Wichtig

Pixelgewichtung gemäß Abstand auf Grundlage der Normalverteilung. Problem gleich wie Averaging)

Ersetzung des Pixels durch Mittelwert der umliegenden Pixel

Gut bei Salt&Pepper noise

Erweiterung von Gaussian. Abstände von Pixeln und Pixelwerte fließen ein. Besonderheit: Kanten bleiben intakt

Anisotrope Diffusion verwendet die Ähnlichkeit der Intensitätswerte in den umgebenden Pixeln unter der Beachtung der Kanten und Ecken. Es findet kein Mix statt wie bei Gauß-Filtering

Anisotrope Diffusion ist eine nichtlineare und raumvariante Transformation des Originalbildes.

Ersetzen der Intensität jedes Pixels durch den Durchschnitt der Intensität ähnlicher Pixel im gesamten Bild zu reduzieren.

Anpassung von Helligkeit und Kontrast. Verbessert Details in dunklen Bereichen durch erhöhung des Dynamikbereiches der Intensitätswerte.

Gamma-Transformation: Helligkeit und Kontrast des Bildes anpassen und Fehler in der Belichtung und Farbdarstellung zu korrigieren.

Histogrammausgleichung ist eine Technik in der Bildverarbeitung, die die Intensitätswerte eines Bildes gleichmäßiger verteilt, indem es das Histogramm des Bildes anpasst. Dadurch wird der Kontrast des Bildes erhöht und Details besser sichtbar.

CLAHE ist eine erweiterte Version der Histogrammausgleichung, die das Bild in kleinere Bereiche unterteilt und für jeden Bereich eine Histogrammausgleichung durchführt. bessere Anpassung an lokale Kontrastunterschiede

Otsu-Methode findet automatisch den optimalen Schwellenwert zum segmentieren in vorder und Hintergrund mittels intra-class Varianz und Wahrscheinlichkeitsdichtefunktion des Bildes. Jeder Schwellenwert wird berechnet und geprüft.

Die GMM Methode ist eine wahrscheinlichkeitstheoretische Technik, die die Pixelintensitäten in einem Bild als Mischung von mehreren Gauß-Verteilungen modelliert und diese Verteilungen verwendet, um die Pixel in verschiedene Klassen oder Regionen einzuteilen. Es unterscheidet sich von Otsu Methode, die darauf basiert die inter-class Varianz zu minimieren.

beginnend von einem Startpunkt oder einer Menge von Startpunkten werden benachbarte Pixel anhand eines Ähnlichkeitskriteriums, wie Intensität, Farbe oder Textur, zur Region hinzufügt. Der Prozess wiederholt sich solange, bis alle benachbarten Pixel betrachtet wurden oder die Region eine bestimmte Größe erreicht hat.

Zuerst werden die Intensitätswerte als Höhen dargestellt. Hohe Intensität→Berg. Die ‚Täler‘ werden geflutet und sind ‚getrennt‘ von anderen Tälern. Jedes dieser Täler bildet ein Segment. Zudem können Bereiche gemarkert werden mit Seeds. Funktioniert

besonders gut bei separaten Elementen, welche auf dem bild unmittelbar nebeneinander erscheinen.

Ist ein markerbasiertes Verfahren

stark bei schwachen und verrauschten Bildern

Kann angewendet werden, wenn das Histrogramm keine klaren Peaks ergibt

1) Bestimmen der Marker bzw Seeds

2) Lösen einer anisotropic Diffusion an den Seeds

3) Je größer die Ähnlickeit desto größer der Koeffizient

4) Pixel die keine Seeds sind setzen Wanderer frei und es wird berechnet welcher Wanderer an welchem Seed zuerst ankommt

5) Es ergibt sich ein gewuchteter Graph

• Für Segmentierung von Objekte mit schwachen oder zum Teil unsichtbaren Kanten

• Optimierung durch partielle Differentialgleichung

Algorithmus arbeitet mit Iterationen

Pixel werden gewichtet vom Durchschnittswert der Differenzen der Intensitäten der Nachbarpixel.

Einmal innerhalb und einmal außerhalb des zu segmentierenden Bereichs

Pixel für Pixel „Darüberlegen“ des SE.

Liegt das SE völlig im Bild, wird das gepüfte Pixel mit 1 markiert. Liegt es nicht völlig im Bild, wird es mit einer null versehen

Pixel für Pixel wird das SE darüber gelegt. Gibt es irgendeine überlappung, wird das geprüfte Pixel zu eins

Keine Überlappung -> 0

Gibt es morphologische Operationen (mit ähnlichen Funktionen wie

Erosion und Dilation), aber ohne Änderungen der Objektgrößen?

Ersetzung der Intensität durch avg. Der Nachbarschaft. Problem: Grenze von Objekten wird nicht berücksichtigt & für best. Noise-Typen nicht effizient)

ist ein Werkzeug für Formerkennung

Verwendet 2 SEs B 1 (Objekte) and B 2 (Hintergrund)

Formen können ausgedünnt werden

Nach der Transformation im Bild bleiben nur Objekte, die kleiner als das

SE und heller als die Umgebung sind.