werden mittels Konnektivitätsanalyse in Objektbereichen gesammelt. Die Konnektivitätsanalyse gruppiert segmentierte Pixel in Objektbereiche. Diese Gruppierung basiert auf angrenzenden Pixeln, die einander berühren oder die gleiche Segmentkennzeichnung aufweisen. Im Fall der Wasserscheide ist dies die Farbe. Die Bereiche werden manchmal als Blobs bezeichnet und zum jetzigen Zeitpunkt ist nur bekannt, dass ihre Pixel die gleiche Segmentkennzeichnung besitzen und einander berühren. Der nächste Schritt umfasst die Messung von Blobs, auch Blobanalyse genannt. Die Blobs werden gemessen und indexiert und für jeden Blob werden die Messwerte aufgezeichnet: die Anzahl der Pixel im Blob, sein Schwerpunkt und das Begrenzungsrechteck (das Rechteck, das den Blob knapp umschließt). Basierend auf dem Bereich und den Abmessungen eines Blobs können viele andere Messmethoden angewendet werden. Der Feret-Durchmesser ist der längste Abstand zwischen zwei Punkten im Umfang des Blobs, z.B. ein Außentaster in einem festgelegten Winkel. Messmethoden, bei denen Entfernungen entlang einer Kurve verwendet werden, können kompliziert sein. Kurvendistanzen sind in digitalen Bildern schlecht definiert, besonders bei Bildern mit binären Intensitätswerten (s/w). Stellen Sie sich den Umfang eines kreisförmigen Blobs vor. Wenn Sie diesen Blob in einem digitalen Bild betrachten, erkennen Sie, dass sich die Kanten in wesentlichen Pixelschritten verändern und nicht etwa glatt verlaufen. Wenn Sie die Entfernungen der Kanten dieser Schritte addieren, erhalten Sie einen Umfang, der größer ausfällt, als der Umfang, der durch den Durchmesser des Kreises vorausberechnet wurde. Kurvenmessungen können verbessert werden, indem Informationen aus dem ursprünglichen Graustufenbild verwendet werden. Bei Messwerten, die auf Entfernungen entlang einer Kurve basieren, ist jedoch immer noch Vorsicht geboten. Die Wahl der Messmethode hängt davon ab, was Sie erreichen möchten. Soll z.B. die Verteilung der Formen elliptischer Partikel ermittelt werden, kann die Kreisförmigkeit des Blobs gemessen werden.
Klassifizierung
Der letzte Schritt bei der Bildanalyse ist für gewöhnlich die Klassifizierung. Dabei werden Blobs einer Objektklasse zugeordnet, basierend auf den Maßen des Blobs. Angenommen, es soll eine Kultur biologischer Zellen angelegt werden: Die Stabilität des Vorgangs wird überwacht, indem man lebende und tote Zellen in einer Probe zählt (Dies ist möglich, da lebende Zellen größer und kreisförmiger sind als tote). Die Klassifizierung ist meist unvollständig aufgrund von Objektabweichungen, z.B. lebende und tote Zellen, deren Größenbereiche sich überlappen. Hier muss der Aufwand einer inkorrekten Klassifizierung eingerechnet werden und, falls erforderlich, müssen weitere Messungen durchgeführt werden, um die Verlässlichkeit der Klassifizierung zu verbessern. In der Nahrungsmittelproduktion, z.B. in Bäckereien oder Milchverarbeitungsanlagen, wird der Pegel der Schimmelsporen in der Luft überwacht, indem Teller mit Nährstofflösung in den Verarbeitungsbereichen aufgestellt werden. Die Sporen landen auf der Nährstofflösung und wachsen in kreisförmigen Kolonien. Die Anzahl, Größe und Form dieser Kolonien ergeben die Werte der Sporendichte in den Verarbeitungsbereichen. Eine hohe Sporendichte erfordert Korrekturmaßnahmen, wie eine Reinigung mit Desinfektionsmittel oder das Austauschen der Außenluftfilter. Zuerst wird ein Graustufenbild einiger Kolonien geglättet, um die nachfolgende Verarbeitung stabiler zu gestalten. Mittels Erosion und Dilatation (morphologische Öffnung) wird das Hintergrundrauschen entfernt und einige Kolonien, die sich überschneiden, werden getrennt. Die Segmentierung in Blobs erfolgt mittels einer Schwelle. Beachten Sie, dass die Beleuchtung der Probe auf der rechten Seite etwas schwächer wird. Dies sollte korrigiert werden, bevor eine Schwelle verwendet wird. Dann wird eine Konnektivitätsanalyse der Blobs durchgeführt und die Blobs, die kleiner als die erwartete Größe der Kolonie ausfallen, werden entfernt. Die Sporen wachsen kreisförmig von dem Punkt aus, an dem sie landen. Bei Sporen, die sich dicht beieinander befinden, tritt überlappendes Wachstum auf. Eine Abstandskarte gibt die Distanz an, die zwischen jedem Pixel und der nächsten Kante des Blob liegt. Spitzenwerte in der Abstandskarte befinden sich nahe des Zentrums eines Wachstumskreises. So können sich überlappende Kolonien gezählt werden.
