Diese Arbeit behandelt die Klassifizierung des Himmels in Bergbildern. Zu Beginn wird ein Verfahren zur Abscha¨tzung des Himmels in einem Bild vorgestellt. Im Anschluss folgt die Vorstellung eines auf FloodFill-basierenden Klassifikators. Abschließend werden die Ergebnisse verschiedener Klassifikatoren vorgestellt. Eine Klassifizierung des Himmels dient der Vorbereitung fu¨r eine spa¨tere Segmentierung der Bergsilhouette. Dabei soll jeder Himmelsklasse ein passendes Segmentierungsverfahren zugeordnet werden. Zu diesem Zweck wird ein neuer Himmelsklassifikator vorgestellt, welcher zwischen vier Himmelskategorien unterscheidet und viel versprechende Ergebnisse liefert.
1.1
Anna Heinle arbeitet in Paper [
Eine wichtige Beobachtung aus den betrachteten
Verfahren ist, dass die pra¨ziseren Ergebnisse auf Farb- und
Strukturfeatures zuru¨ckgehen. Bei den Farbfeatures wird
grundsa¨tzlich u¨ber den Vergleich der verschiedenen
Farbkana¨le gearbeitet. Die Strukturfeatures lassen sich auf die
Arbeit [
Die genutzten Bilder sind Grundlage des von Georges
Baatz, Olivier Saurer, Kevin Ko¨ser und Marc Pollefeys unter
dem Titel ”Large Scale Visual Geo-Localization of Images in
Mountainous Terrain” vero¨ffentlichten Papers [
Zu Beginn werden die unsortierten Bilder in Kategorien eingeteilt. Dazu wurden drei Kategorien gewa¨hlt. Diese sind ”klarer Himmel”, ”sonnig” und ”bewo¨lkt”, sie sind essentiell. Die Kategorie ”sonnig” definiert Bilder, auf denen entweder die komplette Sonne oder ein Teil davon abgebildet ist. Diese kann von Bergen verdeckt oder am Rande des Bildes vorzufinden sein. Dadurch ist sie oftmals nicht vollsta¨ndig. Auch Fotos, auf denen besonders helle Sonnenstrahlen festgehalten sind und die Sonne hinter dem Bildrand oder dem Berg vermuten lassen, besitzen a¨hnliche Eigenschaften bezu¨glich der Bildhelligkeit und der Farben des Himmels. Somit geho¨ren sie auch der Klasse ”sonnig” an. Die Klasse ”bewo¨lkt” entha¨lt alle Bilder, in denen eine Bewo¨lkung vorliegt. Die Intensita¨t und die Dichte spielen im Gegensatz zur Anfangsannahme keine Rolle mehr. Die Klasse ”klarer Himmel” entha¨lt die restlichen Bilder der Datenbank. Sie umfasst alle Bilder, in denen weder Sonne noch Wolken abgebildet sind. Durch das strikte Kategorisieren der Bilder entsteht das Problem der mehrfachen Zuordnung in die einzelnen Klassen. So ko¨nnen auf einem Bild sowohl Sonne als auch Wolken zu sehen sein. Da dieser Fall bei einer nicht vernachla¨ssigbaren Anzahl von Bilder vorzufinden ist, wird eine weitere Klasse definiert - ”bewo¨lkt und sonnig”.
Fu¨r weitere Bilder wurden mehrere Online Bilderdatenbanken nach lizensfreien Bildern durchsucht. Die meisten der gefundenen Bilder stammen von www.flickr.com. Die Auflo¨sung der zusa¨tzlichen Aufnahmen wurde nach Mo¨glichkeit a¨hnlich der Auflo¨sung der bereits vorhandenen Objekte gewa¨hlt. In anderen Fa¨llen wurden die Bilder einem Schnitt unterzogen. Zu allen neuen Bildern wurde vom Lehrstuhl mithilfe eines bereits fertigen interaktiven Verfahrens eine Bina¨rmaske erzeugt.
Insgesamt umfasst die Datenbank 43 Bilder der Klasse ”bewo¨lkt”, 45 Bilder in der Klasse ”bewo¨lkt und sonnig”, 40 Bilder in der Klasse ”sonnig” und 124 Bilder in der Klasse ”klarer Himmel”. Die Anzahl der Bilder in der Klasse ”klarer Himmel” wurde nicht reduziert, weil auf verfu¨gbare Informationen nicht verzichtet werden sollte. 1.3
Eine Klassifizierung des Wetters erfordert eine mo¨glichst treffende Abscha¨tzung des Himmels. Dabei ist es wichtig mit der Abscha¨tzung mo¨glichst nah an die Grenze zwischen Berg und Himmel zugelangen. Es ist nicht ungewo¨hnlich, dass sich Wolken in einer geringen Ho¨he oberhalb der Berge befinden. Auch Sonnenauf- und Sonnenunterga¨nge sind ein ha¨ufiges Bildmotiv. Eine zu geringe Fla¨che fu¨hrt zu einem potentiellen Klassifikationsfehler. Eine zu großgescha¨tzte Fla¨che fu¨hrt zu neuen Problemen. In diesem Fall werden Bergspitzen mit ausgewertet. Dies kann dazu fu¨hren, dass Berge wolkena¨hnliche Eigenschaften besitzen und als solche gedeutet werden. In Folge dessen wu¨rde eine Missklassifizierung begu¨nstigt werden. An diesen Fa¨llen wird deutlich, dass eine ungenaue Abscha¨tzung der Ra¨nder maßgebliche Folgen fu¨r die Klassifizierung haben kann.
Es gibt unterschiedliche Mo¨glichkeiten, eine Abscha¨tzung vorzunehmen. Eine naive Abscha¨tzung stellt zum Beispiel den einfachsten Weg dar. Hierbei wird eine Boundary Box in Abha¨ngigkeit von der Bildgro¨ße aufgestellt. Die Problematik die dadurch entsteht liegt darin, dass die Ho¨he des Horizonts sehr stark variieren kann und deshalb eine Abscha¨tzung mittels eines festen Wertes sehr schwierig ist. Fu¨r eine solche Abscha¨tzung kommt nur ein Segmentierungsverfahren in Frage. Am besten eignen sich hier Methoden, die iterativ das Bild ”fluten”.
Aus diesem Grund fa¨llt die Entscheidung auf FloodFill. Der Algorithmus findet Fla¨chen, die dieselbe Farbe besitzen, und ersetzt diese durch eine andere. Zu Beginn des Programmablaufs muss ein Pixel als Startpunkt definiert werden. Ein weiterer Pflichtparameter ist die Zielfarbe. Ist die Farbe ersetzt worden, wird die Nachbarschaft des jeweiligen Pixels betrachtet. Der Aufruf erfolgt rekursiv. Es kann die Vierer-(engl. 4-Neighbour) oder die Achter-Nachbarschaft (engl. 8-Neighbour) betrachtet werden. Fu¨r die Laufzeitoptimierung des Algorithmus sowie zum Zwecke der Ausreißerminimierung werden nur Vierer-Nachbarschaften(engl. 4Neighbour) betrachtet.
Um den Algorithmus effektiver zu gestalten, kann die akzeptierte Farbe mit Hilfe einer tolerierten Mindestbeziehungsweise Ho¨chstabweichung erweitert werden. In Bergbildern hat sich eine Abweichung von 5 Helligkeitsstufen als sinnvoll erwiesen.
Bei der betrachteten Problemstellung besteht die Hoffnung,
dass mit FloodFill homogene Bildelemente im Bereich des
Himmels zu Regionen verschmolzen werden. Als
Ausgangspunkt dient der Punkt mit der ho¨chsten
Wahrscheinlichkeit, ein Himmelspunkt zu sein. Die gesamte oberste
Pixelreihe des Bildes besitzt die ho¨chste Wahrscheinlichkeit
dem Himmel anzugeho¨ren. Es ist anzunehmen, dass auf
keinem Bild in der obersten Reihe ein Berg vorzufinden ist.
Insbesondere eignet sich FloodFill, um umrandete oder
angrenzende Fla¨chen auszufu¨llen. Im Idealfall stellt die Grenze
zwischen dem Berg und dem Himmel den Rand dar. Als
Resultat entsteht eine Segmentierungsmaske. [
Das Resultat einer Abscha¨tzung sollte ein Polygon sein, welches im Idealfall die Silhouette des Berges beschreibt. Zu diesem Zweck wurde ein eigenes Verfahren zur Himmelsabscha¨tzung entwickelt.
Zu Beginn des Algorithmus wird FloodFill ausgefu¨hrt. Dabei wird das Verfahren in zwei der drei mo¨glichen Varianten (Color, Grey-Mask) aufgerufen. Der Grund fu¨r einen mehrfachen Aufruf ist, dass jede Methode in verschiedenen Helligkeitsverha¨ltnissen ihre Sta¨rken aufweist. So hat das Konzept, welches Farbkana¨le vorsieht, seine Vorzu¨ge bei klarem blauen Himmel, sowie bei so gut wie allen Wolkentypen. Einzig bei tiefen und konturlosen Wolken schneidet es schlecht ab. Mit der Grey-Mask-Variante hingegen funktioniert das Verfahren recht gut bei nebeligen Bildern. Auch bei sonnigen Bilder schneidet es deutlich besser ab. Somit scheint es sinnvoll zu sein, beide Verfahren zu kombinieren. Nachdem als Resultat zwei verschiedene Bilder erzeugt wurden mu¨ssen die Ergebnisse analysiert werden. Die Analyse dient dazu, das Bild mit den wenigsten Fehlern zu finden. Zu Beginn wird das Resultat des Farbbildes analysiert. Der Analyse liegen drei Aspekte zugrunde. Es wird untersucht, ob die entstandene Fla¨che bru¨chig ist, so wie dies beim FloodFill-Resultat mit Farbe der Fall ist. Außerdem wird gepru¨ft, ob Bildpunkte im Bereich des Bodens u¨berschrieben wurden. Wenn dies der Fall ist, so ist FloodFill bis zum Boden durchgelaufen. In der Regel sind auf den Bildern jedoch Berge zu sehen, die die gesamte Breite des Bildes einnehmen. La¨uft FloodFill von oben, wo der Startpunkt liegt, bis unten durch, so handelt es sich ho¨chstwahrscheinlich um einen Fehler.
Des Weiteren wird der Anteil der gefundenen Himmelsfla¨che am Gesamtbild gepru¨ft. Ist dieser zu groß, kann das Resultat verworfen werden. Als Grenze dient ein Schwellenwert von 80%, welcher im Rahmen der Untersuchung entstand. Dieser Schwellenwert ist darauf zuru¨ckzufu¨hren, dass eine Abbildung von weniger als 20 % des Berges auf der Bildfla¨che unu¨blich ist.
Werden die drei Bedingungen erfu¨llt, kann mit dem Bild weiter gearbeitet werden. Andernfalls muss es verworfen und mit der na¨chsten FloodFill-Variante, der ”Grey Mask”, gearbeitet werden. In beiden Fa¨llen wird im na¨chsten Schritt FloodFill von unten nach oben durchlaufen. Anschließend wird das Resultat aufgearbeitet. Die leeren inneren Fla¨chen, die vom Berg umschlossen sind werden, aufgefu¨llt. Dies ist deutlich in den Abbildungen 1 und 2 zu erkennen.
Geha¨uft treten Fehler im Bereich der Ra¨nder auf. Um das Problem zu beseitigen, werden vor der Polygon-Extraktion aus dem Resultat die Ra¨nder bereinigt. Es hat sich herausgestellt, dass die besten Ergebnisse zustande kommen, wenn im oberen Bereich des Bildes die oberste Pixelreihe nachgebessert wird. An den seitlichen Ra¨ndern werden jeweils die a¨ußersten Spalten u¨berschrieben. Im Laufe der Bereinigung werden alle Randpixel, die nach der Segmentierung zum Berg geho¨ren, dem Himmel zugeordnet. Die Ho¨he der neuen seitlichen Randspalten des Berges richtet sich nach der Ho¨he der zweiten, beziehungsweise der vorletzten Spalte des Bildrasters. Anschließend findet ein erneuter FloodFillAufruf statt. Bei diesem werden die fehlerhaften Fla¨chen innerhalb des Himmels nicht mehr mit beru¨cksichtigt. Diese Abscha¨tzung wird im folgenden Klassifizierungsverfahren genutzt. 3.
Bei der FSC-Klassifizierung handelt es sich um einen Klassifikator, welcher nicht erlernt werden muss und sofort mit der Klassifikation beginnen kann. Zu Beginn erfolgt fu¨r jedes Bild der Testmenge eine Abscha¨tzung des Himmels mit dem Verfahren nach Kapitel 2. Sobald der Bereich des Himmels mit dem Silhouette-Polygon definiert ist, kann mit der Analyse des Himmels begonnen werden. Dem Algorithmus liegt die ”FloodFill”-Technik zugrunde. Es wird mit der ”Graumaske” gearbeitet. Zu Beginn des Ablaufs erfolgt eine statistische Analyse der Grauwerte. An dieser Stelle muss gepru¨ft werden, wie hoch der Anteil der schwarzen Pixel am gesamten Bild ist. Liegt ihr Anteil bei u¨ber 95 %, so ist davon auszugehen, dass das resultierende Bild sehr verrauscht ist. Meistens liegt die Ursache in einer Unscha¨rfe, die durch Nebel oder Sonne erzeugt wird. Wird das Bild als verrauscht erkannt, muss eine Sonderbehandlung erfolgen. Es folgt eine Optimierung der FloodFill-Parameter, a¨hnlich wie bereits wa¨hrend der Abscha¨tzung.
Im Anschluss findet eine erneute U¨ berpru¨fung der Pixelhelligkeit statt. Ist das Bild noch immer sehr verrauscht und u¨berschreitet den festgelegten Grenzwert, wird es in eine ku¨nstliche Klasse ”bright/low contrast” abgelegt. Diese Klasse stellt einen Sonderfall dar und kann bisher nicht anders behandelt werden. Jedoch ist der Anteil solcher Bilder relativ gering und liegt bei den vorhandenen Aufnahmen bei unter 1 %. Erfu¨llt das Bild alle Kriterien, so beginnt die Klassifizierung. Das Verfahren la¨sst sich in zwei Schritte untergliedern.
Im ersten findet eine Wolkensuche statt. Im zweite wird nach der Sonne gesucht. Die Wolkensuche erfolgt nach dem Algorithmus 1 3.1
Das Verfahren trifft fu¨r jeden Pixel die Entscheidung, ob dieser Bestandteil einer Wolke ist oder nicht.
Ein Pixel wird nur dann betrachtet, wenn dieser oberhalb
der Silhouette liegt. Nur dann geho¨rt er zum Himmel. Die
Bestimmung, ob ein Pixel als ”Wolke” klassifiziert werden
kann oder nicht, beruht auf dem Vergleich der Intensita¨ten
α von Farbkana¨len wie in [
α = red channel value blue channel value
Liegt der Wert α bei 0.9 oder ho¨her, ist der Pixel als Wolke
zu klassifizieren. Der Wert, der bereits von A.Heinle in
ihrem Paper vorgeschlagen wurde, wurde wa¨hrend einer
empirischen Untersuchung besta¨tigt. Dabei wurden α-Werte
im Intervall [
Die Sonne ist ein wichtiges Attribut des Wetters. Aus diesem Grund wurde fu¨r die Bilder mit sonnigem Wetter eine eigene Klasse erzeugt. Dieser Klasse wurden Bilder zugeordnet, auf denen entweder die Sonne zu sehen ist oder besondere helle Stellen im Bereich des Himmels, die die Sonne vermuten lassen. Hierbei ist es nicht wichtig, zwischen den Klassen ”sonnig” und ”sonnig und bewo¨lkt” zu unterscheiden, da die Sonne in jedem Bild zu Beginn der Analyse gesucht wird. Der gegebene Pseudocode 2 schafft Einblick in das entstandene Verfahren. In diesem Algorithmus werden Eigenschaften einer mo¨glichen Sonne untersucht. Dabei wird zu Beginn die gro¨ßte zusammenha¨ngende Fla¨che der hellen Pixel in einem Bild gesucht. Um die Helligkeit einzustufen, wird die folgende Formel verwendet: luminance = r ∗ 0.2126 + g ∗ 0.7152 + b ∗ 0.0722 255 wobei r, g, b Farbkana¨le des RGB-Modells sind.
Der Grenzwert von δ = 0.99 fu¨r die Lichtintensita¨t ist das Resultat der Auswertung der Ergebnisse der Sonnensuche in allen vorliegenden Bildern. Dabei wurden Bilder
1 findTheSun (mountSil, picP ath);
Input : mountSil - polygon that describes the mountain silhouette, picPath - path to the picture to be analyzed Output: true if the sun is found on the picture, false otherwise 2 read in the picture from the given path; 3 imageTempSunClass := copy of the original image held in memory; 4 coherentAreaList := empty list of pixel sets; 5 sunFound := false; 6 foreach pixel do 7 if pixel belongs to sky then 8 if pixel is bright enough then 9 // eventually it belongs to the sun 10 add pixel to coherentAreaList; 11 set pixel color to bright green in
imageTempSunClass; 12 end 13 end 14 end 15 potentialSun := biggest coherent area in
coherentAreaList;
16 countSunPixels := number of pixels in potentialSun;
17 // consider area as sun if it has min. 30 pixels
18 if countSunPixels > 30 then
19 if sun is round then
20 sunFound := true;
21 else if sun is at the picture border then
22 sunFound := true;
23 else if sun is not at picture border then
24 if sun is covered by a mountain then
25 sunFound := true;
26 end
27 end
28 write imageTempSunClass to new file;
29 return sunFound;
beru¨cksichtigt, die als ”sonnig” klassifiziert wurden. Wird
ein kleineres δ aus dem Intervall [
Die erste Eigenschaft scheint selbsterkla¨rend zu sein. Die Form einer unter idealen Wetterverha¨ltnissen aufgenommenen Sonne ist rund. Leider entspricht diese im u¨berwiegenden Teil der Aufnahmen keiner Kreisform. Auch abgesehen von den in der Datenbank vorliegenden Bildern, stellt die Aufnahme der Sonne eine schwierige Angelegenheit dar. Diese setzt eine besondere Ausstattung voraus. In den meisten Fa¨llen werden Bilder jedoch mit einfachen Mitteln erzeugt, sodass die Qualita¨t ha¨ufig nicht optimal ist. Selbst bei Bildern, in denen eine vollsta¨ndige kreisrunde Sonne abgebildet ist, ist die Helligkeit der Pixel in der Mitte stets ho¨her als am Rand. Es kann also nicht davon ausgegangen werden, dass alle Randpixel gleichermaßen in die Menge der hellen Pixel aufgenommen werden. Da die Form trotzdem analysiert werden soll, empfiehlt es sich, eine gewisse Varianz einzufu¨hren. So kann beispielsweise eine ovale Sonne als rund akzeptiert werden.
Der Untersuchungsansatz basiert auf der Annahme, dass der Abstand der a¨ußersten Punkte der Sonne zum Mittelpunkt in etwa gleich groß sein muss. Um dies zu pru¨fen, muss zu Beginn der Mittelpunkt der gro¨ßten zusammenha¨ngenden Fla¨che der hellen Pixel berechnet werden. Der Berechnung des Mittelpunktes liegt die Durchschnittsberechnung zugrunde. Hierbei werden die Koordinaten aller Punkte je Dimension aufsummiert und durch die Anzahl der betrachteten Punkte dividiert. Um die erste Distanz zu berechnen, muss zuerst die Entscheidung getroffen werden, welche Punkte verglichen werden sollen. Theoretisch ist es mo¨glich, jeden einzelnen Randpunkt der potenziellen Sonne zu betrachten. Dieser Ansatz ist zwar genau, jedoch sehr zeitintensiv. Eine Verbesserung der Idee liegt darin, Repra¨sentanten der Randpunkte zu bestimmen. Diese mu¨ssen alle im gleichen Abstand gewa¨hlt werden.
Anschließend wird der Abstand zwischen dem Mittelpunkt und einem Repra¨sentanten berechnet. Hierfu¨r dient das Ziffernblatt einer Uhr als anschauliches Beispiel. A¨ hnlich wie bei einer Uhr werden zwo¨lf Punkte mit der gleichen Winkelweite ausgewa¨hlt. Zu diesem Zweck wird die Menge aller hellen Pixelpunkte an ihrem Mittelpunkt gedreht. Der Rotationswinkel liegt stets bei 30◦, so dass nach 12 Umdrehungen wieder die Ausgangsmenge erreicht wird. Auf diese Weise entstehen die Sonnenprofile. Von jedem einzelnen Sonnenprofil kann nun der Abstand zwischen dem Mittelpunkt und dem a¨ußersten Punkt orthogonal zur x-Achse berechnet werden.
Die Rotationsmatrix hat dabei die folgende Form: newXValue = c.X +(p.X −c.X)∗cos(β)−(p.Y −c.Y )∗sin(β) newYValue = c.Y +(p.X −c.X)∗sin(β)+(p.Y −c.Y )∗cos(β) dabei ist p der Punkt, c das Zentrum und β der Drehwinkel
Anschließend werden alle Distanzen mit einander verglichen. Dabei darf die kleinste Distanz nicht mehr als um 20% von der gro¨ßten abweichen. Wird die zusammenha¨ngende Fla¨che als rund erkannt, ist davon auszugehen, dass es sich bei der Fla¨che um die Sonne handelt und sich die restliche Laufzeit ersparen. Ist die Fla¨che jedoch nicht rund, so kann dies daran liegen, dass die Sonne am Bildrand liegt und stellenweise nicht komplett ins Bild mit aufgenommen wurde. Um dies zu pru¨fen, mu¨ssen die Koordinaten der ¨außersten Punkte der analysierten Fla¨che betrachtet werden. Auch hier wird eine gewisse Abweichung in der Helligkeit akzeptiert. Es ist ein bekanntes Problem der Fotografie, dass die Scha¨rfe in den Bildern zum Rand hin etwas abschwa¨chen kann. Aus diesem Grund scheint auch ein Abschwa¨chen der Helligkeit plausibel zu sein. Bei der Untersuchung der Randpixel werden bis zu vier Pixel Abstand vom Rand toleriert. Liegt die Sonne nicht am Bildrand, so kann sich ihre Position am Bergrand befinden. In diesem Fall ist die Form der Sonne unberechenbar. Einerseits kann es sich um beliebig große Kreisteile handeln, andererseits auch um eine untergehende oder aufgehende Sonne handeln, die aufgrund der Sonnenstrahlen beliebige Formen annehmen kann. Da bereits davon auszugehen ist, dass die Fla¨che groß genug ist, reicht es auch hier, den Abstand zum Berg zu untersuchen. Diese Stelle ist besonders fehleranfa¨llig. Sobald die Abscha¨tzung des Berges von der tatsa¨chlichen Bergsilhouette abweicht, liegt die Sonne entweder zu weit oder aber gar nicht im Bereich des Himmels. Um diese mo¨glichen Abweichungen in die Berechnung mit einzubeziehen, wurde eine ho¨here Distanztoleranz angenommen. Um jedoch mo¨gliche ”false positives”, die aufgrund der ho¨heren Distanztoleranz entstehen, abzuschwa¨chen, sucht der Algorithmus nach gro¨ßeren Pixelfla¨chen. Entgegen der Untersuchung der Randposition ist es hier also nicht ausreichend, einen einzelnen Pixel zu finden, der nah genug ist.
Nachfolgend werden in einer abschließenden Betrachtung die wichtigsten Erkenntnisse zusammengefasst.
Bewo¨lkt Bewo¨lkt und sonnig Klarer Himmel k-NN Spektr. k-NN Text.u.Spekt.
0.752
Im Laufe der Arbeit wurden verschiedene Optionen der
Klassifizierung des Himmels erforscht. Dabei wurde eine
Methode zur effektiven Abscha¨tzung der Himmelsfla¨che
entwickelt. Es wurden verschiedene Klassifikatoren
implementiert und an unterschiedlichen Bildmerkmalen getestet.
Eine Klassifizierung des Himmels mittels k-NN- und
SVM-Klassifikatoren, anhand von CSIFT Deskriptoren, hat
moderate Ergebnisse gezeigt.(Siehe Tab.2) Dabei wurde
die Nachbarschaft im Bereich von [
Deutlich bessere Ergebnisse zeigten sich wa¨hrend der Klassifizierung an Spektral-Merkmalen, insbesondere unter Einbeziehung von Sonnen- und Wolken-Features. Die Erga¨nzung der Features durch Textur-Merkmale hat keine Verbesserung der Evaluationsergebnisse erzeugt. Unter den Klassifikatoren hat, der in dieser Arbeit zum ersten Mal vorgestellte FSC-Algorithmus, die ho¨chste Genauigkeit mit einem durchschnittlichen F1-Wert von 0.752 demonstriert. Einen tieferen Einblick zeigt die Tabelle 1.
Mit Hilfe des FSC-Klassifikators la¨sst sich der
Himmel in Bildern kategorisieren. Im na¨chsten Schritt kann
die Suche nach dem leistungssta¨rksten
Segmentierungsalgorithmus fu¨r jede Himmelsklasse in Abha¨ngigkeit von
den Bildeigenschaften erfolgen. Wu¨nschenswert bleibt eine
gro¨ßere Bildersammlung mit bereits vorliegenden
Segmentierungsmasken. Bisher bleibt [