Markov-Feld-basierte Bildinterpretation mit automatisch generierten Datenbasen

Zusammenfassung

Die Theorie der Markov-Felder liefert einen allgemeinen und systematischen Ansatz für eine kontextsensitive Bildinterpretation. In diesem Beitrag stellen wir eine Erweiterung dieses Ansatzes durch topologische Graphen und ein „Learning by example“-Verfahren für die automatische Generierung von Markov-Feld-Datenbasen vor. Die räumlichen Beziehungen disjunkter Bildregionen werden durch eine symmetrische Relation relativer topologischer Tiefen mit Hilfe der lokalen Charakteristiken eines allgemeinen Markov-Feldes (MF) modelliert. Bildregionen und relationale Beziehungen bilden einen Graphen, der das Nachbarschaftssystem des MF festlegt, und dessen Knotenbewertungen als Zustände des MF den konkreten Interpretationen der Regionen entsprechen. Die für das Bildverstehen notwendige Datenbasis, ein Ensemble von Potentialfunktionen, wird mitsamt der räumlichen Beziehungsstruktur aus einer Menge von für eine Interpretationsdomäne typischen Beispielbildern automatisch erzeugt. Der Interpretationsvorgang wird als Maximum-a-posteriori-Formulierung (MAP) betrachtet, die basierend auf den a priori Kenntnissen der Datenbasis mit Hilfe eines stochastischen Relaxationsverfahrens maximiert wird.