sind. Diese Szenenausschnitte werden als T r a i -
ningsgebiete zu den Objektklassen bezeichnet.
Ein Trainingsgebiet ist als Szenenausschnitt wieder ein
Muster im Merkmalsraum. Da die Trainingsgebiete einer
Objektklasse Kein Aquivalent zu den in der Objektklasse
zusammengefaßten Objekten sein sollen, wird das dadurch
festgelegte Muster als Musterklasse k
bezeichnet. Durch die Aufzeichnung wird der Objektklasse K
das Muster m zugeordnet. Da die zugehörige Musterklasse k
eine Approximation von m ist, wird in der Regel nicht
gelten:
m = k.
Werden in eine Musterklasse Einflüsse von Objekten inte-
griert, die nicht Elemente der zugehörigen Objektklasse
sind, so werden bei der Klassifizierung die Objekte
Falsch klassifiziert. Wird andererseits die Musterklasse
"Zu klein" gewählt, d.h. es werden nicht alle Einflüsse
der Objekte der Objektklasse erfaßt, so liefert die
Klassifizierung ebenfalls nicht die gewünschten Ergebnisse,
Die richtige Wahl der Trainingsgebiete und damit der Muster-
klassen ist ein Bestandteil eines jeden Klassifizierungs-
problems, das die Güte der Klassifizierung weitgehend be-
einflußt.
Im zweiten Fall (automatisch lernend) wird versucht, die
Informationen über die Cluster automatisch, ohne inter-
aktiven, menschlichen Eingriff zu berechnen. Es werden
Algorithmen angewendet, die ausgehend von einem beliebigen
Bildpunkt der Szene als Zentrum eines ersten Clusters
versuchen, die Bildpunkte der Szene diesem Cluster über
geeignete Zuordnungskriterien zuzuordnen. Ist für einen
Bildpunkt das Zuordnungskriterium nicht erfüllt, so wer-
den neue Clusterzentren definiert. Abschließend werden
Cluster, die aufgrund geeigneter Beurteilungskriterien als
"zu groß" oder "zu klein" erkannt werden, aufgeteilt oder
zusammengelegt. Der gesamte Clusteralgorithmus kann zu-
sätzlich iterativ aufgebaut sein.