Neuer Ansatz für die Vorverarbeitung von Bilddaten mittels Umsetzung der retinalen Informationsweitergabe in ein potentialorientes Neuronen-Modell
In der vorliegenden Arbeit wurde ein generelles Modell der visuellen Signalverarbeitung und -interpretation hergeleitet, zur Realisierung einer Vorverarbeitung von Bilddaten in einen bionischen Algorithmus überführt und anhand von simplen und komplexen Testobjekten evaluiert. Den aktuellen neurobiologischen Grundlagen des Lichtsinns folgend, konnten mittels dieses Modells generelle retinale Prozesse bzgl. der Rauschunterdrückung, Kontrastverstärkung und Kantendetektion identifiziert und in einem C++-basierten Algorithmus umgesetzt werden, ohne auf nummerisch aufwändige Standardverfahren der Bildverarbeitung zurückgreifen zu müssen. Als Kernaussage konnte schlüssig nachgewiesen werden, dass die in der Natur verwendeten retinalen Neuronenstrukturen mittels einer mehrstufigen, rein auf Potentialen basierenden Kodierungsart hochwertige Signalverarbeitungsprozesse realisieren, die in ihrer algorithmischen Beschreibung nur aus wenigen Rechenoperationen unterer Stufen bestehen. Somit wird aber eine schnelle und robuste Analyse auch von umfangreichen Bilddaten in Zukunft ermöglicht. Bisher nicht in Betracht gezogene Grundvoraussetzungen bzw. Grundannahmen dieses Algorithmus waren zwei kybernetische Modellansätze zur neuronalen Informationsverarbeitung und Informationskodierung: Einerseits das Träger-Muster-Bedeutung Modell von H. Benesch und andererseits das Verfahren des Computing with Activities von M. Reuter. Sie bildeten auf der Basis ihrer Grundannahme, dass in eine materielle Trägerstruktur einfließende Information bedeutungstragende Aktivitätsmuster hervorruft, die Grundlage für eine nicht-numerische Definition einer Signalanalyse/-erkennung. Aus diesen kybernetischen Annahmen und den physiologischen Erkenntnissen zum Aufbau und Signalfluss retinaler Strukturen resultierte, dass – abweichend von der Theorie der klassischen künstlichen neuronalen Netze – nunmehr eine die Analyse vollziehende Potentialstruktur unterschiedlicher Neuronentypen in den Vordergrund tritt und nicht die Summe aller Aktivitäten, die in ein Neuron einfließen. Dies definierte den in der vorliegenden Arbeit verwendeten neuartigen Ansatz einer optischen Signalanalysekette.
In this present thesis a general model of the visual signal processing and signal interpretation was generated, transformed into a bionic algorithm to realize a preprocessing of visual data and evaluated with help of simple and complex test objects. Following the current neurobiological basics of the retina, the general retinal principles regarding the signal to noise reduction, contrast enhancement and edge detection could be identified with help of this model and transformed into a C++ based algorithm without using numerical complex standard methods of the current picture analysis. As quintessence it could reliable been established that the retinal structures used by nature realize a signal processing method which only based on different hierarchical neuron structures and their potential orientated signal propagation just with a few simple calculation steps. So with this algorithm a faster and more robust analysis even for big data sets could be realized in future. The until now not considered cybernetic models for neural data processing and information coding form the assumption of the developed algorithm: on the one hand the Carrier-Pattern-Meaning model of H. Benesch and on the other hand the method of Computing with Activities developed by M. Reuter. They form on basis of their assumption that incoming information to a carrier structure evokes meaningful activity the basis for a non-numerical definition of signal analysis respectively signal recognition. Out of this cybernetic assumptions and the physiological findings regarding the structure and signal propagation in retinal structures results that – divergent from the theory of classical neural networks – an analyzing potential structure of different neuron types came to the foreground and not the sum of all activities in a neuronal network. This defines the developed novel approach for optical signal analysis in this thesis.
Preview
Cite
Access Statistic

Rights
Use and reproduction:
All rights reserved