Crunching Pixels - Digitale Bildverarbeitung - page 3

1.2 Bildanalyse und ” intelligente“ Verfahren
Viele Aufgaben in der Bildverarbeitung, die auf den ersten Blick ein-
fach und vor allem dem menschlichen Auge so spielerisch leicht zu fallen
scheinen, entpuppen sich in der Praxis als schwierig, unzuverlassig, zu
langsam, oder ganzlich unmachbar. Besonders gilt dies fur den Bereich
der Bild analyse , bei der es darum geht, sinnvolle Informationen aus Bil-
dern zu extrahieren, sei es etwa, um ein Objekt vom Hintergrund zu
trennen, einer Straße auf einer Landkarte zu folgen oder den Strichcode
auf einer Milchpackung zu finden - meistens ist das schwieriger, als es
uns die eigenen Fahigkeiten erwarten lassen.
Dass die technische Realitat heute von der beinahe unglaublichen Lei-
stungsfahigkeit biologischer Systeme (und den Phantasien Hollywoods)
noch weit entfernt ist, sollte uns zwar Respekt machen, aber nicht davon
abhalten, diese Herausforderung unvoreingenommen und kreativ in An-
griff zu nehmen. Vieles ist auch mit unseren heutigen Mitteln durchaus
losbar, erfordert aber - wie in jeder technischen Disziplin - sorgfalti-
ges und rationales Vorgehen. Bildverarbeitung funktioniert namlich in
vielen, meist unspektakularen Anwendungen seit langem und sehr er-
folgreich, zuverlassig und schnell, nicht zuletzt als Ergebnis fundierter
Kenntnisse, praziser Planung und sauberer Umsetzung.
Die Analyse von Bildern ist in diesem Buch nur ein Randthema, mit
dem wir aber doch an mehreren Stellen in Beruhrung kommen, etwa
bei der Segmentierung von Bildregionen (Kap. 11), beim Au nden von
einfachen Kurven (Kap. 9) oder beim Vergleichen von Bildern (Kap. 17).
Alle hier beschriebenen Verfahren arbeiten jedoch ausschließlich auf Ba-
sis der Pixeldaten, also ” blind“ und ” bottom-up“ und ohne zusatzliches
Wissen oder ” Intelligenz“. Darin liegt ein wesentlicher Unterschied zwi-
schen digitaler Bildverarbeitung einerseits und ” Mustererkennung“ ( Pat-
tern Recognition )bzw. Computer Vision andererseits. Diese Disziplinen
greifen zwar haufig auf die Methoden der Bildverarbeitung zuruck, ihre
Zielsetzungen gehen aber weit uber diese hinaus:
Pattern Recognition ist eine vorwiegend mathematische Disziplin,
die sich allgemein mit dem Au nden von ” Mustern“ in Daten und
Signalen beschaftigt. Typische Beispiele aus dem Bereich der Bild-
analyse sind etwa die Unterscheidung von Texturen oder die optische
Zeichenerkennung (OCR). Diese Methoden betreffen aber nicht nur
Bilddaten, sondern auch Sprach- und Audiosignale, Texte, Borsen-
kurse, Verkehrsdaten, die Inhalte großer Datenbanken u.v.m. Stati-
stische und syntaktische Methoden spielen in der Mustererkennung
eine zentrale Rolle (s. beispielsweise [21, 62, 83]).
Computer Vision beschaftigt sich mit dem Problem, Sehvorgange in
der realen, dreidimensionalen Welt zu mechanisieren. Dazu gehort
die raumliche Erfassung von Gegenstanden und Szenen, das Erken-
nen von Objekten, die Interpretation von Bewegungen, autonome
Navigation, das mechanische Aufgreifen von Dingen (durch Robo-

1.2 Bildanalyse und
” intelligente“ Verfahren