Inhaltszusammenfassung:
Die Erkennung von Kanten und die Extraktion von Liniensegmenten sind grundlegende
Werkzeuge der Computer Vision, die Anwendungen wie Objekterkennung,
Szenensegmentierung und 3D-Rekonstruktion ermöglichen. In dieser Arbeit werden
Methoden zur Strukturierung von Kantenrohdaten in sinnvolle Cluster für
die Extraktion von Liniensegmenten untersucht. Der Schwerpunkt liegt auf der
Erkennung aussagekräftiger Kantenregionen, der Extraktion zusammenhängender
Kantenpunkte, der Verarbeitung von Liniensegmenten sowie auf Optimierungsund
Validierungsmethoden zur Verbesserung der Genauigkeit und Robustheit von
Liniensegmenten.
Nach einer Einführung in die Grundlagen der Kantenverarbeitung werden verschiedene
Edge-Response-Techniken beschrieben und hinsichtlich ihrer Fähigkeit,
Details zu erhalten und gleichzeitig das Rauschen zu minimieren, analysiert und
verglichen. Zusätzlich werden Operationen wie Non-Maxima-Supression und Zero-
Crossing auf ihre Rolle bei der Verbesserung der Kantenlokalisierung und der
Zuverlässigkeit der Kantensegmentextraktion untersucht. Um das Rauschen und
die Fragmentierung bei der Erkennung von Kantensegmenten zu reduzieren und
die Genauigkeit zu verbessern, werden robuste Methoden für das Wachsen von
Kantenregionen und die Verbindung von Kantenpunkten eingeführt, einschließlich
Validierungsmethoden.
Neben der Kantenerkennung bieten strukturierte Liniensegmente eine höhere Ebene
der geometrischen Datendarstellung. Dies ist besonders nützlich für die 3D-Rekonstruktion
und Navigation in Innenräumen, wo die strukturelle Regelmäßigkeit
hoch ist, die Texturinformationen jedoch begrenzt sind. Techniken zur Erkennung
von Liniensegmenten, einschließlich Methoden zur Linienausrichtung, werden hinsichtlich
ihrer Rolle bei der Darstellung präziser geometrischer Strukturen und bei
der Unterstützung visueller Analysen auf höherer Ebene, wie z. B. der Extraktion
von Linienmerkmalen und der daraus resultierenden Fähigkeit, gleiche Segmente
wiederzufinden, bewertet. Die Effizienz der Berechnung wird ebenfalls bewertet,
mit einer vergleichenden Analyse der Laufzeitleistung und Optimierungsstrategien,
um ein Gleichgewicht zwischen Genauigkeit und Verarbeitungsgeschwindigkeit zu
erreichen.
Diese Arbeit bietet außerdem eine Einführung in das Open-Source-Framework, das
aus den Implementierungen der verschiedenen in dieser Arbeit beschriebenen Methoden
entstanden ist. Zusätzlich zu den Methoden stellt es eine Analyseanwendung zur
Verfügung, mit der die Methoden direkt angewendet und visualisiert werden können,
sowie Werkzeuge zur Durchführung von Evaluierungen der Methoden. Damit stellt
es einen wichtigen Meilenstein für zukünftige Forschungsarbeiten im Bereich der
kanten- und liniensegmentbasierten Bildanalyse dar.
Abstract:
Edge detection and line segment extraction are fundamental tools in computer
vision, enabling applications such as object recognition, scene segmentation, and 3D
reconstruction. This thesis investigates methods for structuring raw edge data into
meaningful clusters for line segment extraction. The focus lies on the detection of
meaningful edge regions, the extraction of connected edge points, the processing
of line segments, as well as optimization and validation methods to improve the
accuracy and robustness of line segments.
After introducing important fundamentals of edge processing, various edge response
techniques are described, analyzed, and compared based on their ability to preserve
detail while minimizing noise. In addition, operations such as non-maximum suppression
and zero-crossing are examined for their role in improving edge localization
and the reliability of edge segment extraction. To reduce noise and fragmentation
in edge segment detection and improve accuracy, robust methods for edge region
growing and edge point connection are introduced, including validation methods.
Beyond edge detection, structured line segments provide a higher level of geometric
data representation. This is particularly useful for 3D reconstruction and indoor
navigation, where structural regularity is strong but texture information is limited.
Line segment detection techniques, including line fitting methods, are evaluated
for their role in representing precise geometric structure and supporting higherlevel
visual analysis, such as line feature extraction and matching. Computational
efficiency will also be evaluated, with a comparative analysis of runtime performance
and optimization strategies to balance accuracy and processing speed.
This thesis also provides an introduction to the open source framework that has
evolved from the implementations of the various methods described in this thesis. In
addition to the methods, it provides an analyzer application to directly apply and
visualize the methods, as well as tools to perform evaluations on the methods. It lays
an important milestone for future research in edge and line segment-based image
analysis tasks.
image analysis