Prakt. Met. Sonderband 47 (2015) 31
F UN Wie Bild 1 zu entnehmen ist, sind verrauschte Bilder oder auch Aufnahmen, in denen unterschiedli-
che Objekte gleiche Farben haben (z.B. zweite Phase und Korngrenzen) nur sehr schlecht auf direk-
tem Wege zu segmentieren. Aufwendige Filterungen und morphologische Operationen sind daher
erforderlich, die wiederum einen nicht unerheblichen subjektiven Einfluss auf das Quantifizierungs-
ii ergebnis haben.
. Die gezielte Suche nach anderen Segmentierungsansétzen im Bereich der ,,Computer Vision“, wie
he Sie beispielsweise in der Medizin oder Geoinformatik verwendet werden, fördert im Wesentlichen
a drei grundsätzliche Methoden zu Tage [2]: 1) Schwellwertbildung bzw. Gruppierung; 2) Kantende-
k tektion und 3) Regionenextraktion. Insbesondere Segmentierungsalgorithmen nach dem Prinzip der
>> aktiven Konturen [3] sind auch für die Gefügequantifizierung sehr vielversprechend.
‘ Der Ansatz von Chan und Vese [4] geht über die einfache Kantenerkennung hinaus und nimmt eine
¥ sog. Level-Set-Funktion als Grundlage fiir die Segmentierung von topologischen Unterschieden. Ge-
. mil dem Energieminimierungsprinzip wird dazu, basierend auf einer initialen Kontur, folgende In-
Ger Gre tegralgleichung zu Grunde gelegt:
den mi
Be, inf F(c,,c,,C) = pu-Linge(C) + v- Fliache(innen(C))
¢redlune in Brats
yf luge P dxdy+2, | lug—c, [ dxdy
innen(C) Jo auBen(C)
Dabei stellen c; und c2 die mittleren Intensitéten der zu segmentierenden Objekte bzw. des Hinter-
grundes dar, C beschreibt die Kontur, u reguliert die Genauigkeit der Anpassung an die Grenzfläche
(akkurat gegen geglättet), v reguliert die Größe der Fläche (möglichst groß gegenüber möglichst viele
Objekte) und das Verhältnis aus A; und 12 steuert die Triebkraft innerhalb (Expansion) der Struktur
hischen Prä- bzw. außerhalb (Schrumpfung) der Kontur. Das Ergebnis ist in Bild 2 dargestellt.
Schnitt wird
{ Grundla
elsweise die Bild 2: Ablauf des Segmentierungs-
inschließen- vorganges nach Chan und Vese [4];
a) Initiale Kontur, b) und c) Evolu-
tion der Kontur, d) Energiemini-
wellwerthe- mum und Detektion der Objekte.
is Grauwert-
Nach einer Matlab© Implementierung können durch diesen Ansatz nun zweiphasige Mikrostrukturen
sehr robust segmentiert werden. Uber die entsprechende Einstellung der 0.g. Parameter entsteht ein
Binérbild ohne einzelne Korngrenzen und Artefakte. Auch die Anfilligkeit der Segmentierung durch
verrauschte Bilder wird wesentlich reduziert.
Der vorgestellte Ansatz wurde derart erweitert, dass auch Farbbilder und - hinsichtlich Segmentie-
rung von REM-Bildern — Kontrast-,, Texturen* verarbeitet werden kénnen und zwar durch eine Er-
weiterung der Formel um einen zusätzlichen Varianzterm, der die Umgebung innerhalb der Struktur
mit berücksichtigt. Auch komplex kontrastierende Phasenareale ohne einheitlichen Grauwert werden
dadurch zugänglich (Bild 3).
Mit dem vorgestellten Ansatz ist es möglich, vollautomatisch reproduzierbare Segmentierungen auch
bei anspruchsvollen Kontrastsituationen vorzunehmen. Ein Einsatz für andere materialwissenschaft-
pa liche Fragestellungen, z.B. zur Analyse von TEM-Aufnahmen, wie sie in [5] beschrieben werden.
be eröffnet ein weiteres Anwendungsspektrum dieses Verfahrens.