Home NewsletterKontakt ServicePortal
ENDE

Was ist Bildsegmentierung?

erstellt von Anton Du Plessis, Ph. D.

Bildsegmentierung ist der Prozess der Zuweisung von Labels zu Voxeln in einem 3D-Bild, sodass verschiedene Materialien, Phasen oder strukturelle Merkmale voneinander unterschieden werden können. Jedes 3D-Pixel oder Voxel wird einer bestimmten Klasse zugeordnet, z. B. festes Material, Porenraum, Faser, Partikel oder Defekt.

Einfach ausgedrückt beantwortet die Segmentierung die Frage:

Was befindet sich im Bild?

Während die Bildverarbeitung die rohen 3D-Scandaten aufbereitet und bereinigt, fügt die Segmentierung dem Bild eine semantische Bedeutung hinzu. Erst nach der Segmentierung eignet sich ein 3D-Datensatz für quantitative Auswertungen, wie z. B. die Messung der Porosität, der Partikelgrößenverteilung, der Konnektivität oder der Transporteigenschaften.

Warum Segmentierung so wichtig ist

Die Genauigkeit der Segmentierung bestimmt direkt die Messgenauigkeit. Alle aus einem 3D-Bild extrahierten numerischen Ergebnisse (z. B. Volumen, Oberflächen, Abstände oder Simulationsergebnisse) basieren auf der segmentierten Darstellung des Materials.

Selbst kleine Segmentierungsfehler können zu folgenden Problemen führen:

  • Falsche Phasenanteilsmessungen
  • Verzerrte geometrische Merkmale und quantitative Auswertungen
  • Fehlinterpretierte Konnektivitätsanalysen oder
  • Unzuverlässige Simulationsergebnisse

Da die Segmentierung definiert, welche Voxel zu welcher Phase gehören, stellt sie den wichtigsten Schritt für die Erzielung genauer und reproduzierbarer quantitativer Ergebnisse dar. Hier auftretende Fehler können später nicht durch Nachbearbeitung oder Simulation korrigiert werden.

Gängige Segmentierungsmethoden einfach erklärt

Es gibt keine einheitliche Segmentierungsmethode, die für alle Materialien und Datensätze gleichermaßen geeignet ist. Je nach Bildqualität, Materialsystem und Analyseziel eignen sich unterschiedliche Ansätze. In der Praxis werden bei Segmentierungs-Workflows häufig mehrere Methoden kombiniert. Einige allgemeine Konzepte, die sich bewährt haben, sind die folgenden:

  • Globale Methoden auf Basis von Schwellwerten sind oft ein gutes und schnelles erstes Verfahren.
  • Die Überprüfung der Segmentierung in Bezug auf zugrunde liegende Grauwertbilder in 2D.
  • Zur Bereinigung von Segmentierungen werden häufig morphologische Filter eingesetzt.

Manuelle Segmentierung

Bei der manuellen Segmentierung werden Voxel-Labels direkt durch Benutzerinteraktion zugewiesen. Dies geschieht in der Regel durch Malen oder Korrigieren von Bereichen Schicht für Schicht.

Vorteile

  • Hohe Kontrollierbarkeit
  • Nützlich für komplexe oder schwer zu definierende Bereiche

Einschränkungen

  • Zeitaufwendig
  • Begrenzte Reproduzierbarkeit
  • Für große Datensätze nicht durchführbar

Die manuelle Segmentierung wird hauptsächlich für kleine Bereiche oder zur Verfeinerung/Korrektur globaler Schwellenwertsegmentierungen verwendet.

Beispiel für die manuelle Korrektur der Segmentierung mit einem Pinselwerkzeug. (a) Original-Graustufenbild der Partikel, (b) Segmentierungsergebnis mit Schwellenwert, das die meisten Partikel erfasst, jedoch bleibt ein hohles Partikel übrig, das gefüllt werden sollte, (c) Manuelles Pinselwerkzeug für einen kugelförmigen Pinsel mit einer Breite von 15 Voxeln zur Korrektur der Segmentierung, (d) endgültiges korrigiertes Segmentierungsergebnis.
Abb. 1 Beispiel für die manuelle Korrektur der Segmentierung mit einem Pinselwerkzeug. (a) Original-Graustufenbild der Partikel, (b) Segmentierungsergebnis mit Schwellenwert, das die meisten Partikel erfasst, jedoch bleibt ein hohles Partikel übrig, das gefüllt werden sollte, (c) Manuelles Pinselwerkzeug für einen kugelförmigen Pinsel mit einer Breite von 15 Voxeln zur Korrektur der Segmentierung, (d) endgültiges korrigiertes Segmentierungsergebnis.

Schwellenwertbasierte Segmentierung

Die schwellenwertbasierte Segmentierung klassifiziert Voxel anhand ihrer Grauwerte. Ein Schwellenwert trennt Voxel entsprechend ihrer Intensitätsbereiche in verschiedene Phasen.

Dieser Ansatz wird häufig anhand eines Grauwert-Histogramms erklärt, in dem die Spitzen verschiedenen Materialien entsprechen. Voxel werden durch Auswahl von Bereichen innerhalb dieses Histogramms den Phasen zugeordnet.

Vorteile

  • Einfach und schnell
  • Effektiv bei kontrastreichen Bildern
  • Kann mit Algorithmen wie der Otsu-Methode automatisiert werden.

Einschränkungen

  • Empfindlich gegenüber Rauschen
  • Schwierig bei überlappenden Grauwertbereichen

Die Schwellenwertsegmentierung wird häufig verwendet, wenn die Phasen im Bild klar unterscheidbar sind.

Schwellenwertbasierte Segmentierung, demonstriert anhand einer Verbundprobe, die Fasern enthält. In (a) ist das Graustufenbild zu sehen, in dem die Fasern weiß dargestellt sind, in (b) das Ergebnis der Schwellenwertsegmentierung unter Verwendung des automatisierten Otsu-Schwellenwerts, in (c) die Visualisierung des Datensatzes in 3D einschließlich Hintergrund und in (d) die Visualisierung des Ergebnisses der Fasersegmentierung in 3D ohne Hintergrund.
Abb. 2 Schwellenwertbasierte Segmentierung, demonstriert anhand einer Verbundprobe, die Fasern enthält. In (a) ist das Graustufenbild zu sehen, in dem die Fasern weiß dargestellt sind, in (b) das Ergebnis der Schwellenwertsegmentierung unter Verwendung des automatisierten Otsu-Schwellenwerts, in (c) die Visualisierung des Datensatzes in 3D einschließlich Hintergrund und in (d) die Visualisierung des Ergebnisses der Fasersegmentierung in 3D ohne Hintergrund.

Konnektivitätsbasierte Segmentierung

Die konnektivitätsbasierte Segmentierung nutzt die räumliche Beziehung zwischen Voxeln. Voxel werden gruppiert, wenn sie Nachbarn sind und ähnliche Eigenschaften aufweisen. Mit Nachbarn ist hier hauptsächlich die Konnektivität in 3D gemeint.

Eine einfache Analogie ist das Ausfüllen verbundener Bereiche mit Farbe: Sobald ein Start-Voxel ausgewählt ist, werden alle benachbarten Voxel, die bestimmte Kriterien erfüllen, einbezogen.

Vorteile

  • Erfasst verbundene Strukturen
  • Nützlich für Poren, Risse, Tunnel, Kanäle oder Netzwerke/verzweigte Strukturen

Einschränkungen

  • Empfindlich gegenüber Rauschen und Unterbrechungen
  • Erfordert oft eine Vorfilterung

Diese Methode eignet sich besonders für die Analyse verbundener Phasen oder für die Segmentierung eines Teils eines Bildes, um dessen 3D-Ausdehnung zu überprüfen.

Beispiel für eine konnektivitätsbasierte Segmentierung anhand einer porösen Gesteinsprobe. Ein einzelner Voxel im hochgradig vernetzten Porenraum wurde ausgewählt und „flutgefüllt“, um den gesamten vernetzten Porenraum der blauen Phase zuzuordnen, die oft als „offene Porosität“ bezeichnet wird. Der verbleibende Porenraum, der nicht damit verbunden ist, wird rot markiert und ist „geschlossene“ Porosität. (a) Original-Graustufenbild, (b) Ergebnis der Mehrphasensegmentierung in 2D, (c) Ergebnis der Mehrphasensegmentierung in 3D.
Abb. 3 Beispiel für eine konnektivitätsbasierte Segmentierung anhand einer porösen Gesteinsprobe. Ein einzelner Voxel im hochgradig vernetzten Porenraum wurde ausgewählt und „flutgefüllt“, um den gesamten vernetzten Porenraum der blauen Phase zuzuordnen, die oft als „offene Porosität“ bezeichnet wird. Der verbleibende Porenraum, der nicht damit verbunden ist, wird rot markiert und ist „geschlossene“ Porosität. (a) Original-Graustufenbild, (b) Ergebnis der Mehrphasensegmentierung in 2D, (c) Ergebnis der Mehrphasensegmentierung in 3D.

Morphologische Operationen

Die morphologische Segmentierung wendet Operationen wie Erosion und Dilatation an, um segmentierte Strukturen zu verfeinern.

Intuitiv:

  • Erosion „erosiert“ die Grenze eines vorhandenen segmentierten Merkmals und verkleinert so den segmentierten Bereich.
  • Dilatation „dilatiert“ einen vorhandenen segmentierten Bereich, erweitert ihn und vergrößert ihn.
  • Kombinationen aus Erosion und Dilatation können verwendet werden, um vorhandene Grenzen beizubehalten und gleichzeitig kleine isolierte Merkmale zu entfernen (Öffnen) oder Lücken oder Löcher zu füllen und Grenzen zu glätten (Schließen).

Vorteile

  • Verbessert die Formkonsistenz
  • Schnell und praktisch
  • Nützlich für die Bereinigung nach der ersten Segmentierung.

Einschränkungen

  • Kann bei übermäßiger Anwendung geometrische Details verändern.

Morphologische Methoden werden in der Regel als unterstützende Schritte und nicht als eigenständige Lösungen eingesetzt. Verwandte Schritte sind das Öffnen und Schließen, bei denen es sich um Kombinationen aus Erosion und Dilatation handelt.

Beispiel für morphologische Operationen zur Verbesserung der Segmentierung bei einem Scan von Fasern. In (a) zeigt das ursprüngliche Graustufenbild, dass die Fasern in ihrer Mitte eine geringere Helligkeit aufweisen, (b) zeigt die Schwellenwertsegmentierung mit unzureichender Kennzeichnung in der Mitte der Fasern, (c) zeigt eine auf die Segmentierung angewendete Dilatationsfunktion, um die Mitten auszufüllen, und (d) eine Erosionsfunktion, um die ursprünglichen Fasergrenzen auf der Segmentierung wiederherzustellen. In (e) wird das Endergebnis in 3D mit gefüllten Fasern gezeigt.
Abb. 4 Beispiel für morphologische Operationen zur Verbesserung der Segmentierung bei einem Scan von Fasern. In (a) zeigt das ursprüngliche Graustufenbild, dass die Fasern in ihrer Mitte eine geringere Helligkeit aufweisen, (b) zeigt die Schwellenwertsegmentierung mit unzureichender Kennzeichnung in der Mitte der Fasern, (c) zeigt eine auf die Segmentierung angewendete Dilatationsfunktion, um die Mitten auszufüllen, und (d) eine Erosionsfunktion, um die ursprünglichen Fasergrenzen auf der Segmentierung wiederherzustellen. In (e) wird das Endergebnis in 3D mit gefüllten Fasern gezeigt.

Funktionsbasierte Segmentierung

Die funktionsbasierte Segmentierung stützt sich eher auf lokale geometrische oder strukturelle Merkmale als allein auf Grauwerte. Beispiele hierfür sind Orientierung, Form oder lokale Nachbarschaftsstatistiken.

Dieser Ansatz eignet sich besonders für:

  • Faserige Materialien
  • Granulare Strukturen
  • Poröse Medien mit komplexer Geometrie

Vorteile

  • Erfasst strukturelle Informationen
  • Effektiv für heterogene Materialien

Einschränkungen

  • Komplexere Parametrisierung
  • Höherer Rechenaufwand

Feature-basierte Methoden sind unerlässlich, wenn Intensitätsinformationen allein nicht ausreichen.

KI-basierte Segmentierung

Die KI-basierte Segmentierung verwendet trainierte Modelle, um Voxel anhand zuvor gelernter Muster (die in trainierten Modellen kodiert sind) zu klassifizieren. Diese Methoden sind besonders effektiv bei kontrastarmen Bildern, komplexen Mikrostrukturen und allen Bilddaten, bei denen die herkömmliche Segmentierung versagt, z. B. aufgrund von Artefakten.

Vorteile

  • Behandelt subtile Unterschiede
  • Reduziert manuelle Eingriffe

Einschränkungen

  • Erfordert Trainingsdaten
  • Die Qualität des Modells hängt von der Repräsentativität ab
  • Kann zeitaufwändig sein

KI-basierte Ansätze werden zunehmend eingesetzt, wenn herkömmliche Methoden an ihre Grenzen stoßen.

Ein Beispiel für das Training eines KI-Segmentierungsmodells. Auf der linken Seite sind einige Labels für drei Phasen angegeben – das KI-Modell nutzt diese zum Training, und die Vorschau auf der rechten Seite zeigt das Ergebnis mit diesen begrenzten Trainingseingaben. Dies ist besonders nützlich bei Bildrauschen oder Artefakten.
Abb. 5 Ein Beispiel für das Training eines KI-Segmentierungsmodells. Auf der linken Seite sind einige Labels für drei Phasen angegeben – das KI-Modell nutzt diese zum Training, und die Vorschau auf der rechten Seite zeigt das Ergebnis mit diesen begrenzten Trainingseingaben. Dies ist besonders nützlich bei Bildrauschen oder Artefakten.

Wie man die richtige Segmentierungsmethode auswählt

Die Auswahl einer geeigneten Segmentierungsstrategie hängt von mehreren Faktoren ab:

  • Bildqualität
    Rauschpegel, Kontrast und Auflösung haben einen starken Einfluss auf die Eignung der Methode.
  • Anzahl der Phasen
    Mehr Phasen erhöhen die Komplexität und erfordern oft kombinierte Ansätze.
  • Erforderliche Genauigkeit
    Hochpräzise Messungen erfordern eine robustere und sorgfältig validierte Segmentierung.
  • Zeit vs. Automatisierung
    Manuelle Methoden bieten Kontrolle, sind jedoch langsam, während automatisierte Methoden besser skalierbar sind, jedoch eine sorgfältige Ersteinrichtung und Tests erfordern.

In der Praxis ist die Segmentierung oft ein iterativer Prozess, bei dem mehrere Methoden und Validierungsschritte kombiniert werden.

Wie GeoDict bei der 3D-Segmentierung hilft

GeoDict bietet einen umfassenden Satz von 3D-Segmentierungswerkzeugen, die auf Materialdatensätze zugeschnitten sind. Diese Werkzeuge unterstützen sowohl manuelle als auch automatisierte Arbeitsabläufe, sodass Benutzer ihren Ansatz an das jeweilige Material und die Bildqualität anpassen können.

Zu den wichtigsten Funktionen gehören:

  • Schwellenwertbasierte und merkmalsbasierte Segmentierungsmethoden
  • Konnektivitäts- und morphologische Operationen zur Verfeinerung
  • Interaktive Tools für manuelle Korrekturen und Validierungen
  • Schnelle KI-basierte Segmentierungstools
  • Die fortschrittlichsten Deep-Learning-Unet-Optionen, die vollständige 3D-Informationen nutzen
  • Spezielle KI-Segmentierungsmodule für Fasern und Körner

Durch die Kombination einer Vielzahl von Segmentierungswerkzeugen mit interaktivem Benutzer-Feedback unterstützt GeoDict zuverlässige und reproduzierbare Segmentierungs-Workflows für eine Vielzahl von Materialsystemen. Dieser Schritt wird vollständig in einem speziellen Dialogfeld „Segmentierung und Beschriftung” durchgeführt, das Teil des Bildverarbeitungs-Workflows ist, den Benutzer anleitet und alle verfügbaren Optionen für eine sorgfältige Segmentierung bereitstellt. Dies ist Teil des Moduls ImportGeo-Vol von GeoDict. Darüber hinaus finden sich integrierte KI-basierte Segmentierungen in den Modulen GrainFind und FiberFind.

Probelizenz für GeoDict

Math2Market bietet eine kostenlose Probelizenz an, mit der Sie die Funktionen der Software testen und ihren Arbeitsablauf aus erster Hand erleben können.
Um Ihre Probelizenz anzufordern oder mehr über die Funktionen von GeoDict zu erfahren, besuchen Sie die Seite 

GeoDict-Probelizenz

Fazit: Gute Segmentierung = gute technische Werte

Die Bildsegmentierung wandelt Bilder in messbare Materialdarstellungen um. Sie bildet die Grundlage für jedes quantitative Ergebnis, das aus 3D-Bilddaten abgeleitet wird.

Eine genaue Segmentierung führt zu zuverlässigen Zahlen.

Eine schlechte Segmentierung führt zu irreführenden Schlussfolgerungen.

Für technische Entscheidungen auf der Grundlage von 3D-Bilddaten ist eine gute Segmentierung nicht optional, sondern unverzichtbar.

Autoren des Artikels

Anton Du Plessis, Ph.D.

ist Director of Business Development, EMEA bei Math2Market.