quadratische Form zu jeder Musterklasse eine Ellipsoidschar de-
finiert, aus der, ähnlich wie bei der Minimum-Distance-Methode,
ein Kriterium für die Zurückweisung von Bildpunkten abgeleitet
werden kann. Ist der Mahalanobis Abstand des Bildpunktes g von
den Musterklassen größer als c°O , wobei o?etwa die Streuung in
der ersten Hauptachse ist, so wird der Bildpunkt zurückgewiesen.
Dieses Verfahren approximiert die Musterklassen durch n-dimensionale
Ellipsoide, die, da bei der Berechnung bereits die Kovarianzmatrix
mit eingeht, angepaßt an die zugehörigen Musterklassen sind.
2.3 Klassifizierungen mit der Quadermethode
Bei den beiden beschriebenen Klassifikatoren (Minimum-Distance und
Maximum-Likelihood) wurden zu den Musterklassen Trennungsfunktionen
d; berechnet. Nach Maßgabe diesér Trennungsfunktionen ordneten 'die
Verfahren die Bildpunkte g der Szene S einer der t Musterklassen
zu. Sollten nicht alle Bildpunkte von S den Musterklassen zuge-
wiesen werden, so wurden Kriterien zur Zurückweisung von Bildpunkten
angegeben, wodurch die Cluster der Musterklassen durch geometrische
Figuren (Klassenbeschreibungen) approximiert wurden. Minimum-
Distance verwendete dazu N-dimensionale Kugeln und Maximum-Likeli-
hood N-dimensionale Ellipsoide. Die Reihenfolge war bei beiden Ver-
fahren: Auswertung der Trennungsfunktion und Zuweisung zu einer
Musterklasse und anschlieBend die Prüfung, ob der Bildpunkt in der
Klassenbeschreibung der zugewiesenen Musterklasse liegt.
Das jetzt zu beschreibende Verfahren geht den entgegengesetzten
Weg: zunächst wird geprüft, in welcher Klassenbeschreibung der
Bildpunkt g liegt. Wird hierbei Eindeutigkeit erzielt, so wird g
als klassifiziert akzeptiert. Erst bei Mehrdeutigkeit werden die
notwendigen Trennungsfunktionen ausgewertet.
N-dimensionale, achsenparallele Quader sind, neben Kugeln und
Ellipsoiden, ‚geeignet, die Cluster der Musterklassen zu approxi-
mieren. Ein N-dimensionaler, achsenparalleler Quader kann durch
N Zahlenpaare
BD) a wv SH gy
les]
mn
Le MN tw & f^
