Automatische-Regionsdetektion-zur-Hyperspektralanalyse


Automatische Regionsdetektion zur Hyperspektralanalyse

Diese Industrieumsetzung untersucht, implementiert und validiert automatische Verfahren zur objektorientierten Erkennung von relevanten Regionen (ROI) in Hyperspektraldaten durch Anwendung von Bildverarbeitungslösungen auf multiplen Merkmalsbildern.

coffee_featureim
Drei-Kanal Hyperspektral-Merkmalsbild (normierte 1. Ableitung) von Kaffeebohnen unterschiedlicher Güte („Gesund“ und „Unreif“).

Hyperspektraldaten für Bilder werden gewöhnlich durch spezifische Messungen an einzelnen (bzw. wenigen) ausgewählten Pixeln generiert.

Information of „Healthy“ and „Immature“ groups after application of „normalized intensity“ pre-processing. Manually selected spectra (each plot is associated with one specific pixel location in the image domain) for the coffee beans classification.
Hyperspektralkurven für „Gesunde“ und „Unreife“ Kaffeebohnen. Die Spektren wurden manuell für die Kaffeebohnen-Klassifikation selektiert (jeder Plot repräsentiert ein Pixel in der Bilddomäne).

Über Anwendung von Bildverarbeitung in der lokalen Projektionsdomäne von Hyperspektraldaten, i.e. Merkmalsbildern, erfolgt eine automatische Selektion der ROI für die weitere Prozessierung in der Hyperspektraldomäne. Folglich werden diese ROIs verwendet um die interessantesten Spektren aus der Hyperspektralanalyse auszuwählen. Die verwendeten Algorithmen müssen dabei invariant gegenüber Einflüssen des Hyperspektral-Aufnahmeprozess sein (z.B. gegenüber Bewegungsunschärfe oder Temperatureinflüsse).

Die Merkmalsbilder stellen dabei eine Abstrahierung der Hyperspektraldaten durch statistische oder chemometrische (multivariate) Analyse auf Basis von Merkmalsvektoren je Pixel (i.e. Spektrum) dar. Für die automatisierte Verarbeitung stehen 40 Merkmalskanäle der Kaffeebohnen-Daten zur Verfügung und dienen als Basis für zwei unterschiedliche Ansätze:

  • ROI-Detektion mittels mathematischer Morphologie: Da jeder Kanal mit aufnahmebedingtem Rauschen behaftet ist (durch Beleuchtungsunterschiede und andere Umwelteinflüsse) basiert der allgemeine Ansatz zur automatischen Segmentation auf einem drei-stufigen Verfahren: a) adaptives Thresholding um Objekte vom Hintergrund zu trennen, b) Vereinzelung und Identifikation der Objekte (i.e. einzelne Kaffeebohnen) durch morphologische Analyse, sowie einer möglichen c) Maskengenerierung für jedes Objekt durch „Region Growing“.

feat
Merkmalsbild.

mask
Binäre Maske.

cellcent
Abgeleitete Objektzentren.

 

  • Watershed-Analyse: Der erste Schritt der Watershed-Analyse umfasst die automatische Auswahl geeigneter Merkmalsbilder (mit höchstem Kontrast entsprechend größter Standardabweichung der Pixelwerte). Im Falle der Kaffeebohnenklassifikation war dies die 2. Ableitung. Ähnlich dem ersten automatischen Verfahren erfolgt eine Binarisierung als Basis für die folgenden Schritte. Mithilfe einer Distanztransformation auf der binären Maske werden lokale Maxima über ein iteratives Suchverfahren abgeleitet, welche wiederum als Ausganspunkte („Seeds“) für die Watershed-Regionen dienen. Die Kombination von Watershed-Regionen mit der binären Maske liefert schließlich die gewünschten ROIs der Kaffeebohnen.

Local maxima, seeds for watershed analysis.
Lokale Maxima als Start für die Watershed-Analyse.

Derived ROIs.
Abgeleitete ROIs.

 

Top