Titel

Verfahren und Vorrichtung zur Analyse eines Bildes

Stand der Technik

Die Erfindungsmeldung betrifft ein Verfahren und eine Vorrichtung zur Analyse eines Bildes.

WO 2015175736 A1 offenbart ein Verfahren zur Analyse eines Bildes. Hierbei werden in dem Bild Merkmale erkannt und den Merkmalen automatisch

Schlagworte zugeordnet.

DE 102012109096 A1 offenbart ein Verfahren zur sequenziellen Bereitstellung von personalisierte Informationen repräsentierenden Daten, insbesondere in Form von Videos.

Demgegenüber ist es wünschenswert, die Analyse eines Bildes zu verbessern. Offenbarung der Erfindung

Dies wird durch das Verfahren und die Vorrichtung nach den unabhängigen Ansprüchen erreicht.

Das Verfahren zur Analyse eines Bildes sieht folgende Schritte vor: Bereitstellen eines Bildes auf einem Nutzerrechner; Aufteilen des bereitgestellten Bildes in mindestens zwei Teilbilder auf dem Nutzerrechner; Übertragen der Teilbilder von dem Nutzerrechner an mindestens einen Analyserechner, um mittels des Analyserechners ein Analyseergebnis der zu analysierenden Teilbilder zu ermitteln; und Empfangen des Analyseergebnisses des Analyserechners mittels des Nutzerrechners. Das Bild selbst ist auf dem Analyserechner damit nicht unmittelbar analysierbar.

Unter einem Rechner kann ein lokaler oder ein entfernter Rechner verstanden werden. Der lokale Rechner kann ein Computer, ein Notebook, ein Smartphone oder ein alternatives Wearable mit Bildverarbeitungsmittel sein. Der entfernte Rechner kann bspw. eine Cloud oder ein Server sein. Bevorzugt ist der

Nutzerrechner ein lokaler Rechner und der Analyserechner ein entfernter Rechner.

Unter einem Teilbild kann ein Teil eines Bildes, insbesondere ein

zusammenhängender Teil eines Bildes verstanden werden. Denkbar ist, dass das Bild durch gleichmäßige oder ungleichmäßige Teilung in Teilbilder geteilt bzw. zerschnitten wird. Das Aufteilen des Bildes erfolgt bevorzugt in mindestens zwei Teilbilder, die keinen Überlappungsbereich aufweisen. Denkbar ist, dass das Bild horizontal oder vertikal oder diagonal in zwei Teilbilder halbiert wird. Alternativ, kann das Bild in 4, 9, 16, 25, 36, ... gleiche große Teilbilder geteilt bzw. gerastert werden. Denkbar ist auch, dass das Bild in ein oder mehrere äußere Randbereiche des Bildes und in ein oder mehrere innenliegende Innenbereiche des Bildes geteilt wird, um die Teilbilder zu erzeugen.

Vorteilhafterweise ist ein Schritt des Analysierens der Teilbilder auf dem

Analyserechner vorgesehen, um das Analyseergebnis der zu analysierenden Teilbilder zu ermitteln. Dadurch können auch numerisch aufwändige

Bildanalyseverfahren zur Analyse der Teilbilder verwendet werden, die auf dem Nutzerrechner nicht effizient durchgeführt werden können.

Vorteilhafterweise ist ein Schritt des Übertragens des Analyseergebnisses von dem Analyserechner an den Nutzerrechner vorgesehen. Das Übertragen kann mittels einer drahtlosen oder einer drahtgebundenen Kommunikationsverbindung erfolgen. Beispielsweise erfolgt das Übertragen mittels Mobilfunk. Dadurch kann das Analyseergebnis für einen Nutzer des Nutzerrechners bereitgestellt werden.

Vorteilhafterweise ist vorgesehen, dass die Teilbilder auf dem Analyserechner mittels eines Verfahrens zur Bilderkennung analysiert werden, um das

Analyseergebnis zu ermitteln. Unter einem Verfahren zur Bilderkennung kann eine aus dem Stand der Technik bekannte Bilderkennungssoftware verstanden werden, die eingerichtet ist, ein Objekt in einem Bild zu erkennen und dem erkannten Objekt ein Schlüsselwort bzw. ein Schlagwort bzw. ein Stichwort zuzuordnen. Dies ermöglicht das Erkennen von Bildobjekten oder Teilen von Bildobjekten, die im Teilbild dargestellt sind.

Vorteilhafterweise ist vorgesehen, dass der Schritt des Analysierens der

Teilbilder einen Schritt des Erkennens von je mindestens einem Bildobjekt in dem jeweiligen Teilbild umfasst, um basierend auf den erkannten Bildobjekten das Analyseergebnis der Teilbilder zu ermitteln. Dies ermöglicht es, erkannte Bildobjekte aus Teilbildern im Analyseergebnis oder auf dem Nutzerrechner zu verknüpfen.

Vorteilhafterweise ist vorgesehen, dass der Schritt des Analysierens der

Teilbilder einen Schritt des Erzeugens mindestens je eines Schlüsselwortes für das in dem jeweiligen Teilbild erkannte Bildobjekt umfasst, um basierend auf den erzeugten Schlüsselworten das Analyseergebnis der Teilbilder zu ermitteln. Dadurch werden Schlüsselworte für eine Interpretation des Bildes bereitgestellt.

Vorteilhafterweise umfasst das Verfahren einen Schritt des Ermittelns eines Analysegesamtergebnisses des Bildes, insbesondere einer semantischen Beschreibung des Bildes, auf dem Nutzerrechner basierend auf dem

empfangenen Analyseergebnis der Teilbilder, insbesondere basierend auf den erzeugten Schlüsselworten der erkannten Bildobjekte. Die semantische

Beschreibung des Bildes kann zum Beispiel eine sprachliche Beschreibung des Bildes sein. Dies verbessert den Datenschutz bei der Verwendung kommerzieller Bildverarbeitungsdienstleister.

Vorteilhafterweise umfasst das Verfahren einen Schritt des Ermittelns je eines Gewichts der Teilbilder, um unter Verwendung der ermittelten Gewichte der Teilbilder das Analysegesamtergebnis des Bildes, insbesondere die semantische Beschreibung des Bildes, zu ermitteln. Unter einem Gewicht eines Teilbildes eines Bildes kann ein quantitatives Maß für eine Bedeutung bzw. Wichtigkeit eines Teilbildes relativ zu dem Bild bzw. weiteren Teilbildern des Bildes verstanden werden. Damit ist es möglich, nicht alle Bildobjekte für die

Beschreibung des Bildes zu verwenden. Vorteilhafterweise ist vorgesehen, dass beim Ermitteln des

Analysegesamtergebnisses des Bildes, insbesondere der semantischen

Beschreibung des Bildes, das empfangene Analyseergebnis nur für die Teilbilder berücksichtigt wird, deren ermitteltes Gewicht größer oder gleich einem vorgegebenen und/oder vorgebbaren Schwellenwert ist. Dies ermöglicht es Schlüsselworte für eine Interpretation des Bildes in wichtige und unwichtige zu unterteilen.

Vorteilhafterweise ist vorgesehen, dass die Gewichte der Teilbilder basierend auf einer Farbanalyse der einzelnen Teilbilder und/oder einer Farbanalyse des Bildes und/oder auf einer Position der Teilbilder in dem Bild ermittelt werden.

Alternativ oder zusätzlich können die Gewichte der Teilbilder auch auf

Flächeninhalten bzw. Größen der Teilbilder basieren. Die Farbanalyse verbessert das Analyseergebnis, da Zusammenhänge basierend auf derselben oder ähnlichen Farben erkennbar sind.

Vorteilhafterweise ist vorgesehen, dass die Teilbilder des Bildes in vorgegebenen und/oder vorgebbaren Zeitabständen an denselben Analyserechner oder an verschiedene Analyserechner übertragen werden. Dies verbessert den

Datenschutz, da Teilbilder nicht oder nicht zeitgleich beim gleichen

Analyserechner analysiert werden.

Eine Vorrichtung, die ausgebildet ist dieses Verfahren auszuführen, ein

Computerprogramm, umfassend Befehle, die bewirken, dass die Vorrichtung die Verfahrensschritte ausführt und ein Computerprogrammprodukt, das das

Computerprogramm umfasst, sind ebenfalls Gegenstand der Erfindung.

Weitere vorteilhafte Ausgestaltungen ergeben sich aus der folgenden

Beschreibung und der Zeichnung. In der Zeichnung zeigt

Fig. 1 schematisch ein erstes Bild,

Fig. 2 schematisch ein zweites Bild,

Fig. 3 schematisch Schritte in einem Verfahren zur Analyse eines Bildes. In Figur 1 ist schematisch ein zu analysierendes erstes Bild 100 dargestellt.

Das Bild 100 wird beispielsweise auf einem Nutzerrechner dargestellt, der ausgebildet ist das Bild 100 in Teilbilder aufzuteilen.

In Figur 1 ist ein Gitternetz mit Spalten A bis E und Zeilen 1 bis 3 dargestellt, in dem die resultierenden rechteckförmigen Teilbilder T als Gitterfelder A1 , A2, A3,

B 1 , B2, B3, C1 , C2, C3, D1 , D2, D3, E1 , E2, E3 identifiziert sind.

In Figur 1 ist ein Fahrzeug 101 in der Mitte des zu analysierenden ersten Bildes 100 dargestellt.

In Figur 2 ist schematisch ein zu analysierendes zweites Bild 200 dargestellt. Im zweiten Bild ist ein Tier 201 in einem ersten Bereich 202 dargestellt. Das Bild 200 ist im Beispiel nach dem goldenen Schnitt aufgeteilt, wobei der erste Bereich 202 ein Drittel der gesamten Breite des zweiten Bildes 200 einnimmt und ein zweiter Bereich 203 zwei Drittel der gesamten Breite des zweiten Bildes 200 einnimmt.

Außer der Aufteilung nach geometrischen Verhältnissen wie Breite oder Länge einer Bildseite, kann eine Aufteilung durch die Bildumstände erfolgen.

Beispielsweise können sich voneinander absetzende Farben verschiedener Bildobjekte oder Bildobjekte, die nicht zu anderen Bildobjekte im Bild passen oder sich massiv davon unterscheiden, für die Aufteilung eines Bildes in

Teilbilder verwendet werden. Dabei kann ein unterschiedlicher Fokus für die Aufteilung auch auf Grund von Alter, Kultur, Geschlecht und persönlichen Erfahrungen/Wissen gesetzt werden.

Der inhaltliche Fokus eines Bildes kann in unterschiedlichen Bereichen liegen und somit zu unterschiedlichen Aussagen über eine gesamte Szene oder unterschiedlichen Kontext für eine Interpretation einer gesamten Szene führen.

Allgemein kann ein Bild unterschiedlich Interpretiert werden, wenn der inhaltliche Fokus oder eine Hauptszene eines Bildes eindeutig verstanden und auch der Hintergrund oder die Umgebung richtig interpretiert wird, wie die folgenden Beispiele zeigen: Bsp. 1 : Bild mit weinendem Kind.

Das Kind kann vor Schmerz weinen. Dies wäre an einem Fahrrad erkennbar, das im selben Bild auf einer Straße im Hintergrund liegt. Im Gesamtkontext ist dann verständlich, dass das Kind von seinem Fahrrad gestürzt sein muss.

Alternativ kann das Kind vor Freude weinen. Dies wäre an einer Geburtstagstorte im Vordergrund des Bildes erkennbar. Im Gesamtkontext ist dann verständlich, dass das Kind von der Geburtstagstorte zu Tränen gerührt ist.

Bsp. 2: Bild eines Wohnzimmers.

Dieses Wohnzimmer enthält beispielsweise einen Fernseher, ein Sofa, einen Teppich, eine Katze, einen Kamin und ein Rotweinglas. Je nach Persönlichkeit oder Umständen sind für verschiedene Menschen verschiedene Bildobjekte in diesem Zimmer hervorzuheben und als die Hauptaussage im Bild zu

beschreiben.

Personen unterschiedlichen Geschlechtes und Alters sehen auf diesem Bild als erstes unterschiedliche Bildobjekte. Beispielsweise würde ein Kind als erstes bzw. hauptsächlich die Katze, eine Frau würde das Rotweinglas oder ein Mann den Fernseher sehen.

Das bedeutet, dass der inhaltliche Fokus desselben Bildes je nach Betrachter und Situation variabel sein kann.

Durch die separate Analyse von Teilbildern des Bildes statt einer

zusammenhängenden Analyse aller Bildobjekten im (Gesamt-) Bild sind

Zusammenhänge zwischen den einzelnen Bildobjekten nicht erkennbar. Dadurch ist eine zusammenhängende, einheitliche Aussage über die eigentliche Intention des Bildes nicht automatisiert möglich. Mit anderen Worten: Wird ein Objekt isoliert vom Rest des Bildes betrachtet und analysiert, besteht die Gefahr, dass die Intention des Gesamtbildes nicht erfasst wird und somit verloren geht. Daher wird eine Situationsanalyse in der automatischen Bilderkennung vorgeschlagen, durch die eine zuverlässigere Gesamtbildaussage erfolgt.

Im Folgenden wird ein Lösungsansatz beschrieben, der in der Lage ist, separat analysierten Bildobjekte eines Bildes so weitgehend zu analysieren, dass ein logischer Zusammenhang erkannt wird. Konkreter wird das fokussierte Objekt oder werden die fokussierten Bildobjekte des Bildes auf der Grundlage eines hierfür entwickelten Algorithmus herausgestellt.

In der folgenden Beschreibung werden Schlüsselworte für die Beschreibung von Teilbildern des Bildes und die Beschreibung des Bildes verwendet.

Beispielhaft liefert eine herkömmliche Bilderkennungssoftware als Ergebnis einer Erkennung des Bildes aus Figur 1 die folgende Beschreibung:

{ "tags": [ "palm", "outdoor", "truck", "road", "car", "front", "street", "green", "light", "parked", "decorated", "tree", "driving", "beach", "board", "yellow", "white", "blue", "standing", "traffic", "surfing", "red", "riding", "ocean" ], "captions":

[ { "text": "a truck is parked in front of a palm tree",

"confidence": 0.936380148 } ] }

Mit Tags werden die Schlüsselwörter bezeichnet. Eine beispielhafte Detaillierung der Beschreibung beinhaltet zudem einzelne Vertrauenswerte bzw.

Konfidenzwerte für bestimmte Tags:

[ { "name": "tree", "confidence": 0.999907732 }, { "name":

"palm", "confidence": 0.9944944 }, { "name": "sky",

"confidence": 0.988993347 }, { "name": "outdoor",

"confidence": 0.9762288 }, { "name": "truck", "confidence":

0.9679184 }, { "name": "road", "confidence": 0.966806054 }]

Diese Gesamtbildanalyse wird, wie im Folgenden anhand der Figur 1 und der Figur 3 beschrieben, weiter verbessert. Dasselbe Vorgehen kann auch auf das Bild aus Figur 2 angewendet werden. Eine Vorrichtung, insbesondere der Nutzerrechner 300, ist ausgebildet, ein bereitgestelltes Bild, im Beispiel das Bild aus Figur 1 , in mindestens zwei Teilbilder T aufzuteilen.

Der Nutzerrechner 300 ist ausgebildet, die Teilbilder T an mindestens einen Analyserechner 304, 306 insbesondere durch Befehle nach dem Hypertext Transfer Protokoll for secure communication (HTTPS) zu übertragen. Der Nutzerrechner 300 ist konfiguriert den Analyserechner 304, 306 im Internet zu lokalisieren und anzusteuern.

Der Nutzerrechner 300 ist ausgebildet, ein auf dem Analyserechner 304, 306 mittels Analysieren der Teilbilder T ermitteltes Analyseergebnis der Teilbilder T zu empfangen. Dazu werden beispielsweise HTTPS Antworten empfangen.

Der Nutzerrechner 300 ist ausgebildet ein Analysegesamtergebnis des Bildes, insbesondere eine semantische Beschreibung des Bildes, basierend auf dem empfangenen Analyseergebnis der Teilbilder T zu ermitteln.

Der Nutzerrechner 300 ist dazu beispielsweise ausgebildet, je ein Gewicht der Teilbilder T zu ermitteln, um unter Verwendung der ermittelten Gewichte der Teilbilder T das Analysegesamtergebnis des Bildes, insbesondere die semantische Beschreibung des Bildes, zu ermitteln. Vorzugsweise werden die Gewichte der Teilbilder T basierend auf einer Farbanalyse der einzelnen Teilbilder T und/oder einer Farbanalyse des Bildes und/oder auf einer Position der Teilbilder T in dem Bild ermittelt.

Ein Computerprogramm, umfassend Befehle, die bewirken, dass die Vorrichtung die im Folgenden beschriebenen Verfahrensschritte ausführt, ist ebenfalls vorgesehen. Vorzugsweise ist ein Computerprogrammprodukt, das das

Computerprogramm umfasst, vorgesehen.

In einem Schritt 301 erfolgt ein Bereitstellen eines Bildes, im Beispiel des Bildes 100 aus Figur 1 , auf dem Nutzerrechner 300. Das Bereitstellen eines Bildes 100 auf dem Nutzerrechner 300 umfasst auch die Möglichkeit, dass das Bild vom Nutzerrechner 300 selbst erzeugt wird, z.B. durch Aufnahme eines Bildes. In einem anschließenden Schritt 302 erfolgt auf dem Nutzerrechner 300 eine Bildaufteilung in mindestens zwei Teilbilder T. Im Beispiel werden dazu die Gitterfelder verwendet.

Die Anzahl und Größe der Gitterfelder ist dabei im Beispiel abhängig von der Pixelanzahl und dem Format (Hoch- oder Querformat) des Bildes 100. Je feiner ein Raster des Gitternetzes, desto mehr Details können später ermittelt werden. Vorteilhafterweise ist die Einteilung symmetrisch, ungerade und alle Gitterfelder sind gleich groß.

In einem anschließenden Schritt 303 wird ein erstes Teilbild A1 an einen ersten Analyserechner 304 gesendet.

In einem anschließenden vierten Schritt 305 wird ein zweites Teilbild A2 an einen zweiten Analyserechner 306 gesendet. Das zweite Teilbild A2 kann auch alternativ oder zusätzlich an den ersten Analyserechner 304 gesendet werden.

Allgemein erfolgt ein Übertragen der Teilbilder T von dem Nutzerrechner 300 an mindestens einen Analyserechner.

In einem anschließenden Schritt erfolgt ein Analysieren der Teilbilder T auf dem Analyserechner, um ein Analyseergebnis der zu analyiserenden Teilbilder T zu ermitteln.

Der erste Analyserechner 304 analysiert im Beispiel das erste Teilbild A1 in einem Schritt 307 durch eine erste Bilderkennungssoftware.

Der zweite Analyserechner 306 analysiert das zweite Teilbild A2 in dem Schritt 308 durch eine zweite Bilderkennungssoftware. Die zweite

Bilderkennungssoftware kann auch dieselbe sein, wie die erste

Bilderkennungssoftware.

In weiteren Schritten, die in Figur 3 nicht dargestellt sind, werden die übrigen Teilbilder ebenfalls an einen der beiden Analyserechner 304, 306 oder an andere entfernte Analyserechner zur Analyse gesendet. Teilbilder T, die an denselben Analyserechner gesendet werden, können alle oder teilweise in vorgebbaren Zeitabständen an denselben Analyserechner versendet werden. Teilbilder T desselben Bildes 100 können teilweise oder alle auch an verschiedene entfernte Analyserechner gesendet werden. Dadurch erhält derselbe Analyserechner nicht oder zumindest nicht zeitgleich das vollständige Bild.

Der erste Analyserechner 304 sendet ein erstes Ergebnis einer Analyse des ersten Teilbilds A1 in einem Schritt 309 an den Nutzerrechner 300.

Der zweite Analyserechner 306 sendet ein zweites Ergebnis einer Analyse des zweiten Teilbilds A2 in einem Schritt 310 an den Nutzerrechner 300.

Allgemein erfolgt ein Übertragen des Analyseergebnisses von dem

Analyserechner an den Nutzerrechner 300.

In weiteren Schritten, die in Figur 3 nicht dargestellt sind, werden die übrigen Ergebnisse der übrigen Analysen der übrigen Teilbilder an den Nutzerrechner 300 gesendet.

Die Teilbilder T werden beispielsweise jeweils einzeln an möglichst viele kommerzielle Recognition-Anbieter bzw. Analyserechner gesendet. Diese Analyserechner geben anschließend als Rückmeldung ihrer durchgeführten Teilbildanalyse an den Nutzerrechner zurück.

Vorzugweise werden die Teilbilder T des Bildes in vorgegebenen und/oder vorgebbaren Zeitabständen an denselben Analyserechner oder an verschiedene Analyserechner übertragen.

Allgemein werden die Teilbilder mittels eines Verfahrens zur Bilderkennung analysiert, um das jeweilige Analyseergebnis zu ermitteln. Das Format der Ergebnisse entspricht beispielsweise dem oben für die Gesamtbildanalyse angegebenen Format. Es können auch andere Formate verwendet werden.

Der Schritt des Analysierens der Teilbilder T umfasst vorzugsweise einen Schritt des Erkennens von je mindestens einem Bildobjekt in dem jeweiligen Teilbild T, um basierend auf den erkannten Bildobjekten das Analyseergebnis der Teilbilder T zu erzeugen. Der Schritt des Analysierens der Teilbilder T umfasst vorzugsweise einen Schritt des Erzeugens mindestens je eines Schlüsselwortes des in dem jeweiligen Teilbild T erkannten Bildobjektes, um basierend auf den erzeugen

Schlüsselworten das Analyseergebnis der Teilbilder T zu erzeugen.

Der Nutzerrechner 300 empfängt beispielsweise für jedes der versendeten Teilbilder T eine Teilbildanalyse, in der Schlüsselwörter enthalten sind, die den Bildobjekten zugeordnet sind, die durch die Teilbildanalyse im Teilbild erfasst wurden. Die Daten der Teilbildanalyse können auch umfangreicher sein und beispielsweise eine Position im Teilbild oder eine relative Position von

Bildobjekten zueinander darstellen.

Der Nutzerrechner 300 ist beispielsweise ausgebildet, die empfangenen

Teilbildanalysen zu speichern bis alle Teilbildanalysen vorliegen.

Der Nutzerrechner 300 ist ausgebildet, in einem Schritt 311 , vorzugsweise nach dem Erhalt aller Teilbildanalysen, Gewichte der entsprechenden Teilbilder zu ermitteln. Weiter kann abhängig von einem Ergebnis für die Gewichte eine Beschreibung des Bildes erzeugt werden. Der Nutzerrechner 300 kann ausgebildet sein, eine eigene Analyse zu den Teilbildern T zu erstellen und seine Ergebnisse mit den empfangenen Teilbildanalysen abzugleichen.

Hierbei ist vorzugsweise ein Schritt des Ermittelns eines

Analysegesamtergebnisses des Bildes, insbesondere einer semantischen Beschreibung des Bildes, auf dem Nutzerrechner 300 basierend auf dem übertragenen Analyseergebnis der Teilbilder T, insbesondere basierend auf den erzeugten Schlüsselworten der erkannten Bildobjekte, vorgesehen.

Vorzugsweise ist ein Schritt des Ermittelns je eines Gewichts der Teilbilder T vorgesehen, um unter Verwendung der ermittelten Gewichte der Teilbilder T das Analysegesamtergebnis des Bildes, insbesondere die semantische Beschreibung des Bildes, zu ermitteln. Beim Ermitteln des Analysegesamtergebnisses des Bildes, insbesondere der semantischen Beschreibung des Bildes, wird vorzugsweise das übertragene Analyseergebnis nur für die Teilbilder T berücksichtigt, deren ermitteltes Gewicht größer oder gleich einem

vorgegebenen und/oder vorgebbaren Schwellenwert ist.

Vorzugsweise werden die Gewichte der Teilbilder T basierend auf einer Farbanalyse der einzelnen Teilbilder T und/oder einer Farbanalyse des Bildes und/oder auf einer Position der Teilbilder T in dem Bild ermittelt.

In einem Beispiel ist der Nutzerrechner 300 ausgebildet, das Bild 100 in eine Vielzahl Teilbilder T aufzuteilen. Jedes der Teilbilder T wird zur Objekt- Erkennung analysiert. Der Nutzerrechner 300 ist ausgebildet, jedem durch die Objekt-Erkennung erkannten Schlüsselwort ein Gewicht zuzuordnen, und die Beschreibung des Bildes 100 aus den Schlüsselworten zu erzeugen, deren zugeordnetes Gewicht einen Schwellwert überschreitet.

Das Ermitteln der Gewichte umfasst die Frage, wann der Algorithmus ein Objekt wichtiger empfindet als ein anderes bezüglich der Bedeutung des Teilbildes zum Beitrag zur Beschreibung des Gesamtbildes. Dies kann abhängig von mehreren Kriterien festgelegt werden.

Beispielsweise werden Teilbilder in der Mitte des Bildes 100 für die

Bildinterpretation, im Verhältnis zu Teilbilder in den Bildrandbereichen höher gewichtet. Kriterien können auch auf Basis einer tiefgehenden Studie mit verschiedenen Gewichten bewertet werden. Mit Hilfe eines Scoring Modelles (auch Rangfolge-Modell oder Nutzwertanalyse genannt) können den Teilbildern im Bild 100 Gewichte zugeteilt werden, aufgrund derer sich eine Priorisierung feststellen lässt.

Beispielsweise wird durch eine Größe der Anteile bzw. Anzahl von Teilbildern eines Bildobjektes am Gesamtbild eine inhaltliche Aussage über die Erkennung der einzelnen Bildobjekte im Bild hinaus erstellt.

Am Beispiel aus Figur 1 :

Teilbilder mit Bildobjekten: Strand, Meer, Palme, Bus

Szenario 1 : Gewichte: Teilbild mit Palme (40%), Teilbild mit Meer (35%), Teilbild mit Strand (15%), Teilbild mit Bus (10%)

Gesamtaussage: Bild mit Palme im Urlaub (eventuell Werbung für ein

Urlaubsziel)

Szenario 2:

Gewichte: Teilbild mit Bus (40%), Teilbild mit Strand (35%), Teilbild mit Palme (15%), Teilbild mit Meer (10%)

Gesamtaussage: Bild von Bus am Strand (eventuell Werbung für ein Auto)

Die Gesamtaussage in diesem Beispiel hängt von den Gewichten der Teilbilder mit den einzelnen Bildobjekten ab, zum Beispiel der Gewichte des Teilbildes bzw. der Teilbilder mit dem Bildobjekt„Bus“.

Die Geschichte eines Bildes wird basierend auf den korrekt ermittelten

Gewichten der Teilbilder richtig erzählt, da Bilder, die mehrere Bildobjekte enthalten, richtig analysiert werden. Dies erfolgt durch die Lenkung des Fokus auf die relevanten Teilbilder und somit auf das relevante Objekt (Bus oder Palme).

Der Nutzerrechner 300 kann ausgebildet sein, Teilbilder in der Bildmitte (Bus) stärker zu gewichten als Teilbilder am Rand. Alternativ kann der Nutzrechner 300 ausgebildet sein, Teilbilder (Tier 201 in Figur 2) im ersten Bereich 202 des goldenen Schnitts stärker zu gewichten als Teilbilder im zweiten Bereich des goldenen Schnitts.

Teilbilder können ihr Gewicht nicht nur abhängig von einer Position eines Bildobjektes im Teilbild T oder Bild 100 erhalten, sondern auch abhängig von einer Position relativ zu einem anderen Objekt aus demselben Teilbild T oder Bild 100, 200.

Zudem kann eine Farberkennung erfolgen. Damit werden die wichtigsten Bestandteile beispielsweise eines Fotos identifiziert. Hierbei wird eine

Änderungsrate der Bildpunkte betrachtet. Dazu werden Pixel des Fotos mit Abweichungstoleranzwerten analysiert, die je nach Skalenwerten von Farben anzugeben sind. Entdeckt die Bilderkennungssoftware in einem gewissen Teilbild T eine starke farbliche Änderung der Bildpunkte, so wird im Beispiel davon ausgegangen, dass sich hier ein wichtiger Bestandteil des Fotos befindet. Ein entsprechendes Teilbild wird höher gewichtet. Bei den beschriebenen Analyserechnern 304, 306 kann es sich um Server oder eine verteilte Rechnerarchitektur handeln. Der Nutzerrechner 300 kann ein Arbeitsplatzrechner sein. Alternativ kann der Nutzerrechner durch eine

Vorrichtung mit einer Kamera ausgebildet sein, zum Beispiel durch ein mobiles Endgerät wie ein Smartphone. So kann der Nutzerrechner ein zu analysierendes Bild selbst aufnehmen. Die Rechner umfassen wenigstens einen Mikroprozessor und Arbeitsspeicher, die ausgebildet sind, das Computerprogramm zur

Durchführung von Schritten des beschriebenen Verfahrens auszuführen.