Farbraum

Beim Training der Segmentierung spielt der Farbraum eine Rolle. Während ein mitgeliefertes Werkzeug den RGB-Farbraum verwendet und alle im Bild vorhandenen Daten zum Finden einer geeigneten Segmentierung heranzieht, verwendet ein zweites Tool nur einen 2-dimensionalen Farbraum. Die beiden Komponenten des Farbtupels $(u',v')$ kodieren dabei nur die intensitätsunabhängige Farbinformation und stellen eine Vereinfachung der zweiten und dritten Komponente eines Farbtupels im HUV-Raum dar [17]:

$$u := (r-b)+256$$

$$v := \frac{(2g-r-b)}{2}+256$$

$$u,v \in [0,512[ \textrm{ wenn } r,g,b \in [0,256[$$ (25)

Die Verwendung dieses Farbraumes hat gegenüber dem RGB-Raum einige Vorteile:

1. Aufgrund der niedrigeren Dimension der Trainingspattern sind die Trainingsalgorithmen in der Regel schneller.
2. Die Anzahl der Trainingsbeispiele wird verringert, da mehrere RGB-Farbwerte wegen der niedrigeren Dimension auf den gleichen UV-Wert abgebildet werden.
3. Da die Intensität bei der Klassifizierung nicht berücksichtigt wird, wird eine bessere Generalisierung bezüglich der Farbe (und nicht nach der Intensität) erreicht. Im RGB Farbraum eingesammelte Beispiele zeigen meist eine Farbe bei einer bestimmten Intensität. Da die Farbe nicht unter allen möglichen Intensitäten gezeigt wurde, werden die nicht gezeigten Intensitätsstufen der gleichen Farbe oft falsch klassifiziert. Da alle Intensitätstufen einer Farbe vom RGB-Raum auf das gleiche UV-Tupel abgebildet werden, existiert dieses Problem im UV-Raum nicht.

Allerdings kann dieser Farbraum nur angewendet werden, wenn die Intensität wirklich keine Rolle spielt -- Schwarz und Weiß sind in ihm z.B. nicht unterscheidbar!

Wenn der Benutzer alle Farben ``gezeigt'' hat, stehen nun die benötigten Trainingsbeispiele zum Trianing bereit. Nachdem eine Klassifizierung trainiert wurde, wird die Lookup-Tabelle gefüllt. Hierzu wird jeder einzelne RGB Farbwert von der trainierten Klassifizierung klassifiziert und der Wert eingetragen.