MATLAB-Bildverarbeitung: Vektorisierung, Faltung und Canny-Kantenerkennung – Ein praktischer Leitfaden für CP8307/CPS843

Einführung in die MATLAB-Bildverarbeitung für CP8307/CPS843

Die Assignments CP8307 und CPS843 verlangen ein tiefes Verständnis der Bildverarbeitung mit MATLAB. Du lernst, Bilder zu laden, Pixelmanipulationen durchzuführen und fortgeschrittene Techniken wie Faltung und Kantenerkennung anzuwenden. Dabei ist es entscheidend, vektorisierte Operationen statt langsamer Schleifen zu nutzen – ein Prinzip, das auch in der KI-Bildverarbeitung mit Python-Bibliotheken wie NumPy grundlegend ist. Stell dir vor, du bearbeitest ein 512×512-Pixel-Bild: Mit Vektorisierung erledigt MATLAB die Arbeit in Millisekunden, während Schleifen Sekunden dauern. In der heutigen Zeit, in der Apps wie Instagram oder TikTok Bilder in Echtzeit filtern, ist Effizienz alles.

Grundlagen: Bilder laden und anzeigen

Der erste Schritt ist das Laden zweier interessanter Farbbilder, die nicht größer als 512×512 Pixel sein sollten. Nutze imread() und imshow(). Achte darauf, den Anzeigebereich mit imshow(img, [min(img(:)) max(img(:))]) sinnvoll zu setzen. Das verhindert, dass helle oder dunkle Bildteile übersteuert wirken – ähnlich wie bei der Belichtungskorrektur in der Smartphone-Fotografie.

Farbkanäle manipulieren

Ein häufiger Schritt ist das Vertauschen der Rot- und Blaukanäle. In MATLAB greifst du auf die Kanäle mit img(:,:,1) (Rot), img(:,:,2) (Grün) und img(:,:,3) (Blau) zu. Zum Tauschen speicherst du temporär einen Kanal. Dann erstellst du monochrome Bilder, indem du nur einen Kanal auswählst: img_g = img(:,:,2) für Grün. Die Umwandlung in Graustufen erfolgt mit rgb2gray(). Diese Technik wird in der Medizinbildgebung genutzt, um bestimmte Gewebestrukturen hervorzuheben.

Pixel ersetzen und geometrische Operationen

Nun ersetzt du einen 100×100-Pixel-Block aus der Mitte des Graustufenbildes von Bild 1 in das Graustufenbild von Bild 2. Bestimme die Mitte mit size(img_g) und extrahiere den Block. Dann fügst du ihn ein. Für die statistischen Werte (Minimum, Maximum, Mittelwert, Standardabweichung) verwendest du min(), max(), mean() und std(). Achte darauf, dass Bilder standardmäßig uint8 sind – wandle sie vor arithmetischen Operationen in double um. Die Normalisierung (Mittelwert abziehen, durch Standardabweichung teilen, mit 10 multiplizieren, Mittelwert addieren) ist typisch für die Vorverarbeitung in neuronalen Netzen. Das Verschieben um 2 Pixel nach links und die Subtraktion vom Original erzeugen einen Kanteneffekt – ähnlich wie beim „Unsharp Mask“-Filter in Photoshop. Das horizontale Spiegeln und die Intensitätsumkehr (Negativ) sind einfache, aber effektive Transformationen.

Rauschen hinzufügen

Um Gaußsches Rauschen zu addieren, erzeugst du mit randn(size(img)) einen normalverteilten Zufallsarray und multiplizierst ihn mit der gewünschten Standardabweichung (z.B. 25 für 8-Bit-Bilder). Das simulierte Rauschen ist in der KI-Forschung wichtig, um die Robustheit von Modellen zu testen – wie bei selbstfahrenden Autos, die auch bei schlechtem Wetter funktionieren müssen.

Faltung von Hand und mit MATLAB

Die Faltung ist das Herzstück vieler Bildverarbeitungsalgorithmen. Du implementierst eine eigene Funktion MyConv, die nur Schleifen verwendet – aber nur für das Verständnis. In der Praxis nutzt du imfilter. Für die manuelle Faltung musst du das Bild mit Nullen auffüllen („zero padding“) und den Kernel spiegeln. Ein einfacher Kantendetektionskernel ist [1, 0, -1]. Die Faltung mit diesem Kernel in horizontaler Richtung liefert die x-Ableitung des Bildes. Die Ausgabe der manuellen Faltung vergleichst du mit imfilter unter Verwendung eines 13×13-Gaußkernels (σ=2). Die Differenz sollte nahe Null sein – ein Zeichen für korrekte Implementierung. Beachte die Laufzeit: Die separable Faltung (zwei 1D-Kernel) ist bei großen Kernels (σ=8) deutlich schneller als die 2D-Faltung. Das ist ein wichtiger Optimierungstrick, der in Echtzeit-Anwendungen wie Video-Filtern verwendet wird.

Canny-Kantenerkennung implementieren

Der Canny-Algorithmus ist der Goldstandard der Kantenerkennung. Du implementierst ihn bis zum Non-Maximum-Suppression-Schritt. Die Schritte sind: 1. Gaußscher Weichzeichner (σ wählbar), 2. Gradientenberechnung mit Sobel-Operatoren, 3. Non-Maximum-Suppression, um dünne Kanten zu erhalten. Die Hysterese (Doppelschwellwert) wird in dieser Aufgabe nicht verlangt. Deine Funktion MyCanny gibt ein Binärbild zurück. Dieser Algorithmus wird in der Robotik und Augmented Reality genutzt – etwa, um Objekte in Echtzeit zu erkennen, wie bei Pokémon GO.

Praktische Tipps und Fallstricke

Vergiss nicht, Bilder in double zu konvertieren, bevor du arithmetische Operationen durchführst. Sonst kommt es zu Überläufen. Nutze fprintf(), um Ergebnisse wie die Gradientenmagnituden an bestimmten Pixeln auszugeben. Die zeitliche Messung mit tic und toc hilft dir, die Effizienz deines Codes zu beurteilen. Denk daran: In der Praxis (z.B. bei der Entwicklung von KI-Modellen für die Bilderkennung) ist Geschwindigkeit entscheidend. Vektorisierte Operationen sind der Schlüssel.

Zusammenfassung

Dieser Leitfaden hat dir die wesentlichen Techniken der MATLAB-Bildverarbeitung gezeigt: vom Laden und Manipulieren von Bildern über die Faltung bis zur Canny-Kantenerkennung. Mit diesen Fähigkeiten kannst du nicht nur die Assignments CP8307/CPS843 lösen, sondern auch eigene Projekte in den Bereichen Computergrafik, maschinelles Sehen und KI umsetzen. Die Konzepte sind universell – ob in MATLAB, Python oder C++.