Die Segmentierung ist eine Anwendung aus dem Bereich der digitalen Bildverarbeitung und spielt in der heutigen Zeit eine wichtige Rolle. Mit ihr ist es möglich, Informationen aus Bildern zu gewinnen und diese auszuwerten. Gerade die Qualitätskontrolle, in der es darum geht, schlechte Teile eines bestimmten Produkts von guten zu trennen und diese auszusortieren, kommt ohne Segmentierung kaum aus. Die Einordnung der Segmentierung in die Bildverarbeitungskette einer Qualitätskontrolle ist in Abb. 1 zu sehen. Die folgenden Bilder in Abb. 2 zeigen eine fehlerbehaftete Siegelnaht, also die Schweißnaht einer Verpackung, vor und nach der Segmentierung. Es soll also erreicht werden, dass Bilder fehlerhafter Verpackungen sich von jenen intakter Verpackungen abheben und erkannt werden können. Dies soll möglichst schnell, effizient und automatisiert geschehen. Wie kann das funktionieren?

Das Bild muss durch einen Algorithmus in mehrere Regionen eingeteilt werden, sodass die Verpackung optisch von den eventuell vorhandenen Störstellen im Verpackungsrand getrennt wird. Es existieren verschiedene Segmentierungsmethoden, die dieses Ziel anstreben, alle weisen Vor- und Nachteile auf. Das Ziel der Arbeit bestand aus der Implementierung einiger dieser Verfahren in MATLAB, angepasst auf den Anwendungsfall der Siegelnahtinspektion, und die darauffolgende Entwicklung einer geeigneten Segmentierungsstrategie, um eine möglichst gute Merkmalsextraktion zu garantieren. Die Methoden lassen sich in folgende Gruppen einteilen (vgl. Abb. 3a-d): 

•  Punktorientierte Verfahren (Abb. 3a) 

  Jedes Pixel wird einzeln untersucht und daraufhin kann seine  Regionszugehörigkeit festgestellt werden.

•  Kantenbasierte Verfahren (Abb. 3b)

  Der Kante eines Objekts wird so lange gefolgt, bis es komplett umrundet ist.

•  Regionenbasierte Verfahren (Abb. 3c)

Eine Region wird gebildet, indem ausgehend von einem gewählten Startpunkt Zusammenhänge der Pixel erkannt werden.

•  Texturbasierte Verfahren (Abb. 3d)

Die Textur des Bildes wird untersucht und Regionen können auf Basis von vorhandenen Unregelmäßigkeiten gebildet werden.

In umfassenden Tests der implementierten Algorithmen erwiesen sich insbesondere die texturbasierten Ansätze und das Region Growing als für den Anwendungsfall geeignet. Letzteres ist ein regionenbasiertes Verfahren, bei dem ein Startpunkt gewählt wird, der zunächst die Region markiert. Anschließend werden in jedem Iterationsschritt die Grauwerte der Nachbarpixel untersucht und jenes Pixel ausgewählt, dessen Grauwert den kleinsten Abstand zum mittleren Grauwert der Region aufweist. Es wird zur Region hinzugefügt, sodass diese stetig wächst. Die Methode wird so lange wiederholt, bis keine Pixel mehr hinzugefügt werden können, da sie sich aufgrund eines Homogenitätskriteriums zu sehr von der schon vorhandenen Region unterscheiden. Die Verwendung mehrerer Startpunkte verhindert ein vorzeitiges, unbeabsichtigtes Stoppen des Algorithmus. Beim Testen des Verfahrens entstand das Problem zu langer Rechenzeiten. Dies führte zu der Überlegung, dass die Störstellen aufgrund ihrer Größe zunächst nicht in voller Auflösung segmentiert werden müssen, um sie zu detektieren. Es konnten Verbesserungen des Region-Growing-Verfahrens durch einen alternativen zweistufigen Algorithmus erreicht werden, der entwickelt wurde, um den nicht tolerierbaren Rechenzeiten des allgemein bekannten Region-Growing-Algorithmus entgegenzuwirken. 

Das zweistufige Region Growing besteht aus einer vorangehenden groben Segmentierung des herabskalierten Bildes mit konventionellem Region Growing und einer anschließenden optionalen Feinsegmentierung des Bildes in voller Auflösung. Diese geschieht nur an den Stellen, an denen durch morphologische Bildverarbeitung Störstellen gefunden wurden und nur in einem Bereich von 50x50 Pixeln um die jeweilige Störstelle. Dadurch wird viel Rechenzeit gespart.

Neben dem positiven Verhalten der texturbasierten Ansätze und des alternativen Region-Growing-Algorithmus ergab sich eine weitere Erkenntnis durch das Testen von Kombinationen der einzelnen Segmentierungsmethoden. So konnten die Ergebnisse verbessert werden, indem die Vorteile mehrerer Verfahren in einem Algorithmus genutzt wurden, dies betrifft vor allem die Genauigkeit und die Schnelligkeit der Segmentierung.