3D Invarianten für die automatische Pollenerkennung

Fast 10% der Bevölkerung leiden unter einer Pollenallergie. Für präzise Pollenflugvorhersagen werden Messwerte von der aktuellen Pollenkonzentration in der Luft benötigt, die zur Zeit auf einer manuellen Auszählung der verschiedenen Pollenarten in Luftstaubproben unter dem Mikroskop basieren. Wegen der großen Anzahl verschiedener Pollenarten, der großen Varianzen innerhalb einer Art und den teilweise nur subtilen Unterschieden zwischen den verschiedenen Arten, die erst bei der genaueren Analyse der 3D Morphologie erkennbar sind, gehört die Automatisierung der Pollenerkennung nach wie vor zu den großen Herausforderungen in der Mustererkennung.

Am Lehrstuhl für Mustererkennung und Bildverarbeitung der Universität Freiburg werden seit vielen Jahren Verfahren zur Berechnung von Invarianten durch Integration über die Transformationsgruppe erforscht.

Nach einer kurzen Einführung zu den Integral-Invarianten wird in dem Vortrag vorgestellt, wie durch die Erweiterung dieses Frameworks Invarianten extrahiert werden können, die die Strukturen in 3D Volumendatensätzen nicht nur rotations- und translations-invariant beschreiben, sondern auch eine sehr hohe Robustheit gegenüber Deformationen und nichtlinearen Grauwert-Transformationen aufweisen, und trotzdem noch in der Lage sind, die feinen subtilen Unterschiede zwischen den verschiedenen Pollen-Arten aufzulösen. Auf einem Datensatz mit 389 konfokal-mikroskopisch aufgenommenen Pollen aus 26 Arten wurde damit eine Erkennungsrate von 99,2% erreicht. Auf echten Luftstaubproben mit ca. 180.000 Partikeln (davon ca. 22.700 Pollen aus 33 Arten) von dem ersten Prototyp eines vollautomatischen Pollenmonitors konnte für die Pollen eine mittlere Precision von 96,7% bei einem Recall von 84,3% erreicht werden.