Höhere Merkmale

Zusammenfassung

In den Kap. 9, 10 und 11 haben wir recht einfache Merkmale wie Kanten, Ecken, Segmente, Quattuorvigintieck, Skelette etc. vorgestellt. Die Merkmale in diesem Kapitel sind deutlich komplexer. Wir behandeln zuerst Shape Context, eine Technik, die Randpunkte eines Objekts mittels Log-Polar-Histogrammen bewertet. Ein Objekt wird im Shape Context durch eine Auswahl derart bewerteter Randpunkte dargestellt. Zwei Objekte werden im Shape Context Matching verglichen und ineinander verzerrt. Dazu werden die Mengen der bewerteten Randpunkte beider Objekte mittels der Ungarischen Methode sortiert und so deren Ähnlichkeit gemessen. Als Zweites behandeln wir die Technik der Scale Invariant Feature Transform (SIFT). Hierzu wird zuerst kurz generell auf Skalenräume eingegangen und dann der für SIFT benutzte Skalenraum vorgestellt. Der SIFT-Merkmalsvektor wird in Detail beschrieben. Eine Anwendung der SIFT-Methode zur Gruppierung ähnlicher Merkmale wird vorgestellt. Als Drittes werden Textturmerkmale behandelt. Hierzu bedarf es stochastischer Methoden. Wir stellen Co-Occurrence-Matrizen, Autokovarianz-Matrizen sowie Haralick- und Unser-Merkmale vor. Zur Analyse von Texturen in Farbbildern wird das Autokovarianz-Modell auf mehrkanalige Bilder übertragen. Überraschenderweise kann ein Bild einer Farbtextur mit nur 202 Zahlen so beschrieben werden, dass es sich aus diesen 202 Werten allein recht ordentlich rekonstruieren lässt.