@phdthesis{Sandkuehler2012,
  author    = {Dennis Sandk{\"u}hler},
  title     = {Entwicklung und Evaluation eines rotationsinvarianten Texturmodells f{\"u}r die {\"u}berwachte Bildmustererkennung},
  url       = {https://nbn-resolving.org/urn:nbn:de:gbv:hil2-opus-1688},
  pages     = {118},
  year      = {2012},
  abstract  = {In der vorliegenden Arbeit wurde ein rotationsinvariantes Texturmodell f{\"u}r eine Unterscheidung struktureller Merkmale in Bildmustern f{\"u}r die {\"u}berwachte Bildmustererkennung systematisch entwickelt und evaluiert. Es wurde gezeigt, dass die Komponenten: Merkmale, Merkmalsselektionsmethoden und Klassifikator eines Mustererkennungssystems so gew{\"a}hlt werden k{\"o}nnen, dass dies m{\"o}glichst \"effizient\" ist, d.h. quantitative Forderungen nach Richtigklassifikationsraten mit einer m{\"o}glichst geringen Anzahl an Merkmalen erf{\"u}llt werden. Zweidimensionale Ultraschallbilder bilden charakteristische Texturen aus, die von der Bildgebung selbst und dem betrachteten Gewebe abh{\"a}ngen. Als Textur wird die Zusammensetzung einer Region aus Texturprimitiven, sogenannten Texeln, und deren Anordnungsregeln bezeichnet. Merkmale von Texturen werden im Allgemeinen {\"u}ber Modelle, sogenannte Texturmodelle beschrieben. Konventionelle Texturmerkmale nach Haralick und Laws wurden den Merkmalen des entwickelten rotationsinvarianten Texturmodells in einer Untersuchung zur \"Erkennung von Knochenkonturpixeln in zweidimensionalen Ultraschallbildern\" gegen{\"u}bergestellt. Bei dieser Untersuchung wurden Merkmale nach Haralick, Laws und des rotationsinvarianten Texturmodells abwechselnd mit einer sequenziellen und einer rangordnungsbasierten Merkmalsselektion sowie einem Bayes- und einem Support-Vector-Klassifikator kombiniert. Anhand von Bildmustern, die an einem humananatomischen Pr{\"a}parat aufgezeichnet und von einem Experten klassifiziert wurden, lie{\"s} sich die Effizienz der ausgew{\"a}hlten Komponenten {\"u}berpr{\"u}fen. Gefordert wurde, mindestens eine Richtigklassifikationsrate von 97\% f{\"u}r die Muster der Klasse Gewebe (Spezifit{\"a}t \&\#8805; 0,97) und von mindestens 50\% f{\"u}r Muster der Klasse Knochen (Sensitivit{\"a}t > 0,50) zu erreichen. Die Ergebnisse bei der Erkennung von Knochenkonturpixeln in Ultraschallbildern haben gezeigt, dass die Klassifikation mit Merkmalen des entwickelten rotationsinvarianten Texturmodells, gegen{\"u}ber den Methoden nach Haralick und Laws, insgesamt erfolgreicher ist. Die Extraktion von Merkmalen des rotationsinvarianten Texturmodells ist sogar entscheidend f{\"u}r die Erreichbarkeit der Forderungen. Erst durch Merkmale des entwickelten rotationsinvarianten Texturmodells werden die geforderten Klassifikationsraten erreicht (Spezifit{\"a}t = 0,971, Sensitivit{\"a}t = 0,520). Zudem wird nur eine geringe Anzahl von Merkmalen ben{\"o}tigt. Durch Hinzunahme weiterer Merkmale kann eine Klassifikationsrate {\"u}ber die Forderungen hinaus erfolgen (Spezifit{\"a}t = 0,971, Sensitivit{\"a}t = 0,633). Durch das Erf{\"u}llen der Forderungen konnte die Effektivit{\"a}t der Methode zur Erkennung von Knochenkonturpixeln gezeigt werden. Die geringe Anzahl an Merkmalen zeigt zudem die enorme Effizienz der vorgestellten Methode, was in der praktischen Anwendung zu einem reduzierten Rechenaufwand und somit zu einer verk{\"u}rzten Rechenzeit bei der Klassifikation von Bildmustern f{\"u}hrt.},
  language  = {de}
}