| Abstrakt: |
Luftbilder zeigen häufig Bereiche, die auch bei starken lokalen Schwankungen in den Farbwerten als Ganzes stochastisch so regelmäßig erscheinen, dass sie ein Mensch leicht als zusammengehörige Fläche wie einen Wald, ein Feld, einen Weg oder ein Gewässer erkennt. Solche stochastischen Texturen werden in der vorliegenden Arbeit algorithmisch erkannt und segmentiert. Hierzu werden zunächst Texturmodelle zu verschiedenen Bildbereichen generiert, deren strukturelle Ähnlichkeit bewertet und hinreichend unterschiedliche Texturmodelle ermittelt. Anschließend wird jedes Pixel des Bildes via Struktur-Metrik einem dieser Texturmodelle zugeordnet und entsprechend der Zuordnung eingefärbt. Es werden drei unterschiedliche Ansätze zur Texturmodellierung untersucht und verglichen mit dem Ziel, möglichst viel zusammenzufassen, was man als Mensch als gleichartig wahrnimmt (z. B. Baumkronen, Äcker) und Segmentgrenzen dort zu erzielen, wo augenscheinliche Übergänge sind (z. B. Waldgrenzen, Vegetationsveränderungen). Aerial images often show regions that may offer high local color dynamics but nevertheless appear globally regular in a stochastical way so that humans easily recognize them as associated structures like a forest, a field, a pathway, or a waterbody. This work intends to algorithmically recognize and segment such regions. To do this, first, texture models are generated for different image regions, their structural similarities are assessed and, then, sufficiently different texture models are determined. Afterwards, each pixel in the image is assigned to one of those texture models with a structural metric and is then colored according to the assignment. Three different methods of texture modelling are examined and compared in view of the goal to combine as many regions as possible that are seen to be similar by a human observer (e. g., treetops, fields) and to insert segment margins where there are apparent transitions (e. g., boundary of a forest, vegetation changes). [ABSTRACT FROM AUTHOR] |
