Rauschreduktion durch den Einsatz von maschinellem Lernen in der Bildverarbeitung

Neben der klassischen Anwendung zur Klassifikation und Objekterkennung kann maschinelles Lernen in der Bildverarbeitung auch als Vorverarbeitungsschritt zur Rauschreduktion genutzt werden. Für bildbasierte Geometrieerfassungen ist die Genauigkeit der meist notwendigen Kantendetektion oft durch Photonen- und Kamerarauschen sowie die Diskretisierung limitiert. Dabei ergibt sich immer ein Trade-off von lateraler Auflösung und Genauigkeit der Kantenpositionsbestimmung. Ziel der Rauschreduktion ist somit meist die Verringerung des Rauschens bei guter Erhaltung der lateralen Auflösung. Für kohärente Beleuchtungen, die für spezielle Messverfahren, aber teilweise auch in der konventionellen Bildverarbeitung verwendet werden, müssen Speckles in Betracht gezogen werden. Mit einem speziellen neuronalen Netz konnten wir gegenüber konventionellen Ansätzen eine Verbesserung der Kantendetektionsgenauigkeit um bis zu 50% erzielen. Im Rahmen des Vortrags wird auf die Methodik und auf die Form des neuronalen Netzes eingegangen. Experimentelle und simulative Ergebnisse für die 2D-Bildverarbeitung von metallischen Bauteilen werden vorgestellt und die Ergebnisse mit konventionellen Filtern verglichen.