Quantitative Bildverarbeitung

Wir entwickeln automatisierte Bildgebungs- und Bildverarbeitungsmethoden für die Phänotypisierung von Pflanzen.

Zu den Systemen, die wir in den letzten Jahren entwickelt haben, gehören Systeme für die Bewertung des Pflanzenwachstums, die als ‘GrowMap’ oder ‘GrowScreen’ -Methodenfamilie verfügbar sind, aber auch für die Phänotypisierung von Saatgut und die Aussaat. Als Grundlage für solche Entwicklungen untersuchen wir Bildverarbeitung und Computer Vision als nicht-invasive Messinstrumente, mit einer starken zugrundeliegenden und weiterentwickelten Theorie, angetrieben und ergänzt durch Anwendungen, die in enger interdisziplinärer Zusammenarbeit entwickelt werden.

Qunatitative Image Processing
Fig. 1 Leaf segmentation with examples of provided images and ground truth data. Top two rows: Arabidopsis. Bottom two rows: Tobacco

Für Low-Level-Vision-Aufgaben, d.h. pixelbasierte Dateninterpretation, ist eine exakte Modellierung des Bildgebungsprozesses sowie des beobachteten Prozesses eine Voraussetzung, um die gewünschten Messparameter zu beschreiben (Schuchert & Scharr 2010), wobei solche lokalen Modellierungsansätze z.B. dynamische Lichtfelder und transparente Bewegung umfassen. Die robuste Schätzung dieser Parameter profitiert zusätzlich von der statistischen Modellierung von Rauschen und anderen Verletzungen des physikalischen Szenenmodells, z. B. für die Diffusion Tensor MRI (Krajsek et al 2016), was die Parametrisierung von Schätzverfahren aus Trainingsdaten ermöglicht. Die Verwendung geeigneter Datendarstellungen ermöglicht nicht nur die Schätzung von Mittelwert und Varianz eines gewünschten Parameters, sondern von vollständigen Wahrscheinlichkeitsdichtefunktionen.

Wenn wir uns von Pixeln zu objektbasierten Fragen, d. h. zur mittleren Ebene des Sehens, bewegen, ist die Bildsegmentierung eine zentrale Aufgabe. Wenn beispielsweise Blätter im Mittelpunkt des Interesses stehen und nicht das gesamte (grüne) Gewebe in einer Szene, müssen sie abgegrenzt werden. Wir haben uns mit der Segmentierung befasst, indem wir Kostenfunktionen formuliert haben, die aus Datenterms, die das mathematische Modell der Objekteigenschaften enthalten, und Regularisierungsterms, die Vorwissen formulieren, bestehen. Die Segmentierung wird dann in der Regel als Optimierungsprozess formuliert, der die Kostenfunktion minimiert, kann aber auch mit anderen Ansätzen durchgeführt werden, die auf solchen Energien oder entsprechenden Wahrscheinlichkeiten basieren, z. B. Gibbs Sampling (Krajsek et al. 2011), eine Markov Chain Monte-Carlo Methode. Systematische Fehler werden minimiert, z. B. durch die Verwendung optimierter Modelldiskretisierungen und die Wahl geeigneter numerischer Schätzverfahren. Statistische Fehler aufgrund von Rauschen können durch datengesteuerte, nichtlineare Regularisierungen reduziert werden. Alle diese Begriffe enthalten Abstimmungsparameter, die eindeutig statistisch motiviert sind, und hängen stark von ihnen ab. Sie können daher mit Hilfe geeigneter maschineller Lernverfahren aus den Daten abgeleitet werden (Krajsek ICCV 2009).

Um die Bildverarbeitungsforschung zu Problemen der Pflanzenphänotypisierung zu fördern, haben wir Workshops (CVPPP) und Challenges (Scharr et al. 2016) organisiert und reichhaltig annotierte Daten veröffentlicht (Minervini et al. 2016).

Ausgewählte Publikationen

Krajsek, K.,Menzel, M.I., Scharr, H.,2016. A Riemannian Bayesian Framework for Estimating Diffusion Tensor Images. International Journal of ComputerVision 120, 272-299.

Krajsek, K., Menzel, M. I., Scharr, H. 2009. Riemannian Bayesian Estimation of Diffusion Tensor Images. The 12th IEEE International Conference on Computer Vision (ICCV 2009); Seminar, Kyoto, 27 Sep 2009

Schuchert, T., Scharr, H., 2010. Estimation of 3D Object Structure, Motion and Rotation Based on 4D Affine Optical Flow Using a Multi-camera Array, In: Daniilidis,K., Maragos, P., Paragios, N.(Eds.), Computer Vision – ECCV2010: 11th European Conferenceon Computer Vision, Heraklion,Crete, Greece, September 5-11,2010, Proceedings, Part IV. Springer Berlin Heidelberg, Berlin, Heidelberg, pp.596-609.

Minervini, M., Fischbach, A., Scharr, H., Tsaftaris, S.A.,2016. Finely-grained annotated datasets for image-based plant phenotyping. PatternRecognition Letters 81, 80-89.

Scharr, H., Minervini, M.,French, A.P., Klukas, C.,Kramer, D.M., Liu, X., Luengo,I., Pape, J.-M., Polder, G.,Vukadinovic, D., Yin, X.,Tsaftaris, S.A., 2016. Leaf segmentation in plant phenotyping: a collation study. Machine Vision and Applications 27,585-606.

Kontakt

  • Institut für Bio- und Geowissenschaften (IBG)
  • Pflanzenwissenschaften (IBG-2)
Gebäude 06.2 /
Raum 202
+49 2461/61-8681
E-Mail
  • Institut für Bio- und Geowissenschaften (IBG)
  • Pflanzenwissenschaften (IBG-2)
Gebäude 06.2 /
Raum 406a
+49 2461/61-8685
E-Mail
Letzte Änderung: 31.01.2025