Rasteranalyse

Als Rasteranalyse wird ein Verfahren zu Bilderkennung und automatischen Klassifizierung in der Informatik bezeichnet. Dabei wird das Bild in größer werdende Teile gerastert (gepixelt) und dann das unschärfere Bild mit bekannten Mustern verglichen. Im Gegensatz zu anderen Verfahren (wie zum Beispiel Clusteranalyse) ist das Ziel jedoch lediglich, das gesamte Objekt auf dem Bild zu klassifizieren ohne es dabei in kleinere Unterklassen zu teilen (globale Klassifizierung).

Wikipedialogo in mehreren Rasterschritten

Algorithmus

Rasterung

Das Verfahren der Rasterung lässt sich mathematisch erfassen. Dazu überträgt man die Bildpunkte (Pixel) in eine Matrix. Bei Schwarz-Weiß-Bildern wird der Helligkeitswert eingetragen, bei einem Farbbild ein 3-Tupel der RGB-Farbwerte.

${\begin{pmatrix}{x_{11}}&\cdots &{x_{1b}}\\\vdots &\ddots &\vdots \\{x_{a1}}&\cdots &{x_{ab}}\\\end{pmatrix}}$

Es wird immer wieder ein neuer Durchlauf gestartet, solange bis das Bild einer bekannten Klasse zugeordnet werden kann.

Für Durchlauf $\lambda$ gilt zeilenweise: $x_{cd}=\sum _{n=1}^{2\lambda +1}x_{n1}+x_{n2}+\cdots +x_{nb}$

wobei: $\{(c,d)\in \mathbb {N} ^{2}|c=\gamma 2\lambda \land d=\delta 2\lambda \land \gamma ,\delta \in \mathbb {N} \}$

Klassifikation

das entstandene Muster wird mit den bekannten Mustern verglichen
wenn es keine Übereinstimmung gibt, wird ein neuer Durchlauf der Rasterung gestartet
sobald ein gleiches Muster gefunden wird, ist die Zielklasse gefunden
wenn bis zum Maximalraster kein gleiches Muster gefunden wird, werden die erzeugten Muster rückwärts auf bekannte ähnliche Klassen geprüft, (es werden also je nur $ab-\lambda$ Rastersegmente verglichen)
sobald $ab-\lambda$ Rastersegmente gleich sind, ist die Zielklasse gefunden

Anmerkung: Die Wahrscheinlichkeit, dass keine Zielklasse gefunden wird, ist bei diesem Verfahren sehr gering. Jedoch besteht die Gefahr, dass die Zielklasse nicht sinnvoll bzw. falsch ist, wenn die Lernphase zu kurz war.

Beispiel

zur Veranschaulichung der globalen Klassifikation folgendes Beispiel aus der Gesichtserkennung:

Klassifikator	global	konventionell
Bild
erkannte Klassen	Gesicht	Auge, Nase, Mund
Zweck	das Bild wird als eines erkannt, auf dem ein Gesicht zu sehen ist es kann von anderen Bildern unterschieden werden	Das Gesicht wird erkannt und kann von anderen Gesichtern unterschieden werden.

Siehe auch