Digitale Bildverarbeitung – Einführung (Vorlesung 1)

Ziel: Lösung realer, praxisbezogener Probleme mittels Computer-Vision-Ansätzen
- Kommerzielle Chancen in Medizin, Industrie, Überwachung, Mobilität u. v. m.
- Wachsender Datenstrom: zig-Tausende neu erzeugte Bilder pro Tag in sozialen Medien, ständig steigende Anzahl öffentlich installierter Kameras
- Hoher Bedarf an Vision-Expert*innen → zunehmende Anzahl nationaler & internationaler Konferenzen
Kognitive Grundlage: Unser Gehirn interpretiert Bilder mithilfe von Heuristiken → optische Täuschungen verdeutlichen Grenzen & Chancen automatischer Systeme

Bildverarbeitung (Image Processing)
- Low-Level-Vorgänge (Pixel-Domäne)
- Ziel: verbessertes/optimiertes Bild
- Beispiele: Entrauschen, Entschärfen, Farb- & Schattenentfernung, Kontraststeigerung
Bildanalyse (Image Analysis)
- Mid-Level-Vorgänge
- Extraktion spezifischer Bildmerkmale (Kanten, Regionen, Formen)
Maschinelles Sehen / Computer Vision / KI
- High-Level-Vorgänge (Semantik)
- Kontext-, Objekt- & Szenenerkennung; Entscheidung & Handlungsplanung

Medizin: MRT, CT, Röntgen, Ultraschall, Telemedizin-Workflows
Geowissenschaften & Fernerkundung: Satelliten-Imaging, Ozean- & Landbeobachtung, Wettervorhersage
Militär & Sicherheit: Zielerfassung, Drohnensicht, Überwachung, Nachtbildsysteme
Kunst & Multimedia: Film, Fotografie, visuelle Effekte, Restaurierung
Industrie: Robotik-Sehen, Messtechnik, Qualitätssicherung, Prozessautomatisierung

Grundfrage: „Wie misst man Bildqualität?“
- Subjektive Wahrnehmung (visuelle Tests)
- Objektive Metriken (MSE, PSNR, SSIM, NIQE …)
Typische Verfahren:
- Histogramm-Equalisation, CLAHE
- Kontrast-Stretching, Tonemapping, Weißabgleich
- Filter: Median, Gaussian, Bilateral (Entrauschen, Entschärfen)
- Farbkorrektur, Schattenentfernung
- Beispiel „Kontrast“: visuelle Steigerung der Helligkeitsdynamik (vgl. Folienabbildungen)

Optische Täuschungen zeigen: Wahrnehmung ≠ physikalische Realität (vgl. Quellen [1], [2])
Lesebeispiel mit permutierten Buchstaben („Ehct ksras…“) → Gehirn interpretiert ganze Wortformen
Sichtbarer Bereich des elektromagnetischen Spektrums: 400 nm (Violett) – 750 nm (Rot)
Anatomie & Funktion
- Zwei Augen → Fusion korrelierter Retina-Information → binokulares Sehen
- Fovea (≈ 1,5 mm) an Sehachse, dicht gepackte Zapfen, verantwortlich für scharfes Farbsehen
- Blinder Fleck an Optikus-Austritt, keine Rezeptoren
- Photorezeptoren
- Zapfen: ≈ 5 Mio, Tag-/Farbsehen, jeder Zapfen indiv. Nervenanbindung
- Stäbchen: ≈ 100–150 Mio, Nacht- & Periphersehen, 10 : 1-Verschaltung
Beleuchtungsstärken (in Lux = lm/m²)
- Sonniger Tag ≈ $100\,000$
- Bewölkt ≈ $10\,000$
- Büro ≈ $1\,000$
- Vollmond ≈ $0.1$

3D → 2D-Projektion verliert Tiefen- & Skalierungsinformationen
Bilder können verrauscht, schlecht beleuchtet, mehrdeutig sein
Mensch & Algorithmus benötigen:
- Geometrie-/Physik-Verständnis
- Mathematische Modelle für Anhaltspunkte & Vorwissen
- Rechenmodelle/Algorithmen zur Zustandsschätzung der Welt

Kontinuierliche Szene $f(x,y)$ → diskretisierte Matrix $f[m,n]$
Grauwert-Beispiel: $f(x,y)\to[0,127]$ (7-Bit, demonstriert auf Folie)
Ursprung bei $f(0,0)$
RGB-Representation
- Drei Kanäle Red, Green, Blue
- Pixelindex $p(w,h,c)$ mit Breite $w$ , Höhe $h$ , Kanal $c \in {R,G,B}$

Rasterung: Diskretisierung der kontinuierlichen Koordinaten $x,y$ → Gitterpunkte $m,n$
- $f[m,n] \approx f(x,y)$
Quantisierung: Zuordnung kontinuierlicher Intensitäten zu endlichem Wertebereich $V_1 = {0,1,\dots,126,127}$
Umsetzung: Sensor-Array projiziert Szene → Matrix vordefinierter Pixel
Farbreduktion Beispiel: 256 → 8 → 4 Graustufen

Metrik-Eigenschaften
- $D(p,q) \ge 0 \;\wedge\; D(p,q)=0 \;\text{für}\; p=q$
- Symmetrie $D(p,q)=D(q,p)$
- Dreiecksungleichung $D(p,r)\le D(p,q)+D(q,r)$
Allgemein: $Dk(p,q)=\big(|mp-mq|^k + |np-n_q|^k\big)^{1/k}$
Spezielle Fälle
- Stadtblock/Manhattan: $D1(p,q)=|mp-mq|+|np-n_q|$
- Euklidisch: $D2(p,q)=\sqrt{(mp-mq)^2+(np-n_q)^2}$
- Schachbrett/Chebyshev: $D\infty(p,q)=\max(|mp-mq|,|np-n_q|)$

Arithmetische Pixel-Operationen (elementweise)
- Addition, Subtraktion, Multiplikation, Division
- Subtraktion → Differenzbild zur Bewegungserkennung
Logische Pixel-Operationen
- NOT, AND, OR, XOR
- Einsatz: Maskierung, Morphologische Verfahren, ROI-Extraktion

Gesichtserkennung (u. a. Canon Face Detection)
Posen-Schätzung: Kinect, OpenPose
Erd- & Straßenbild-Analyse: Google Earth/Street View
OCR & Nummernschilder: LeNet-5, LPR-Systeme
Datensätze: SVHN (≈ 600 k RGB-Bilder, $32\times32$ Pixel, Hausnummern 0–9)
Objektdetektion & ‑segmentierung: YOLOv8, Mask R-CNN
Fahrerassistenz: Verkehrszeichenerkennung (Opel), Active Suspension (Daimler), Tesla Autopilot
3D-Szenenrekonstruktion: NeRF (Neural Radiance Fields, ECCV 2020)
Robotik: Boston Dynamics – visuell gesteuerte Lokomotion

Motivation & Anwendungsfelder digitaler Bildverarbeitung
Strukturelle Einordnung: Bildverarbeitung ↔ Bildanalyse ↔ Computer Vision
Grundlagen des menschlichen Sehens: Anatomie, Wahrnehmungsphänomene, Licht & Intensität
Digitale Bildrepräsentation: Rasterung, Quantisierung, Farbkanäle
Nachbarschaften & Distanzmetriken als Basis für Segmentierung & Morphologie
Elementare arithmetische & logische Bildoperationen
Überblick moderner CV-Systeme & Forschungsstände

Wie lassen sich subjektive und objektive Bildqualitätsmetriken korrelieren?
Welche Rolle spielen tiefenabhängige Hinweise (Stereo, Motion-Parallaxe) bei 2D-Systemen?
Wie können wir interpretierbare KI-Modelle für sicherheitskritische Anwendungen garantieren?