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.