DE60037919T2

DE60037919T2 - Verfahren zum Wiederauffinden von Bildtexturen und Vorrichtung dafür

Info

Publication number: DE60037919T2
Application number: DE60037919T
Authority: DE
Inventors: Hyun Doo 510-1302 Mujigae Maeul Shin; Yang Lim 102-1112 Wooman Choi; Peng University of California Santa Barbara Wu; B. S. University of California Sanata Barbara Manjunath
Original assignee: Samsung Electronics Co Ltd; University of California; University of California Berkeley; University of California San Diego UCSD
Current assignee: Samsung Electronics Co Ltd; University of California; University of California Berkeley; University of California San Diego UCSD
Priority date: 1999-02-05
Filing date: 2000-02-03
Publication date: 2009-07-09
Anticipated expiration: 2020-02-04
Also published as: JP2004158042A; EP1453000B1; EP1777658B1; WO2000046750A1; EP1153365A4; SG142124A1; KR20010113667A; ATE371231T1; CN100405399C; CA2361492A1; ATE490518T1; DE60036082T2; EP1777658A1; US20030193510A1; AU775858B2; KR100444776B1; EP1453000A3; AU2464600A; ATE385007T1; US7027065B2

Description

Technisches Gebiet
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zum Wiedergewinnen eines Bildtextur-Deskriptors und im Besonderen ein Bildtextur-Deskriptor-Wiedergewinnungsverfahren zum Wiedergewinnen eines Textur-Deskriptors, der beim Suchen und Durchsuchen eines Bildes verwendet wird und Texturcharakteristiken des Bildes beschreibt, und eine Vorrichtung davon.
Stand der Technik
In jüngster Zeit ist Bildtextur als wichtige visuelle Merkmale zum Suchen und Durchsuchen eines großen Satzes ähnlicher Bildmuster in Erscheinung getreten. Zum Beispiel extrahiert ein herkömmlicher Textur-Deskriptor zum Filtern eines Textur-Deskriptors mit einem Gabor-Filter einen Textur-Deskriptor, bestehend aus Koeffizienten, die durch Gabor-Filtern gewonnen wurden. Auch wenn herkömmliche Bildtextur-Deskriptoren aus zahlreichen Vektoren bestehen, ist es dennoch recht schwierig, Texturstrukturen anhand des Textur-Deskriptors visuell wahrzunehmen.
Das Dokument von Porat et al., „Localized texture processing in vision: Analysis and synthesis in the Gaborian space", IEEE Transactions an Biomedical Engineering, IEEE Inc., New York, USA, Bd. 36, Nr. 1, 1989, Seite 115 bis 129, beschreibt einen Textur-Deskriptor mit einem einzelnen direktionalen Merkmal, nämlich der dominanten lokalisierten Frequenz.
Das Dokument von Hamamoto et al., „A Gabor filter-based method for recognizing handwritten numerals", Pattern Recognition, Pergamon Press Inc., Elmsford, New York, USA, Bd. 31, Nr. 4, 1. April 1998, Seite 395 bis 400, beschreibt das Erkennen handschriftlicher Ziffern auf Basis eines Gabor-Filters, das inhärent direktionales Filtern enthält.
Offenlegung der Erfindung
Es ist eine Aufgabe der vorliegenden Erfindung, ein Verfahren zum Wiedergewinnen eines Bildtextur-Deskriptors bereitzustellen, das die in einem Bild vorhandenen Texturstrukturen perzeptorisch erfassen kann.
Es ist eine andere Aufgabe der vorliegenden Erfindung, ein computerlesbares Speichermedium bereitzustellen, in dem ein Computerprogramm gespeichert ist, wobei das Programm so eingerichtet ist, dass ein Computer das Bildtextur-Deskriptor-Wiedergewinnungsverfahren ausführt.
Es ist noch eine andere Aufgabe der vorliegenden Erfindung, eine Bildtextur-Deskriptor-Wiedergewinnungsvorrichtung bereitzustellen, die das Bildtextur-Deskriptor-Wiedergewinnungsverfahren durchführt.
Zum Erfüllen der vorgenannten Aufgabe wird ein Verfahren zum Wiedergewinnen eines Bildtextur-Deskriptors zum Beschreiben von Texturmerkmalen eines Bildes bereitgestellt, das die folgenden Schritte enthält: (a) Filtern von Eingabebildern unter Verwendung vorgegebener Filter mit verschiedenen Orientierungskoeffizienten; (b) Projizieren der gefilterten Bilder auf Achsen jeder vorgegebenen Richtung, um Datengruppen zu gewinnen, die aus Durchschnittswerten von jedem der direktionalen Pixelwerte bestehen; (c) Auswählen von Kandidaten-Datengruppen aus den Datengruppen mit einem vorgegebenen Klassifizierungsverfahren; (d) Bestimmen einer Vielzahl von Indikatoren auf Basis von Orientierungs-Koeffizienten der Filter, die beim Filtern der Kandidaten-Datengruppen verwendet werden; und (e) Bestimmen der Vielzahl von Indikatoren als den Textur-Deskriptor des Bildes.
Der Schritt (a) kann des Weiteren den Schritt des (a-1) Filterns von Eingabebildern unter Verwendung vorgegebener Filter mit unterschiedlichen Skalen-Koeffizienten enthalten und der Schritt (d) umfasst des Weiteren den Schritt des (d-1) Bestimmens einer Vielzahl von Indikatoren auf Basis von Skalen-Koeffizienten der Filter, die beim Filtern der Kandidaten-Datengruppen verwendet werden.
Das Bildtextur-Deskriptor-Wiedergewinnungsverfahren kann des Weiteren den Schritt des Bestimmens eines anderen Indikators auf Basis des Vorhandenseins von Datengruppen, die mit Filtern gefiltert werden, die Skalen-Koeffizienten oder Orientierungs- Koeffizienten haben, die nahe an den Skalen-Koeffizienten oder Orientierungs-Koeffizienten der Filter liegen, die beim Filtern der ausgewählten Kandidaten-Datengruppen verwendet werden, oder mit ihnen identisch sind, umfassen.
Das Bildtextur-Deskriptor-Wiedergewinnungsverfahren kann des Weiteren den Schritt des Berechnens des Mittels und der Varianz von Pixeln in Bezug auf die gefilterten Bilder und des Bestimmens eines vorgegebenen Vektors unter Verwendung des berechneten Mittels und der berechneten Varianz enthalten.
Nach einem anderen Aspekt der vorliegenden Erfindung wird ein Verfahren zum Wiedergewinnen eines Bildtextur-Deskriptors zum Beschreiben von Texturmerkmalen eines Bildes bereitgestellt, das die folgenden Schritte enthält: (a) Filtern von Eingabebildern unter Verwendung vorgegebener Filter mit verschiedenen Skalen-Koeffizienten, (b) Projizieren der gefilterten Bilder auf Achsen jeder vorgegebenen Richtung, um Datengruppen zu gewinnen, die aus Durchschnittswerten von jedem der direktionalen Pixelwerte bestehen, (c) Bestimmen einer Vielzahl von Indikatoren auf Basis von Skalen-Koeffizienten der Filter, die beim Filtern von Datengruppen verwendet werden, die mit einem vorgegebenen Auswahlverfahren aus den Datengruppen ausgewählt wurden, (d) Bestimmen der Vielzahl von Indikatoren als den Textur-Deskriptor des Bildes.
Nach noch einem anderen Aspekt der vorliegenden Erfindung wird ein Verfahren zum Wiedergewinnen eines Bildtextur-Deskriptors zum Beschreiben von Texturmerkmalen eines Bildes bereitgestellt, das die folgenden Schritte umfasst: (a) Filtern von Eingabebildern unter Verwendung vorgegebener Filter mit verschiedenen Orientierungs-Koeffizienten und verschiedenen Skalen-Koeffizienten, (b) Projizieren der gefilterten Bilder auf horizontale und vertikale Achsen, um Horizontalachsenprojektionsgraphen und Vertikalachsenprojektionsgraphen zu gewinnen, (c) Berechnen normalisierter Autokorrelationswerte für jeden Graphen, (d) Ermitteln lokaler Maximalwerte und eines lokalen Minimalwertes für jeden normalisierten Autokorrelationswert, bei denen die berechneten normalisierten Autokorrelationswerte eine lokale Spitze und ein lokales Tal in einem vorgegebenen Abschnitt bilden, (e) Definieren des Mittels der lokalen Maximalwerte und des Mittels der lokalen Minimalwerte als Kontrast, (f) Auswählen von Graphen, bei denen das Verhältnis der Standardabweichung zu dem Mittel der lokalen Maximalwerte geringer ist als ein vorgegebener Schwellenwert oder diesem entspricht, als erste Kandidaten- Graphen, (g) Bestimmen des Typs der zweiten Kandidaten-Graphen gemäß der Anzahl von Graphen, die mit den Filtern gefiltert wurden, die Skalen-Koeffizienten oder Orientierungs-Koeffizienten haben, die nahe an den Skalen-Koeffizienten oder Orientierungs-Koeffizienten der Filter liegen, die beim Filtern der ausgewählten zweiten Kandidaten-Graphen verwendet werden, oder mit ihnen identisch sind, (h) Zählen der Anzahlen von Graphen, die zu den jeweiligen Typen zweiter Kandidaten-Graphen gehören, und Bestimmen vorgegebener Gewichte jedes Typs zweiter Kandidaten-Graphen, (i) Berechnen der Summe von Produkten der gezählten Anzahlen von Graphen und der bestimmten Gewichte, um den Berechnungsergebniswert als einen ersten Indikator zu bestimmen, der einen Textur-Deskriptor bildet, (j) Bestimmen der Orientierungs-Koeffizienten und Skalen-Koeffizienten der zweiten Kandidaten-Graphen mit dem größten Kontrast als zweiten bis fünften Indikator, und (k) Bestimmen von Indikatoren, die den ersten Indikator und den zweiten bis fünften Indikator enthalten, als die Textur-Deskriptoren des entsprechenden Bildes.
Das Bildtextur-Deskriptor-Wiedergewinnungsverfahren kann des Weiteren den Schritt des Berechnens des Mittels und der Varianz von Pixeln in Bezug auf die gefilterten Bilder und des Bestimmens eines vorgegebenen Vektors unter Verwendung des berechneten Mittels und der berechneten Varianz enthalten, wobei der Schritt (k) den Schritt des Bestimmens von Indikatoren, die den ersten Indikator, den zweiten bis fünften Indikator und den vorgegebenen Vektor enthalten, als die Textur-Deskriptoren des entsprechenden Bildes enthält.
Die normalisierte Autokorrelation, bezeichnet durch NAC(k), wird vorzugsweise mit der folgenden Formel berechnet:
wobei N eine vorgegebene positive ganze Zahl ist, ein Eingabebild aus N×N Pixeln besteht, eine Pixelposition durch i dargestellt wird, wobei i eine Zahl von 1 bis N ist, wobei die Projektionsgraphen, die durch Pixel der Pixelposition i ausgedrückt werden, durch P(i) dargestellt werden und k eine Zahl von 1 bis N ist.
Der Kontrast wird bestimmt als:
wobei P_magn (i) und V_magn (i) die lokalen Maximalwerte und lokalen Minimalwerte sind, die in dem Schritt (d) bestimmt werden.
In dem Schritt (f) werden die Graphen, die die folgende Formel erfüllen, als erste Kandidaten-Graphen ausgewählt: Sd ≤ α,wobei d und S das Mittel und die Standardabweichung der lokalen Maximalwerte sind und α ein vorgegebener Schwellenwert ist.
Der Schritt (g) enthält die Teilschritte (g-1), wenn es einen oder mehrere Graphen gibt, die Skalen- oder Orientierungs-Koeffizienten haben, die mit denen eines pertinenten Kandidaten-Graphen identisch sind, und einen oder mehrere Graphen, die Skalen- oder Orientierungs-Koeffizienten haben, die nahe an denen des pertinenten Kandidaten-Graphen liegen, wobei der pertinente Kandidaten-Graph als ein Graph ersten Typs klassifiziert wird, (g-2), wenn es einen oder mehrere Graphen gibt, die Skalen- oder Orientierungs-Koeffizienten haben, die mit denen eines pertinenten Kandidaten-Graphen identisch sind, es aber keinen Graphen gibt, der Skalen- oder Orientierungs-Koeffizienten hat, die nahe an denen des pertinenten Kandidaten-Graphen liegen, wobei der pertinente Kandidaten-Graph als ein Graph zweiten Typs klassifiziert wird, und (g-3), wenn es keinen Graphen gibt, der Skalen- oder Orientierungs-Koeffizienten hat, die mit denen eines pertinenten Kandidaten-Graphen identisch sind oder nahe an diesen liegen, wobei der pertinente Kandidaten-Graph als ein Graph dritten Typs klassifiziert wird.
Der Schritt (h) enthält den Schritt des Zählens der Anzahl von Graphen, die zu jedem des ersten bis dritten Typs von Graphen gehören, und des Bestimmens vorgegebener Gewichte für jeden der Typen von Graphen.
Nach dem Schritt (f) kann des Weiteren der Schritt des Anwendens eines vorgegebenen Gruppierungsalgorithmus auf die ersten Kandidaten-Graphen zum Auswählen zweiter Kandidaten-Graphen enthalten sein.
Der vorgegebene Gruppierungsalgorithmus ist vorzugsweise modifiziertes agglomerierendes Gruppieren.
Vorzugsweise wird in dem Schritt (j) der Orientierungs-Koeffizient eines Graphen mit dem größten Kontrast aus den Horizontalachsenprojektionsgraphen als ein zweiter Indikator bestimmt; der Orientierungs-Koeffizient eines Graphen mit dem größten Kontrast aus den Vertikalachsenprojektionsgraphen wird als ein zweiter Indikator bestimmt; der Skalen-Koeffizient eines Graphen mit dem größten Kontrast aus den Horizontalachsenprojektionsgraphen wird als ein vierter Indikator bestimmt; und der Skalen-Koeffizient eines Graphen mit dem größten Kontrast aus den Vertikalachsenprojektionsgraphen wird als ein fünfter Indikator bestimmt.
Der Schritt (j) kann den Schritt des Bestimmens von Indikatoren, die den ersten Indikator, den zweiten bis fünften Indikator und den vorgegebenen Vektor enthalten, als die Textur-Deskriptoren des entsprechenden Bildes enthalten.
Die vorgegebenen Filter enthalten vorzugsweise Gabor-Filter.
Um die zweite Aufgabe der vorliegenden Erfindung zu erfüllen, wird ein computerlesbares Medium bereitgestellt, das Programmcodes aufweist, die von einem Computer ausgeführt werden können, um ein Verfahren für einen Bildtextur-Deskriptor zum Beschreiben von Texturmerkmalen eines Bildes durchzuführen, wobei das Verfahren die folgenden Schritte enthält: (a) Filtern von Eingabebildern unter Verwendung vorgegebener Filter mit verschiedenen Orientierungs-Koeffizienten und verschiedenen Skalen-Koeffizienten, (b) Projizieren der gefilterten Bilder auf horizontale und vertikale Achsen, um Horizontalachsenprojektionsgraphen und Vertikalachsenprojektionsgraphen zu ge winnen, (c) Berechnen normalisierter Autokorrelationswerte für jeden Graphen, (d) Ermitteln lokaler Maximalwerte und lokaler Minimalwerte für jeden der normalisierten Autokorrelationswerte, bei denen der berechnete normalisierte Autokorrelationswert eine lokale Spitze und ein lokales Tal in einem vorgegebenen Abschnitt bildet, (e) Definieren des Mittels der lokalen Maximalwerte und des Mittels der lokalen Minimalwerte als Kontrast, (f) Auswählen von Graphen, bei denen das Verhältnis der Standardabweichung zu dem Mittel der lokalen Maximalwerte geringer ist als ein vorgegebener Schwellenwert oder diesem entspricht, als erste Kandidaten-Graphen, (g) Bestimmen des Typs der zweiten Kandidaten-Graphen gemäß der Anzahl von Graphen, die mit den Filtern gefiltert wurden, die Skalen-Koeffizienten oder Orientierungs-Koeffizienten haben, die nahe an den Skalen-Koeffizienten oder Orientierungs-Koeffizienten der Filter liegen, die beim Filtern der ausgewählten zweiten Kandidaten-Graphen verwendet werden, oder mit ihnen identisch sind, (h) Zählen der Anzahlen von Graphen, die zu den jeweiligen Typen zweiter Kandidaten-Graphen gehören, und Bestimmen vorgegebener Gewichte jedes Typs von zweitem Kandidaten-Graphen, (i) Berechnen der Summe von Produkten der gezählten Anzahlen von Graphen und der bestimmten Gewichte, um den Berechnungsergebniswert als einen ersten Indikator zu bestimmen, der einen Textur-Deskriptor bildet, (j) Bestimmen der Orientierungs-Koeffizienten und Skalen-Koeffizienten der zweiten Kandidaten-Graphen mit dem größten Kontrast als zweiten bis fünften Indikator, und (k) Bestimmen von Indikatoren, die den ersten Indikator und den zweiten bis fünften Indikator enthalten, als die Textur-Deskriptoren des entsprechenden Bildes.
Um die dritte Aufgabe der vorliegenden Erfindung zu erfüllen, wird ein Vorrichtungsverfahren zum Wiedergewinnen eines Bildtextur-Deskriptors zum Beschreiben von Texturmerkmalen eines Bildes bereitgestellt, wobei die Vorrichtung enthält: eine Filtereinrichtung zum Filtern von Eingabebildern unter Verwendung vorgegebener Filter, die unterschiedliche Orientierungs-Koeffizienten haben, eine Projiziereinrichtung zum Projizieren der gefilterten Bilder auf Achsen jeder vorgegebenen Richtung, um Datengruppen zu gewinnen, die aus Durchschnittswerten von jedem der direktionalen Pixelwerte bestehen, eine Klassifiziereinrichtung zum Auswählen von Kandidaten-Datengruppen aus den Datengruppen mit einem vorgegebenen Klassifizierungsverfahren, eine Einrichtung zum Bestimmen eines ersten Indikators zum Bestimmen eines anderen Indikators auf Basis der Anzahl von Graphen, die mit Filtern gefiltert werden, die Skalen-Koeffizienten oder Orientierungs-Koeffizienten haben, die nahe an den Skalen-Koeffizienten oder Orientie rungs-Koeffizienten der Filter liegen, die beim Filtern des ausgewählten Kandidaten-Graphen verwendet werden, oder mit ihnen identisch sind, und eine Einrichtung zum Bestimmen eines zweiten Indikators zum Bestimmen einer Vielzahl von Indikatoren auf Basis von Skalen-Koeffizienten und Orientierungs-Koeffizienten der Filter, die beim Filtern der bestimmten Kandidaten-Graphen verwendet werden.
Alternativ wird eine Vorrichtung zum Wiedergewinnen eines Bildtextur-Deskriptors zum Beschreiben von Texturmerkmalen eines Bildes bereitgestellt, wobei die Vorrichtung enthält: eine Filtereinheit zum Filtern von Eingabebildern unter Verwendung vorgegebener Filter, die unterschiedliche Orientierungs-Koeffizienten und unterschiedliche Skalen-Koeffizienten haben, eine Bild-Mittel/Varianz-Berechnungseinheit zum Berechnen des Mittels und der Varianz von Pixeln in Bezug auf jedes der gefilterten Bilder und zum Bestimmen eines vorgegebenen Vektors unter Verwendung des berechneten Mittels und der berechneten Varianz, eine Projiziereinheit zum Projizieren der gefilterten Bilder auf horizontale und vertikale Achsen, um Horizontalachsenprojektionsgraphen und Vertikalachsenprojektionsgraphen zu gewinnen, eine Berechnungseinheit zum Berechnen eines normalisierten Autokorrelationswertes für jeden Graphen, eine Spitzen-Erfassungs-/Analysiereinheit zum Erfassen lokaler Maximalwerte und lokaler Minimalwerte für jeden Autokorrelationswert, bei denen die berechneten normalisierten Autokorrelationswerte eine lokale Spitze und ein lokales Tal in einem vorgegebenen Abschnitt bilden, eine Mittel/Varianz-Berechnungseinheit zum Berechnen des Mittels der lokalen Maximalwerte und des Mittels der lokalen Minimalwerte, eine Einheit zum Auswählen/Speichern erster Kandidaten-Graphen zum Auswählen der Graphen, die die Bedingung erfüllen, dass das Verhältnis der Standardabweichung zu dem Mittel der lokalen Maximalwerte geringer ist als ein vorgegebener Schwellenwert oder diesem entspricht, als erste Kandidaten-Graphen, eine Einheit zum Auswählen/Speichern zweiter Kandidaten-Graphen zum Anwenden eines vorgegebenen Gruppierungsalgorithmus auf die ersten Kandidaten-Graphen, um diese als zweite Kandidaten-Graphen auszuwählen, eine Klassifiziereinheit zum Zählen der Anzahlen von Graphen, die zu jedem der jeweiligen Typen der zweiten Kandidaten-Graphen gehören, zum Ausgeben von Datensignalen, die die Anzahl von Graphen jedes Typs anzeigen, zum Bestimmen vorgegebener Gewichte der Graphen, die zu den jeweiligen Typen gehören, und zum Ausgeben von Datensignalen, die Gewichte anzeigen, die auf jeden Typ anzuwenden sind, eine Einheit zum Bestimmen erster Indikatoren zum Berechnen der Summe der Produkte der Daten, die die An zahl von Graphen, die zu jedem Typ gehören, darstellen, und der Daten, die die Gewichte, die auf jeden Typ anzuwenden sind, darstellen, zum Bestimmen und zum Ausgeben des Berechnungsergebnisses als einen ersten Indikator, der einen Textur-Deskriptor bildet, eine Kontrastberechnungseinheit zum Berechnen des Kontrastes gemäß Formel (2) unter Verwendung der von der Mittel/Varianz-Berechnungseinheit ausgegebenen Mittel und zum Ausgeben eines Signals, das anzeigt, dass der berechnete Kontrast am größten ist, eine Einheit zum Auswählen/Speichern zweiter Kandidaten-Graphen zum Ausgeben der Kandidaten-Graphen mit dem größten Kontrast aus den darin gespeicherten zweiten Kandidaten-Graphen in Reaktion auf das Signal, das anzeigt, dass der berechnete Kontrast der größte ist, eine Einheit zum Bestimmen zweiter bis fünfter Indikatoren zum Bestimmen des Orientierungs-Koeffizienten eines Graphen mit dem größten Kontrast aus den Horizontalachsenprojektionsgraphen; des Orientierungs-Koeffizienten eines Graphen mit dem größten Kontrast aus den Vertikalachsenprojektionsgraphen als einen zweiten Indikator; des Skalen-Koeffizienten eines Graphen mit dem größten Kontrast aus den Horizontalachsenprojektionsgraphen als einen vierten Indikator; und des Skalen-Koeffizienten eines Graphen mit dem größten Kontrast aus den Vertikalachsenprojektionsgraphen als einen fünften Indikator, und eine Textur-Deskriptor-Ausgabeeinheit zum Kombinieren des ersten Indikators, des zweiten bis fünften Indikators und des vorgegebenen Vektors und zum Ausgeben des Kombinationsergebnisses als die Textur-Deskriptoren des entsprechenden Bildes.
Kurze Beschreibung der Zeichnungen
Die vorgenannten Aufgaben und Vorteile der vorliegenden Erfindung werden offensichtlicher, indem bevorzugte Ausführungen davon ausführlich beschrieben werden, wobei Bezug auf die beigefügten Zeichnungen genommen wird, bei denen:
1A und 1B Flussdiagramme sind, die ein Bildtextur-Deskriptor-Wiedergewinnungsverfahren nach der vorliegenden Erfindung zeigen;
2 ein Blockdiagramm einer Bildtextur-Deskriptor-Wiedergewinnungsvorrichtung nach der vorliegenden Erfindung ist; und
3 perzeptorische Durchsuchungskomponenten (perceptual browsing components) zeigt, die durch Simulation auf Basis des Bildtextur-Deskriptor-Wiedergewinnungsverfahrens nach der vorliegenden Erfindung aus Brodatz-Texturbildern extrahiert wurden.
Beste Art der Ausführung der Erfindung
Hierin werden im Folgenden Ausführungen der vorliegenden Erfindung mit Bezugnahme auf die begleitenden Zeichnungen ausführlich beschrieben.
Unter Bezugnahme auf 1A, die ein Bildtextur-Deskriptor-Wiedergewinnungsverfahren nach der vorliegenden Erfindung zeigt, wird unter der Annahme, dass N eine vorgegebene positive ganze Zahl ist, ein Eingabebild bestehend aus N×N Pixeln, wie zum Beispiel 128×128 Pixel, unter Verwendung eines Gabor-Filters gefiltert (Schritt 100). Der Gabor-Filter besteht aus Filtern mit unterschiedlichen Orientierungs-Koeffizienten und unterschiedlichen Skalen-Koeffizienten. Unter der Annahme, dass C1 und C2 vorgegebene positive ganze Zahlen sind, wird das Eingabebild mit Filtern gefiltert, die C1 Arten von Orientierungs-Koeffizienten und C2 Arten von Skalen-Koeffizienten haben, und die Filter geben C1×C2 Arten gefilterter Bilder aus.
Nächstfolgend werden das Mittel und die Varianz von Pixeln für jede der C1×C2 Arten gefilterter Bilder berechnet und dann wird ein Vektor Z unter Verwendung des Mittels und der Varianz bestimmt (Schritt 102).
Dann werden die gefilterten Bilder auf x- und y-Achsen projiziert, um x-Projektionsgraphen und y-Projektionsgraphen zu gewinnen (Schritt 104). Der normalisierte Autokorrelations(NAC)-Wert für jeden Graphen P(i) (i ist eine Zahl von 1 bis N), bezeichnet durch NAC(k), wird mit der folgenden Formel (1) berechnet:
wobei eine Pixelposition durch i dargestellt wird, die Projektionsgraphen, die durch Pixel der Pixelposition i ausgedrückt werden, durch P(i) dargestellt werden und k eine Zahl von 1 bis N ist (N ist eine positive ganze Zahl).
Nächstfolgend werden lokale Maximalwerte P_magn (i) und lokale Minimalwerte von V_magn (i) bestimmt, bei denen das berechnete NAC(k) eine Spitze und ein Tal lokal in einem vorgegebenen Abschnitt bildet (Schritt 108).
Nun wird Kontrast als die folgende Formel (2) definiert:
(Schritt 110).
Außerdem werden die Graphen, die die folgende Formel (3) erfüllen, als erste Kandidaten-Graphen ausgewählt (Schritt 112): Sd ≤ α (3)
wobei d und S das Mittel und die Standardabweichung der lokalen Maximalwerte P_magni (i) sind und α ein vorgegebener Schwellenwert ist.
Unter Bezugnahme auf 1B wird modifiziertes agglomerierendes Gruppieren auf die ersten Kandidaten-Graphen angewendet, um zweite Kandidaten-Graphen auszuwählen (Schritt 114). Ein modifizierter agglomerierender Gruppierungsalgorithmus ist ein auf geeignete Weise modifizierter Algorithmus zum agglomerierenden Gruppieren, der von R. O. Duda und P. E. Hart in „Pattern Classification and Scene Analysis, John Wiley and Sons, New York, 1973," offengelegt wird und der nun kurz beschrieben wird. Zunächst sei bei N Graphen P₁, ..., P_N das Mittel und die Standardabweichung von Abständen zwischen Spitzen d_i und S_i und jeder Graph hat einen zweidimensionalen Vektor, der (d_i, S_i) entspricht. Nun wird P_i unter Verwendung des zweidimensionalen Vektors, der (d_i, S_i) entspricht, wie folgt gruppiert. Unter der Annahme, dass die gewünschte Anzahl von Gruppierungen M_c ist, kann in Bezug auf die anfängliche Anzahl von Gruppierungen N jede Gruppierung C_i so ausgedrückt werden, dass C₁ = {P₁}, C₂ = {P₂}, ..., C_N = {P_N}. Wenn die Anzahl von Gruppierungen kleiner als M_c ist, wird das Gruppieren gestoppt. Nächstfolgend werden zwei Gruppierungen C_i und C_j bestimmt, die am weitesten voneinander entfernt sind. Wenn der Abstand zwischen C_i und C_j größer ist als ein vorgegebener Schwellenwert, wird das Gruppieren gestoppt. Andernfalls werden C_i und C_j vereinigt, um eine der zwei Gruppierungen zu entfernen. Dieser Ablauf wird wiederholt durchgeführt, bis die Anzahl von Gruppierungen eine vorgegebene Anzahl erreicht. Dann wird aus den gruppierten Gruppierungen die Gruppierung mit den meisten Graphen ausgewählt und Graphen in der ausgewählten Gruppierung werden als Kandidaten-Graphen ausgewählt.
Nun werden die zweiten Kandidaten-Graphen in drei Typen klassifiziert (Schritt 116). Die Klassifizierung wird gemäß der Anzahl von Graphen durchgeführt, die mit einem Filter gefiltert werden, das Skalen- oder Orientierungs-Koeffizienten hat, die nahe an denen eines Filters liegen, das zum Filtern der zweiten Kandidaten-Graphen verwendet wird, oder mit ihnen identisch sind. Hierin werden im Folgenden zur Vereinfachung der Erklärung die Graphen, die mit einem Filter gefiltert werden, das einen bestimmten Skalen-Koeffizienten oder einen konstanten Orientierungs-Koeffizienten hat, als Graphen mit bestimmtem Skalen-Koeffizienten oder Graphen mit bestimmtem Orientierungs-Koeffizienten bezeichnet.
Genauer gesagt wird erstens in dem Fall, dass es einen oder mehrere Graphen gibt, die Skalen- oder Orientierungs-Koeffizienten haben, die mit denen eines pertinenten Kandidaten-Graphen identisch sind, und einen oder mehrere Graphen gibt, die Skalen- oder Orientierungs-Koeffizienten haben, die nahe an denen des pertinenten Kandidaten-Graphen liegen, der pertinente Kandidaten-Graph als ein Graph des C1-Typs klassifiziert. Zweitens wird in dem Fall, dass es einen oder mehrere Graphen gibt, die Skalen- oder Orientierungs-Koeffizienten haben, die mit denen eines pertinenten Kandidaten-Graphen identisch sind, aber es keinen Graphen gibt, der Skalen- oder Orientierungs-Koeffizienten hat, die nahe an denen des pertinenten Kandidaten-Graphen liegen, der pertinente Kandidaten-Graph als ein Graph des C2-Typs klassifiziert. Drittens wird in dem Fall, dass es keinen Graphen gibt, der Skalen- oder Orientierungs-Koeffizienten hat, die mit denen eines pertinenten Kandidaten-Graphen identisch sind oder nahe an diesen liegen, der pertinente Kandidaten-Graph als ein Graph des C3-Typs klassifiziert. Dann werden die Anzahlen von Graphen die zu jedem der Typen C1, C2 und C3 gehören, gezählt, um mit N₁, N₂ bzw. N₃ bezeichnet zu werden, und die jeweiligen Gewichte der Graphen, die zu jedem der Typen C1, C2 und C3 gehören, werden gezählt, um mit W₁, W₂ bzw. W₃ bezeichnet zu werden, wobei dies im Folgenden beschrieben wird.
Es wird nun unter Verwendung der bestimmten Anzahlen N₁, N₂ und N₃ und der Gewichte W₁, W₂ und W₃ die folgende Berechnung durchgeführt:
wobei das Ergebnis M als ein erster Indikator V₁ bestimmt wird, der einen Textur-Deskriptor bildet (Schritt 118).
In Bezug auf die zweiten Kandidaten-Graphen werden die Orientierungs-Koeffizienten und Skalen-Koeffizienten von Graphen, die den größten Kontrast aufweisen, als zweiter bis fünfter Indikator bestimmt (Schritt 120). Genauer gesagt wird der Orientierungs-Koeffizient eines Graphen mit dem größten Kontrast aus den x-Projektionsgraphen als ein zweiter Indikator V₂ bestimmt. Außerdem wird der Orientierungs-Koeffizient eines Graphen mit dem größten Kontrast aus den y-Projektionsgraphen als ein dritter Indikator V₃ bestimmt. Der Skalen-Koeffizient eines Graphen mit dem größten Kontrast aus den x-Projektionsgraphen wird als ein vierter Indikator V₂ bestimmt. Außerdem wird der Skalen-Koeffizient eines Graphen mit dem größten Kontrast aus den y-Projektionsgraphen als ein fünfter Indikator V₅ bestimmt.
Unter Verwendung des in dem Schritt 118 bestimmten ersten Indikators V₁, des zweiten bis fünften Indikators V₂, V₃, V₄ und V₅ und des in dem Schritt 102 bestimmten Vektors Z wird der Textur-Deskriptor, das heißt der Texturmerkmalvektor, auf {[V₁, V₂, V₃, V₄, V₅], Z} eingestellt (Schritt 122).
Ein großer erster Indikator V₁ zeigt einen hohen Grad an Strukturiertheit der Textur eines Bildes an. In Versuchen wurde nachgewiesen, dass der erste Indikator V₁ die Struk turiertheit der Textur eines Bildes recht gut darstellt. Der zweite und dritte Indikator V₂ und V₃ stellen zwei quantisierte Orientierungen dar, bei denen die Strukturiertheit am stärksten erfasst wird. Der vierte und fünfte Indikator V₄ und V₅ stellen zwei quantisierte Skalen dar, bei denen die Strukturiertheit am stärksten erfasst wird.
Der Textur-Deskriptor wird als ein Index eines Bildes bei Durchsuchungs- oder Such-Wiedergewinnungs-Anwendungen verwendet. Im Besonderen wird der Bildtextur-Deskriptor, der mit dem Bildtextur-Deskriptor-Wiedergewinnungsverfahren nach der vorliegenden Erfindung wiedergewonnen wird, auf geeignete Weise bei Gittermarkierungen verwendet, bei denen Durchsuchungsmuster reguläre oder strukturorientierte Durchsuchungs-, d. h. oder Stickmuster sind. Demzufolge wird beim Suchen strukturell ähnlicher Muster Bildsuchen, das stärker an die Augenwahrnehmung angepasst werden kann, ermöglicht, indem das Bildtextur-Deskriptor-Wiedergewinnungsverfahren nach der vorliegenden Erfindung auf die Anwendungen auf Basis des strukturorientierten Durchsuchens angewendet wird. Daher können unter den Indikatoren, die Textur-Deskriptoren bilden, die mit dem Bildtextur-Deskriptor-Wiedergewinnungsverfahren nach der vorliegenden Erfindung wiedergewonnen werden, der erste bis fünfte Indikator V₁, V₂, V₃, V₄ und V₅ als perzeptorische Durchsuchungskomponenten (perceptual browsing components) bezeichnet werden.
Außerdem werden in Bezug auf jedes gefilterte Bild das Mittel und die Varianz von Pixelwerten berechnet. Der unter Verwendung des Mittels und der Varianz gewonnene Vektor Z kann als Ähnlichkeits-Wiedergewinnungskomponenten (similarity retrieval components) bezeichnet werden.
Mit anderen Worten ermöglicht bei dem Bildtextur-Deskriptor-Wiedergewinnungsverfahren nach der vorliegenden Erfindung der Textur-Deskriptor, dass Arten von Texturstrukturen, die in einem Bild vorhanden sind, perzeptorisch erfasst werden können.
Es wurde beschrieben, dass ein erster Indikator V₁, der ein recht guter Indikator für die Strukturiertheit der Textur eines Bildes ist, ein zweiter und dritter Indikator V₂ und V₃, die zwei quantisierte Orientierungen darstellen, bei denen die Strukturiertheit am stärksten erfasst wird, ein vierter und fünfter Indikator V₄ und V₅, die zwei quantisierte Skalen darstellen, bei denen die Strukturiertheit am stärksten erfasst wird, als die Textur-Des kriptoren des Bildes verwendet werden. Jedoch wird die oben beschriebene Ausführung lediglich in einem deskriptiven Sinn verwendet und nicht zum Zweck der Beschränkung. Ein einzelner Indikator, der am stärksten für die Charakteristiken eines Bildes geeignet ist, und willkürlich ausgewählte mehrere Indikatoren können ebenfalls als der/die Textur-Deskriptor(en) des Bildes verwendet werden. Daher ist die oben beschriebene Ausführung nicht als eine Beschränkung des Umfangs der Erfindung gedacht.
Außerdem kann das Bildtextur-Deskriptor-Wiedergewinnungsverfahren mit einem Computerprogramm programmiert werden. Codes und Codesegmente, die das Computerprogramm bilden, können leicht von einem Computerprogrammierer auf dem Gebiet hergeleitet werden. Außerdem wird das Programm in computerlesbaren Medien gespeichert und kann von dem Computer gelesen und ausgeführt werden, um dadurch das Bildtextur-Deskriptor-Wiedergewinnungsverfahren auszuführen. Zu den Medien gehören Magnetaufzeichnungsmedien, optische Aufzeichnungsmedien, Trägerwellenmedien und Ähnliches.
Außerdem kann das Bildtextur-Deskriptor-Wiedergewinnungsverfahren durch eine Bildtextur-Deskriptor-Wiedergewinnungsvorrichtung ausgeführt werden. 2 ist ein Blockdiagramm einer Bildtextur-Deskriptor-Wiedergewinnungsvorrichtung nach der vorliegenden Erfindung. Mit Bezugnahme auf 2 enthält die Bildtextur-Deskriptor-Wiedergewinnungsvorrichtung einen Gabor-Filter 200, eine Bild-Mittel/Varianz-Berechnungseinheit 202, einen x-Achsen-Projektor 204, einen y-Achsen-Projektor 205, eine NAC-Berechnungseinheit 206 und eine Spitzen-Erfassungs-/Analysiereinheit 208. Außerdem enthält die Bildtextur-Deskriptor-Wiedergewinnungsvorrichtung eine Mittel/Varianz-Berechnungseinheit 210, eine Einheit 212 zum Auswählen/Speichern erster Kandidaten-Graphen, eine Einheit 214 zum Auswählen/Speichern zweiter Kandidaten-Graphen, eine Klassifiziereinheit 216, eine Einheit 218 zum Bestimmen erster Indikatoren, eine Kontrastberechnungseinheit 220, eine Einheit 222 zum Bestimmen zweiter bis fünfter Indikatoren und eine Textur-Deskriptor-Ausgabeeinheit 224.
Bei Betrieb der Bildtextur-Deskriptor-Wiedergewinnungsvorrichtung filtert der Gabor-Filter 200, unter der Annahme, dass N eine vorgegebene positive ganze Zahl ist, ein Eingabebild, bestehend aus N×N Pixeln, wie zum Beispiel 128×128 Pixel, unter Verwendung von Filtern (nicht gezeigt), die unterschiedliche Orientierungs-Koeffizienten und un terschiedliche Skalen-Koeffizienten haben, und gibt gefilterte Bilder (image_filtered) aus. Unter der Annahme, dass C1 und C2 vorgegebene positive ganze Zahlen sind, wird das Eingabebild mit Filtern gefiltert, die C1 Arten von Orientierungs-Koeffizienten und C2 Arten von Skalen-Koeffizienten haben, und die Filter geben C1×C2 Arten gefilterter Bilder aus.
Die Bild-Mittel/Varianz-Berechnungseinheit 202 berechnet das Mittel und die Varianz von Pixeln für jede der C1×C2 Arten gefilterter Bilder, um dann unter Verwendung des Mittels und der Varianz einen Vektor Z zu bestimmen, und gibt den bestimmten Vektor Z aus.
Der x-Achsen-Projektor 204 und der y-Achsen-Projektor 205 projizieren die gefilterten Bilder auf x- und y-Achsen, um x-Projektionsgraphen und y-Projektionsgraphen zu gewinnen. Mit anderen Worten geben der x-Achsen-Projektor 204 und der y-Achsen-Projektor 205, unter der Annahme, dass eine Pixelposition durch i (i ist eine Zahl von 1 bis N) dargestellt wird, die Projektionsgraphen P(i) aus, die durch Pixel der Pixelposition i (i – 1, ..., N) ausgedrückt werden.
Die NAC-Berechnungseinheit 206 berechnet den normalisierten Autokorrelations(NAC)-Wert für jeden Graphen P(i), der durch NAC(k) bezeichnet wird, unter Verwendung der Formel (1).
Die Spitzen-Erfassungs-/Analysiereinheit 208 erfasst lokale Maximalwerte P_magn (i) und lokale Minimalwerte von V_magn (i), bei denen das berechnete NAC(k) eine lokale Spitze und ein lokales Tal in einem vorgegebenen Abschnitt bildet.
Die Mittel/Varianz-Berechnungseinheit 210 berechnet das Mittel d und die Standardabweichung S der lokalen Maximalwerte P_magn (i) und gibt diese aus. Die Einheit 212 zum Auswählen/Speichern erster Kandidaten-Graphen empfängt das Mittel d und die Standardabweichung S, wählt die Graphen, die die Formel (3) erfüllen, als erste Kandidaten-Graphen (1st_CAND) aus und speichert die ausgewählten ersten Kandidaten-Graphen, bei denen α ein vorgegebener Schwellenwert ist.
Die Einheit 214 zum Auswählen/Speichern zweiter Kandidaten-Graphen wendet modifiziertes agglomerierendes Gruppieren auf die ersten Kandidaten-Graphen an, um diese als zweite Kandidaten-Graphen (2nd_CAND) auszuwählen.
Die Klassifiziereinheit 216 zählt, wie unter Bezugnahme auf 1B beschrieben, die Anzahlen von Graphen, die zu jedem der Typen C1, C2 und C3 gehören, um sie mit N₁, N₂ bzw. N₃ in Bezug auf die zweiten Kandidaten-Graphen zu bezeichnen und gibt Datensignale N_i aus, die die Anzahl von Graphen jedes Typs anzeigen. Außerdem bestimmt die Klassifiziereinheit 216 vorgegebene Gewichte der Graphen, die zu jedem der Typen C1, C2 und C3 gehören, um sie dann mit W₁, W₂ bzw. W₃ zu bezeichnen, und gibt Datensignale W_j aus, die Gewichte anzeigen, die auf jeden Typ anzuwenden sind.
Die Einheit 218 zum Bestimmen erster Indikatoren berechnet M gemäß der Darstellung durch die Formel (4) unter Verwendung der bestimmten Anzahlen N₁, N₂ und N₃ und der Gewichte W₁, W₂ und W₃ und bestimmt das Berechnungsergebnis als einen ersten Indikator V₁, der einen Textur-Deskriptor bildet, und gibt ihn aus.
Die Kontrastberechnungseinheit 220 berechnet den Kontrast mit der Formel (2) und gibt ein Signal Cont_max aus, das anzeigt, dass der berechnete Kontrast am größten ist.
Die Einheit 214 zum Auswählen/Speichern zweiter Kandidaten-Graphen gibt die Kandidaten-Graphen mit dem größten Kontrast aus den darin gespeicherten zweiten Kandidaten-Graphen an die Einheit 222 zum Bestimmen zweiter bis fünfter Indikatoren aus.
Die Einheit 222 zum Bestimmen zweiter bis fünfter Indikatoren bestimmt die Orientierungs-Koeffizienten und Skalen-Koeffizienten von Graphen, die den größten Kontrast haben, als zweiten bis fünften Indikator. Mit anderen Worten wird der Orientierungs-Koeffizient eines Graphen mit dem größten Kontrast aus den x-Projektionsgraphen als ein zweiter Indikator V₂ bestimmt. Außerdem wird der Orientierungs-Koeffizient eines Graphen mit dem größten Kontrast aus den y-Projektionsgraphen als ein zweiter Indikator V₃ bestimmt. Der Skalen-Koeffizient eines Graphen mit dem größten Kontrast aus den x-Projektionsgraphen wird als ein vierter Indikator V₄ bestimmt. Außerdem wird der Skalen-Koeffizient eines Graphen mit dem größten Kontrast aus den y-Projektionsgraphen als ein fünfter Indikator V₅ bestimmt.
Die Textur-Deskriptor-Ausgabeeinheit 224 stellt den Textur-Deskriptor, das heißt den Texturmerkmalvektor, als {[V₁, V₂, V₃, V₄, V₅], Z} ein und gibt ihn aus, wobei erste Indikator V₁, der von der Einheit 218 zum Bestimmen erster Indikatoren ausgegeben wird, der zweite bis fünfte Indikator V₂, V₃, V₄ und V₅, die von der Einheit 222 zum Bestimmen zweiter bis fünfter Indikatoren ausgegeben werden, sowie der Vektor Z, der von der Bild-Mittel/Varianz-Berechnungseinheit 202 ausgegeben wird, verwendet werden.
3 zeigt perzeptorische Durchsuchungskomponenten (perceptual browsing components), die durch Simulation auf Basis des Bildtextur-Deskriptor-Wiedergewinnungsverfahrens nach der vorliegenden Erfindung aus Brodatz-Texturbildern extrahiert wurden.
Wie oben beschrieben wird, können gemäß dem Bildtextur-Deskriptor-Wiedergewinnungsverfahren der vorliegenden Erfindung Textur-Deskriptoren wiedergewonnen werden, die ermöglichen, dass in einem Bild vorhandene Arten von Texturstruktur perzeptorisch erfasst werden können.
Gewerbliche Verwertbarkeit
Die vorliegende Erfindung kann auf die Bereiche von Bilddurchsuchungs- oder Such-Wiedergewinnungs-Anwendungen angewendet werden.

Claims

Verfahren zum Beschreiben von Texturmerkmalen eines Bildes, das umfasst: (a) Filtern von Eingabebildern unter Verwendung vorgegebener Filter mit verschiedenen Orientierungskoeffizienten; (b) Summieren und Normalisieren der Pixelwerte der gefilterten Bilder auf Achsen jeder vorgegebenen Richtung, um Datengruppen zu gewinnen, die aus Durchschnittswerten direktionaler Pixelwerte bestehen; (c) Auswählen von Kandidaten-Datengruppen aus den Datengruppen mit einem vorgegebenen Klassifizierungsverfahren; (d) Bestimmen einer Vielzahl von Indikatoren auf Basis von Orientierungs-Koeffizienten der Filter, die beim Filtern der Kandidaten-Datengruppen verwendet werden; und (e) Bestimmen der Vielzahl von Indikatoren als den Textur-Deskriptor des Bildes.
Verfahren nach Anspruch 1, wobei Schritt (a) des Weiteren umfasst: (a-1) Filtern von Eingabebildern unter Verwendung vorgegebener Filter mit unterschiedlichen Skalen-Koeffizienten, und Schritt (d) des Weiteren umfasst: (d-1) Bestimmen einer Vielzahl von Indikatoren auf Basis von Skalen-Koeffizienten der Filter, die beim Filtern der Kandidaten-Datengruppen verwendet werden.
Verfahren nach Anspruch 2, das des Weiteren umfasst: (f) Bestimmen eines anderen Indikators auf Basis des Vorhandenseins von Datengruppen, die mit Filtern gefiltert werden, die Skalen-Koeffizienten oder Orientierungs-Koeffizienten haben, die nahe an den Skalen-Koeffizienten oder Orientierungs-Koeffizienten der Filter liegen, die beim Filtern der ausgewählten Kandidaten-Datengruppen verwendet werden, oder mit ihnen identisch sind.
Verfahren nach Anspruch 3, das des Weiteren umfasst: (g) Berechnen des Mittels und der Varianz von Pixeln in Bezug auf jedes der gefilterten Bilder und Bestimmen eines vorgegebenen Vektors unter Verwendung des berechneten Mittels und der berechneten Varianz.
Computerprogramm, das, wenn es ausgeführt wird, bewirkt, dass das Verfahren nach einem der vorangehenden Ansprüche durchgeführt wird.
Vorrichtung zum Beschreiben von Texturmerkmalen eines Bildes, die umfasst: eine Einrichtung (200) zum Filtern von Eingabebildern unter Verwendung vorgegebener Filter, die unterschiedliche Orientierungs-Koeffizienten haben; eine Einrichtung (206) zum Summieren und Normalisieren der Pixelwerte der gefilterten Bilder auf Achsen jeder vorgegebenen Richtung, um Datengruppen zu gewinnen, die aus Durchschnittswerten direktionaler Pixelwerte bestehen; eine Einrichtung (212, 214) zum Auswählen von Kandidaten-Datengruppen aus den Datengruppen mit einem vorgegebenen Klassifizierungsverfahren; eine Erzeugungseinheit zum Bestimmen einer Vielzahl von Indikatoren auf Basis von Orientierungs-Koeffizienten der Filter, die beim Filtern der Kandidaten-Datengruppen verwendet werden; und eine Ausdrückeinheit (224) zum Bestimmen der Vielzahl von Indikatoren als den Textur-Deskriptor des Bildes.
Vorrichtung nach Anspruch 6, wobei die Filtereinrichtung (200) des Weiteren so eingerichtet ist, dass sie Eingabebilder unter Verwendung vorgegebener Filter mit unterschiedlichen Skalen-Koeffizienten filtert, und die Erzeugungseinheit so eingerichtet ist, dass sie eine Vielzahl von Indikatoren auf Basis von Skalen-Koeffizienten der Filter bestimmt, die beim Filtern der Kandidaten-Datengruppen verwendet werden.
Vorrichtung nach Anspruch 7, wobei die Erzeugungseinheit des Weiteren so eingerichtet ist, dass sie einen anderen Indikator auf Basis des Vorhandenseins von Datengruppen bestimmt, die mit Filtern gefiltert werden, die Skalen-Koeffizienten oder Orientierungs-Koeffizienten haben, die nahe an den Skalen-Koeffizienten oder Orientie rungs-Koeffizienten der Filter liegen, die beim Filtern der ausgewählten Kandidaten-Datengruppen verwendet werden, oder mit ihnen identisch sind.
Vorrichtung nach Anspruch 8, die des Weiteren eine Einrichtung (210) zum Berechnen des Mittels und der Varianz von Pixeln in Bezug auf jedes der gefilterten Bilder sowie eine Einrichtung zum Bestimmen eines vorgegebenen Vektors unter Verwendung des berechnen Mittels und der berechneten Varianz umfasst.