gründend

Binäre Segmentierungsmethode für die Abgrenzung eines Objekts mit der Bezeichnung Hintergrundziel in einem Bild in der Form einer zweidimensionalen Matrix numerischer Pixel (I ij ), gründend auf der Relaxation nach der Produktregel (?), die nach einer Anzahl (N) Iterationen die Konvergenz der Rekursionsfunktion liefert : wobei P n+1 (I ij ) die Wahrscheinlichkeit der Zugehörigkeit eines aktuellen Pixels (I ij ) zu einem Ziel ist, berechnet nach einer Iteration einer gegebenen Folge (n+1), wobei P n (I k? ) die Wahrscheinlichkeit der Zugehörigkeit zum selben Ziel von sogenannten benachbarten Pixeln (I k? ) ist, die sich in der Nachbarschaft (V ij ) des aktuellen Pixels befinden und dieses aktuelle Pixel als Zentrum umschließen, berechnet nach einer vorhergehenden Iteration (n), dadurch gekennzeichnet, daß für den Erhalt der Konvergenz in Echtzeit die Wahrscheinlichkeit der Zugehörigkeit (P N (I ij )] des aktuellen Pixels zu dem von der letzten Iteration (N) gelieferten Ziel direkt in einem Durchgang berechnet wird, durch die Operationen der : Bestimmung A PRIORI einer festen Anzahl (N) Iterationen, Bestimmung A PRIORI einer initialen Wahrscheinlichkeit [P (I )] der Zugehörigkeit zu einem Ziel, jedem der Bildpixel unabhängig zugeordnet, Bewertung einer Skalarfunktion (f) der initialen Wahrscheinlichkeit wie f(x)=Ln[(1/x)-1], wobei x die besagte initiale Wahrscheinlichkeit [P (I )] ist, Durchgang eines Filters (FN), bestehend aus der festen Anzahl (N) elementarer linearer Filter (F) in Kaskade, wobei jeder elementare Filter als Träger die Nachbarschaft (V ) des aktuellen Pixels und als Koeffizienten den Wert 1 hat und eine Summe (?) der für die besagten Nachbarn (I ) durch den vorhergehenden elementaren Filter bewerteten Skalarfunktionen bildet, Bewertung einer Skalarfunktion (g) des Ergebnisses der Filterung wie g(x)=1/[1+e(x)], wobei x das besagte Ergebnis der Filterung durch den besagten zusammengesetzten Filter (FN) ist, der schließlich die gesuchte Wahrscheinlichkeit [P (I )] liefert.

A binary segmentation method for defining an object, called target, on the background in an image in the form of a two-dimensional matrix of digitized pixels (I ij ), based on the product relaxation rule (II) which, after a number (N) of iterations, provides convergence of the recurrence function: where P n+1 (I ij ) is the probability that a current pixel (I ij ) belongs to a target, computed with an iteration of a given order (n+1), where P n (I kl ) is the probability that so-called neighbouring pixels (I kl ) belongs to the same target, said neighbouring pixels being situated in a neighbourhood (V ij ) of the current pixel which has this current pixel as its central point, computed with a previous iteration (n), characterized in that in order to achieve real-time convergence, the probability [P N (I ij )] that the current belongs to the target, provided by the last iteration (N), is computed directly in a single pass by the operations of: determining a priori a fixed number (N) of iterations; determining a priori an initial probability [P (I )] of belonging to the target, assigned independently to each of the pixels of the image; evaluating a scalar function (f) of the initial probability so that f(x) = Ln[(1/x)-1], where x is said initial probability [P (I )]; passing through a filter (FN) composed of said fixed number (N) of linear elementary filters (F), connected in cascade, each elementary filter having the neighbourhood (V ) of the current pixel as its support and the value 1 as its coefficients, and forming a sum (?) of the scalar functions evaluated for said neighbours (I ) by the preceding elementary filter; evaluating a scalar function (g) of the result of the filtering by said composite filter, so that g(x) = 1/[1+e(x)], where x is said result of the (FN), ultimately supplying the probability [P (I )] searched.