TY - CHAP A1 - Palm, Christoph A1 - Metzler, V. A1 - Moham, B. A1 - Dieker, O. A1 - Lehmann, Thomas M. A1 - Spitzer, Klaus ED - Evers, H. ED - Glombitza, G. ED - Lehmann, Thomas M. ED - Meinzer, H.-P. T1 - Co-Occurrence Matrizen zur Texturklassifikation in Vektorbildern T2 - Bildverarbeitung für die Medizin N2 - Statistische Eigenschaften natürlicher Grauwerttexturen werden mit Co-Occurrence Matrizen, basierend auf der Grauwertstatistik zweiter Ordnung, modelliert. Die Matrix gibt dann die apriori Wahrscheinlichkeiten aller Grauwertpaare an. Da in der medizinischen Bildverarbeitung verstärkt Multispektralbilder ausgewertet werden, wird das bekannte Konzept hier auf beliebige Vektorbilder erweitert. Dadurch kann bei der Texturklassifikation die zur Verfügung stehende Information vollständig genutzt werden. Insbesondere zur Detektion von Farbtexturen ist dieser Ansatz geeignet, da Wertepaare unterschiedlicher Spektralebenen ausgewertet werden können. Ebenso kann die Methode auch bei der Multiskalendekomposition von Intensitätsbildern zur Verbesserung der Texturerkennung beitragen. Die in den Matrizen entstehenden Muster lassen dann über die Extraktion geeigneter Texturdeskriptoren Rückschlüsse auf die Texturen des Bildes zu. KW - Texturerkennung KW - Vektorbilder KW - Multispektralbilder KW - Multiskalenbilder KW - Klassifikation Y1 - 1999 U6 - https://doi.org/10.1007/978-3-642-60125-5_69 SP - 367 EP - 371 PB - Springer CY - Berlin ER - TY - CHAP A1 - Metzler, V. A1 - Aach, T. A1 - Palm, Christoph A1 - Lehmann, Thomas M. T1 - Texture Classification of Graylevel Images by Multiscale Cross-Co-Occurrence Matrices T2 - Proceedings 15th International Conference on Pattern Recognition (ICPR-2000) N2 - Local gray level dependencies of natural images can be modelled by means of co-occurrence matrices containing joint probabilities of gray-level pairs. Texture, however, is a resolution-dependent phenomenon and hence, classification depends on the chosen scale. Since there is no optimal scale for all textures we employ a multiscale approach that acquires textural features at several scales. Thus linear and nonlinear scale-spaces are analyzed by multiscale co-occurrence matrices that describe the statistical behavior of a texture in scale-space. Classification is then performed on the basis of texture features taken from the individual scale with the highest discriminatory power. By considering cross-scale occurrences of gray level pairs, the impact of filters on the feature is described and used for classification of natural textures. This novel method was found to improve classification rates of the common co-occurrence matrix approach on standard textures significantly. Y1 - 2000 U6 - https://doi.org/10.1109/ICPR.2000.906133 SP - 549 EP - 552 ER -