Die konventionelle Bildverarbeitung befasst sich fast ausschlie?lich mit ein- (Grauwerte) oder dreikan?ligen (RGB) Daten. In verschiedenen Technologiefeldern von zerst?rungsfreien Prüfverfahren über moderne Kommunikations- oder Kameratechnik bis hin zu neuen bildgebenden Technologien der Pharma-, Gesundheits- oder Ern?hrungsindustrie haben sich die Anforderungen in den letzten Jahren jedoch grundlegend ge?ndert, und die Ger?te und Anlagen der n?chsten Generation erfordern die Analyse von Datens?tzen mit einer Vielzahl von Farb- oder Spektralkan?len. Die Anzahl der Kan?le kann dabei 澳门皇冠_皇冠足球比分-劲爆体育ere hundert oder sogar 澳门皇冠_皇冠足球比分-劲爆体育ere hunderttausend erreichen, d.h. hyperspektrale Bildgebung erzeugt einen Datenwürfel mit zwei Raum- und einer mindestens gleichwertigen Spektralkoordinate.
In der bildgebenden Massenspektrometrie werden beispielsweise auf einer biologischen Probe an den ?Pixeln“ des Bildes Spektralanalysen zur chemischen Zusammensetzung der Probe durchgeführt. Wird bei der zugrunde liegenden Probe eine Messaufl?sung von 100 x 200 Pixeln eingestellt, sind also – vereinfacht gesprochen – 20.000 einzelne Spektren aufzunehmen. Für jeden dieser Pixel liegen dann 10.000 bis 25.000 Messwerte vor, die jeweils die chemische Zusammensetzung des Pixels beschreiben. Bezieht man den ?rtlichen Zusammenhang mit ein, dann k?nnen die Daten der bildgebenden Massenspektrometrie als hyperspektrale Bilddaten interpretiert werden, die in zehntausenden Bildkan?len die Informationen zur chemischen Zusammensetzung der gemessenen Probe enthalten.
Die aktuellen Herausforderungen des Hyperspectral Imaging unterscheiden sich grunds?tzlich von denen der klassischen Bildgebung sowie Bildverarbeitung und sind ohne Berücksichtigung des technischen Prozesses der Datenerfassung sowie der anwendungsbezogenen konkreten Fragestellung nicht l?sbar. Das entscheidende Problem ist hierbei die Extraktion, Aufbereitung und Darstellung der relevanten Informationen (u.a. Segmentierung, Klassifikation, Quantifizierung) aus den vorliegenden Daten. Bei der Umsetzung dieser Verfahren mit immer h?herdimensionalen Daten für zeitkritische oder echtzeitf?hige Anwendungen kommt zudem Fragen der Approximation und Effizienz der Algorithmen eine entscheidende Bedeutung zu. Die Komplexit?t der Daten erfordert hierbei in 澳门皇冠_皇冠足球比分-劲爆体育facher Hinsicht neue Konzepte. Die konventionellen, Pixel-orientierten Verfahren sind in diesem Bereich ausgesch?pft und bei realen Datenvolumina ineffizient. Von zentraler Bedeutung sind Ans?tze, die strukturelle Informationen in allen Koordinaten zusammenfassen und unterschiedliche Rauschmodelle für Datenfehler in Orts-, beziehungsweise Spektralkoordinaten, berücksichtigen.
In HYPERMATH wurden zentrale Fragen des Hyperspectral Imaging behandelt und damit wichtige Beitr?ge für einen technologischen Durchbruch geleistet. Es wurden daten-adaptierte und anwendungsspezifische Ansatzfunktionen für eine effiziente Datenauswertung und Approximationen (Sparsity-Konzepte, Dictionary Learning) bestimmt. Zudem wurden inh?rente Lokalisierungsprobleme der zugrunde liegenden Messverfahren (Peak-Shifts) mathematisch erfasst und analysiert. Die darauf aufbauenden Verfahren berücksichtigen Multi-Skalen-Strukturen, um Datens?tze mit einer Billion und 澳门皇冠_皇冠足球比分-劲爆体育 Werten effizient bearbeiten zu k?nnen.
