Digitale Bildanalyse
Mit digitaler Bildanalyse werden Merkmale (Kenngrößen, features) aus digitalen Bildern extrahiert. Unter Merkmalen versteht man dabei unter anderem Kennzahlen, Vektoren und Funktionen, die dazu dienen, die Bildinhalte hinsichtlich spezifischer Anwendungen zu interpretieren und gegebenenfalls weiter zu verarbeiten. Merkmale können auch semantische Informationen sein. Zur digitalen Bildanalyse gehört somit auch das Lesen von Texten mit optischer Zeichenerkennung (optical character recogniton, OCR), Strichcode (barcode), Produktidentifizierungsnummern (unique device identification, UDI) usw. Eine besondere Rolle spielt die räumliche Interpretation von Merkmalen, die an linearen oder ebenen Schnitten durch räumliche Strukturen (z. B. Mikrostrukturen von Materialien) bildanalytisch bestimmt werden (Stereologie).
Die digitale Bildanalyse ist ein integraler Bestandteil eines Systems aus optischer Bildgebung, Bildaufnahme (mit einem Zeilen- oder Flächensensor), digitaler Bildverarbeitung und Visualisierung von Bildinhalten. Häufig ist die digitale Bildanalyse ein Zwischenschritt in diesem System, z. B. bei der Beurteilung der Bildschärfe, des Kontrasts und von Shading oder der Bestimmung einer geeigneten Binarisierungsschwelle (Otsu-Schwelle) für die Segmentierung von Bildinhalten. Dennoch beansprucht die digitale Bildanalyse eine gewisse Eigenständigkeit, wenn es um die Quantifizierung von Objekten, Strukturen oder Mustern in digitalen Bildern geht.
Die Analyse digitaler Bilder basiert in meist auf Binärbildern, die durch eine vorangehende Segmentierung aus Grauton- oder mehrkanaligen Bildern erhalten werden. In einigen Fällen erübrigt sich jedoch eine Segmentierung, z. B. bei der bildanalytischen Bestimmung der spektralen Leistungsdichte (power spectral density, PSD) eines Bildes oder der Haralick-Koeffizienten (gray tone co-occurrence texture features).
Die digitale Bildanalyse ist von der Bildanalyse in der bildenden Kunst abzugrenzen, bei der es um die kritische Beurteilung der Gestaltungsmerkmale eines Werkes aus künstlerischer Sicht geht.
- ↑ Debjit Das, Ruchira Naskar: Image splicing detection using low-dimensional feature vector of texture features and Haralick features based on gray level co-occurrence matrix. In: Signal Proc. Image Comm. Band 125, Nr. 12, S. 117134 (englisch).