10. Computergesteuerte Bildverarbeitung

Moderne Photo- und Bewegungsphysiologie wäre ohne computer-gestützte Bildverarbeitung nicht denkbar. Die Bildverarbeitung erlaubt die Analyse von individuellen Bewegungsreaktionen mit hoher statistischer Signifikanz und schneller analytischer Präzision. Die rasanten Entwicklungen auf dem Hardware- und Softwaresektor der letzten paar Jahre erlaubten Quantensprünge in der Geschwindigkeit und Genauigkeit der Analyse. Wir können in dieser Einheit natürlich nicht auf die Grundlagen der Computertechnik eingehen, sondern beschränken die Diskussion auf die Hardware und Softwareansätze für die computergesteuerte Bildverarbeitung.

10.1.1 Anwendungen

Die Anwendungen von Bildanalysesystemen reichen vom Zählen von Objekten (z.B. von Kolonien oder Zellen) über die automatische Flächenberechnung bis zur Verbesserung licht- und elektronenmikroskopischer Bilder und der dreidimensionalen Rekonstruktion von Objekten aus Bildebenen. Einige moderne Mikroskopieverfahren wie die konfokale Mikroskopie wären ohne eine automatische Bildverarbeitung gar nicht durchführbar. Die Entwicklung der digitalen Bildverarbeitung als Werkzeug für die automatische Bewegungsanalyse hat eine weite Verbreitung in der Biologie, der Medizin und in anderen Wissenschaften gefunden, und die Anwendungen reichen von der Analyse von Wolkenbewegungen bis zur Bahnverfolgung von Mikroorganismen. In der Medizin ermöglichen diese Techniken die Erkennung von Krebszellen, die Verfolgung der Bewegungen von Lymphozyten oder Spermienzellen, und in der Zoologie werden damit die Bewegungen z.B. von Nematoden oder Fischen analysiert.

10.2 Hardwarekomponenten

Eine Bildverarbeitungsanlage besteht aus den Komponenten zur Aufnahme (Kamera), Digitalisierung (Digitizer), Computer mit Programm und Ausgabeeinheit (Bildschirm) (Abb. 10.1).

10.2.1 Aufnahmegeräte

Die Quelle für das zu bearbeitende Bild kann sehr verschieden sein: eine Video- oder CCD-Kamera, ein Videorecorder oder eine optomechanische Einrichtung, die ein Bild abtastet. Je nach Größe des Objektes muß eine entsprechende Optik gewählt werden; dabei wird der gesamte Bereich von ultrastrukturellen Dimensionen bis zu makroskopischen Objekten und Organismen überstrichen.

10.2.2 Digitizer

Wie auch immer das Bild erzeugt wird, das analoge Bild muß im ersten Arbeitsgang digitalisiert werden. Darunter versteht man eine Rasterung in diskrete Bildpunkte (Pixel), die in einer Matrix von Zeilen und Spalten abgelegt werden. Die Zahl dieser Pixel entscheidet über die räumliche Auflösung des digitalisierten Bildes und damit über die relative Größe der Strukturen, die noch unterschieden werden können. Bei Schwarzweißbildern wird jedem Pixel ein Grauwert zugeordnet (Tab. 10.1); die Zahl der möglichen Grauwerte definiert den dynamischen Bereich. Dabei wird dem dunkelsten Schwarz willkürlich der Wert 0 gegeben und dem hellsten Weiß der höchste Wert. In der Praxis genügen oft schon 64 oder 256 Grauwerte.

Bei der Bearbeitung von Farbbildern müssen die drei Farbsignale getrennt voneinander (parallel oder nacheinander) digitalisiert werden, wodurch der Aufwand erheblich steigt.

In der Praxis wird das Videobild, das ja schon aus einzelnen Zeilen besteht, zu diskreten Zeitpunkten entlang einer Zeile abgetastet, und der dort gefundene Helligkeitswert wird in einem Analog-/Digital-(A/D-)Wandler in einen Digitalwert umgesetzt. Während dieser Prozeß bei den ersten Digitalisierern bis zu einigen Minuten pro Bild erforderte (in dieser Zeit durften keine Bewegungen auftreten), erlauben moderne Bildverarbeitungskarten eine Analyse in Echtzeit. Da bei der europäischen Videonorm 25 Vollbilder (50 Halbbilder) pro Sekunde aufgenommen und übermittelt werden, muß die Digitalisierung in 40 ms durchgeführt werden. Während die Digitalisierer früher selbständige Geräte waren, sind sie heute auf die Größe von Einsteckkarten für den Mikrocomputer zusammengeschrumpft (Abb. 10.2). Wir können hier auf die Details der Elektronik verzichten, weil sie für das Verständnis der Bildverarbeitung nicht von Bedeutung sind.

Das analoge Bild wird entweder ständig digitalisiert (Stream Modus), oder aus der ankommenden Bildfolge wird unter Softwarekontrolle zu einem diskreten Zeitpunkt ein Bild (Snapshot Modus) digitalisiert und eingefroren. Das digitalisierte Bild wird in einem elektronischen Speicher (RAM-Memory) als Matrix von Digitalzahlen abgelegt. Oft befindet sich dieser Speicherbereich direkt auf der Digitalisierungskarte, manchmal wird aber auch der Hauptspeicher des Mikrocomputers verwendet. Bei einer Auflösung von 512 x 512 Pixel und 8 Bit Grauwerten muß der Speicher 1/4 MByte aufnehmen können (bei einem Farbbild drei mal so viel), und oft können mehrere (z.B. vier) Bilder im Memory gespeichert werden.

Bevor das Bild digitalisiert wird, läßt sich bei den meisten Karten der Kontrast und die Helligkeit per Software verändern. Nach der Analog-Digital-(A/D-)Wandlung und vor der Speicherung kann man das Bild weiter durch Look-up-Tables (LUT manipulieren (Abb. 10.3). Dazu werden Tabellen in der Software definiert, und jeder digitalisierte Grauwert wird durch einen anderen ersetzt, der aus der Tabelle abgelesen wird (Tab. 10.2).

Dadurch läßt sich z.B. das Bild leicht in sein Negativ verwandeln, wenn man jedem Wert 0 eine 255, jeder 1 eine 254 usw. zuordnet (Tab. 10.2A). Genauso läßt sich das Bild binärisieren, indem alle niedrigen Grauwerte auf 0 (schwarz) und alle hohen auf 255 (weiß) gesetzt werden (Tab. 10.2B). Ebenso lassen sich bestimmte Graubereiche über einen größeren Bereich spreizen (Tab. 10.2C).

Die in den LUTs abgelesenen Werte werden gespeichert und vom Computer ausgewertet oder verändert. Die einzelnen Bildpunkte des gespeicherten Bildes können anschließend eine weitere LUT (Ausgangs-LUT) passieren, bevor das Bild nach Digital-Analog-(D/A-)Wandlung auf einem Analogmonitor abgebildet wird. Bei der Verwendung von drei Ausgangs-LUTs ist eine Falschfarbendarstellung möglich (Tab. 10.2D): So lassen sich die Grauwerte von 0 bis 84 zum blauen Farbkanal des Monitors schicken. Die mittleren Werte (85–169) werden dem grünen Kanal zugeordnet und die hohen Grauwerte dem roten Kanal.

Da Menschen leichter Farbwerte als Grauwerte voneinander unterscheiden können, erleichtert die Falschfarbendarstellung die Betrachtung von Bildern. Abbildung 10.4 zeigt ein Beispiel für die Falschfarbendarstellung. Gleichzeitig kann man durch bildanalytische Verfahren Grauwertabtastungen vornehmen und diese als Overlay grafisch darstellen und so eine quantitative Analyse von z.B. Zellen vornehmen. Solche Verfahren werden auch zum Calcium-Imaging angewandt, um die intrazelluläre Konzentration von Ionen zu messen.

Je nach technischem Aufwand können bestimmte Bearbeitungsfunktionen bereits auf der Bildverarbeitungskarte, die in den Computer eingesetzt wird, durchgeführt werden. Die eigentliche Bildanalyse erfolgt aber durch den Wirtscomputer, der einen wahlfreien Zugriff zu den Bildpunkten hat, die er sowohl lesen als auch verändern (also das Bild manipulieren) kann.

Da das Bild in Form von diskreten digitalen Bildpunkten gespeichert ist, kann es durch Addition oder Subtraktion einer Konstante leicht heller oder dunkler gemacht werden, wobei die Grauwertskala (z.B. 0 bis 255) weder nach unten noch nach oben überschritten werden kann. Vertikale oder horizontale Helligkeitsgradienten lassen sich durch definierte Graukeile ausgleichen. Auch der Kontrast läßt sich durch Multiplikation oder Division der Grauwerte mit einer Konstante beeinflussen. Es ist weiter möglich, nur bestimmte Graustufen zuzulassen: Bei vier Graustufen werden alle Pixel mit Werten zwischen 0 und 63 auf 31 gesetzt, alle Werte zwischen 64 und 127 auf 95 usw.; dadurch erscheint das Bild sehr hart und kontrastreich.

Zur Bildbearbeitung und Extraktion bestimmter Bildelemente werden mathematische Filter angewendet. Ein einfaches Beispiel ist die Glättung eines Bildes: Dabei wird jeder Bildpunkt P durch den arithmetischen Mittelwert P' einer 3 x 3 oder größeren Pixelmatrix ersetzt:

A      B      C

D      P      E

F      G      H

P' = (P + A + B + C + D + E + F + G + H) / 9

Tabelle 10.3a zeigt einen Ausschnitt aus einem digitalisierten Bild. Dabei sieht man einen Fehler in Form eines zu hellen Pixels (2. Zeile, dritter Wert=140) in einer relativ dunklen Zone. Durch Glättung mit der oben beschriebenen Matrix wird dieser Fehler beseitigt, aber gleichzeitig wird der scharfe Übergang zwischen der dunklen, äußeren Zone zur hellen Zone (rechts unten) abgeschliffen (Tab. 10.3b). Häufig werden die Pixel noch gewichtet: z.B. wird der zentrale Pixel 4fach gewichtet (Hutfilter) und die oben, unten, rechts und links angrenzenden 2fach. Weitere Filter sind Medianfilter, Sobel-Algorithmen oder Laplace-Transformationen, mit denen z.B. Kanten zwischen hellen und dunklen Feldern als helle Linien hervorgehoben werden, während gleichmäßige (helle oder dunkle) Felder dunkel erscheinen. Auch diese mathematischen Filter beruhen auf Matrizenrechnungen (z.B. 3 x 3 Pixel), die über das Bild gleiten. Bei der Laplace-Transformation wird jeder Pixel mit einem bestimmten Faktor (Kernel) multipliziert (z.B. 8), und die Werte der umliegenden Pixel werden abgezogen. Dieser Vorgang wird formell so geschrieben:

-1     -1     -1

-1      8     -1

-1     -1     -1

Das Ergebnis einer Laplace-Filterung des obigen Beispiels ist in Tabelle 10.3c dargestellt. Alle Zonen sind jetzt relativ dunkel, aber der Übergang zwischen hellen und dunklen Zonen leuchtet hell auf (Grauwerte von 255). Aber auch der Fehler (2. Zeile, dritter Wert) wird deutlicher.

10.3 Zell- und Koloniezähler

Wenn der Computer ein Objekt im digitalisierten Bild erkennen soll, so muß es sich durch seinen Grauwert (oder Farbwert) vom Hintergrund unterscheiden. Das klingt zunächst trivial; wenn ein menschlicher Beobachter z.B. gefärbte Mikroorganismen in einem lichtmikroskopischen Bild betrachtet, dann erscheinen die Objekte kontrastreich, dunkel vor hellem Hintergrund. Aber unser Sehapparat betont Kontrastunterschiede und ignoriert, daß das Sehfeld unterschiedlich hell ausgeleuchtet ist und der Hintergrund z.B. im Randfeld sogar dunkler sein kann als die dunklen Organismen vor dem hellen Hintergrund im Zentrum. Eine maschinelle Bildverarbeitung hat in diesem Fall schon Probleme, da eine Schwelle definiert wird: Alle Pixel unterhalb dieses Wertes sind (potentielle) Organismenpixel, alle darüber gehören zum Hintergrund. Daher muß man für eine gleichmäßige Ausleuchtung sorgen oder bei der Verarbeitung für eine Korrektur sorgen.

Abbildung 10.5 zeigt ein digitales Bild mit einer Anzahl von Zellen, die gezählt werden sollen. Da wir uns nur für die Zahl, nicht aber für die zytologischen Details der Zellen interessieren, können wir das Bild als binär ansehen; jeder Pixel hat nur zwei mögliche Zustände: Hintergrund oder Objekt. Den Schwellenwert, der beide trennt, kann man durch Versuch und Irrtum ermitteln oder aus einem Histogramm ablesen, bei dem die Zahl der jeweiligen Pixel mit einem bestimmten Grauwert aufgetragen ist (Abb. 10.6). In unserem Beispiel repräsentiert der kleine linke Gipfel die dunklen Zellen, die ja flächenmäßig weniger Raum einnehmen, und der große rechte Gipfel den hellen Hintergrund. Der Schwellenwert wird nun in der Lücke zwischen beiden Gipfeln definiert.

Der Suchalgorithmus ist so strukturiert, daß der Computer das Bild zeilenweise abtastet, bis er den ersten Objektpixel findet. Dessen Position wird gespeichert, und alle (acht) Nachbarpixel werden darauf hin untersucht, ob sie ebenfalls Objektpixel sind. Sie gehören automatisch zur selben Zelle und werden auf eine reservierte Graustufe (oder Farbe) gesetzt. Dieser Prozeß wird fortgesetzt, bis die ganze Zelle ausgefüllt ist. Danach beginnt die Suche nach weiteren Zellen im Bild von dem zuerst gefundenen Objektpunkt der vorigen Zelle aus. Da bisher gefundene Zellen auf einen speziellen Grauwert gesetzt worden sind, können sie als schon gezählt erkannt werden. Das neu entwickelte Programm WinTrack 2000 erlaubt darüber hinaus eine weitere Selektion der Objekte nach ihrer Größe (Abb. 10.7).

10.4 Flächenberechnung

Der oben beschriebene Algorithmus ist relativ langsam, da alle Bildpunkte des Objektes überprüft werden müssen. Besonders bei der Berechnung größerer Flächen, z.B. von Blättern, eignet sich der schnellere "Chain-Code"-Algorithmus. Dabei werden nur die Randpunkte der Flächen erkannt und vom Startpixel aus mit Zahlen kodiert, die die Richtung zum nächsten Randpunkt im Uhrzeigersinn angeben. Die Definition der Chain-Code-Elemente erfolgt von 0 bis 7 gegen den Uhrzeigersinn (Abb. 10.8). Der ganze Rand der Zelle wird umfahren, und die ermittelten Richtungsvektoren werden an den wachsenden Chain-Code angehängt, bis man wieder am Startpixel angelangt ist. Ein Vorteil dieses Verfahrens ist, daß mathematische Techniken entwickelt worden sind, die es erlauben, aus dem Chain-Code die Länge des Randes L zu bestimmen

wobei n_e die Anzahl der geraden Glieder und n_o die Anzahl der ungeraden Glieder ist. T ist ein Korrekturfaktor zur Umrechnung von Pixel in µm. Die Fläche A berechnet sich aus:

wobei n_e die geraden und n_o die ungeraden Elemente des Chain Codes sind; n ist die Zahl der Kettenglieder, a_ix ergibt sich aus der Projektion des jeweiligen Kettengliedes auf die x-Achse und hat den Wert -1, wenn das nächste Element auf dem Umfang links vom gerade betrachteten Element liegt, +1 für rechts und 0 für oben oder unten. a_iy gilt analog für die y-Achse; y_i-1 beschreibt das vorige Kettenglied. Auch die Koordinaten der Flächenschwerpunkte und damit die Positionen der einzelnen Zellen im Bild lassen sich leicht errechnen.

Ein weiterer Parameter ist der Formfaktor, die angibt, ob ein Objekt eher kreisförmig ist (Faktor nahe 1) oder länglich (Faktor größer). Der Formfaktor berechnet sich aus dem quadrierten Umfang geteilt durch die Fläche, normiert auf die Fläche des Kreises:

(2 p r)²/p r² = 4 p

Probleme treten auf, wenn sich zwei Objekte im Bild berühren oder überlappen. Dieser Fall wird von einem menschlichen Beobachter sehr leicht erkannt, aber die Bildanalyse tut sich da schwerer. Wenn alle Objekte etwa gleich groß sind, läßt sich dieses Problem durch eine Flächenanalyse lösen: Flächen, die etwa doppelt so groß sind wie die meisten, werden als zwei Zellen interpretiert.

Ein komplizierteres Verfahren beruht auf der Erosion: Wir nehmen an, daß sich zwei (runde) Zellen berühren. Nun entfernt man nacheinander Kalotten, die jeweils ein Pixel breit sind, bis auch der verbindende Isthmus zwischen den Zellen abgetragen ist. Anschließend werden die Flächen wieder zu ihrer ursprünglichen Größe aufgeblasen (Dilation), wobei eine Trennlinie von mindestens einem Pixel Breite zwischen den Zellen eingehalten wird.

10.5 Tracking

Will man bewegliche Objekte (Tiere, Mikroorganismen, Blattbewegungen) verfolgen, so muß man eine Sequenz von Bildern auswerten. Die dabei anfallenden Datenmengen sind sehr groß und ohne Datenreduktion nur langsam zu bearbeiten. Die ersten Anlagen haben daher zunächst die Bildsequenz auf einem Videorecorder gespeichert und dann Bild für Bild analysiert. Die Geschwindigkeit und Speichergröße moderner Geräte erlauben Echtzeitmessung. Für die Analyse der Bewegungsvektoren von Mikroorganismen genügen bereits relativ kurze Bahnsegmente. Daher werden vier Bilder aus einer Videosequenz mit einem zeitlichen Abstand von z.B. 80 ms digitalisiert und im Bildspeicher abgelegt. Danach werden die Positionen aller im Bild erkannten Zellen mit dem Chain Code Algorithmus (s. oben) erfaßt und gespeichert. Nun werden im zweiten Bild die neuen Positionen (ausgehend von den Positionen im vorigen Bild) analysiert, und dieser Prozeß wiederholt sich für das dritte und vierte Bild. Aus den Anfangs- und Endkoordinaten lassen sich die Bewegungsvektoren ermitteln, wobei die Länge des Vektors ein Maß für die Bewegungsgeschwindigkeit darstellt (Abb. 10.9); die Geschwindigkeit errechnet sich aus

Nachgeschaltete Computerprogramme berechnen die Zahl der Organismen, die sich in definierten Sektoren bewegt haben, und geben die Daten in Form von Histogrammen  aus (Abb. 10.10). Die Präzision der Orientierung wird mit dem Rayleighverfahren quantifiziert

wobei n die Zahl der analysierten Bewegungsbahnen ist, und a die Winkelabweichung jedes Bahnsegmentes von einer definierten Richtung (z.B. Reizrichtung). Der r-Wert läuft von 0 (zufällig verteilt) bis 1 (alle Organismen bewegen sich exakt in dieselbe Richtung. Zusätzlich kann man die Wahrscheinlichkeit für eine zufällige Verteilung berechnen durch 2nr². Das TRACK Modul im WinTrack 2000 berechnet die Geschwindigkeiten, Formfaktoren, Flächen und Winkelabweichungen von bis zu 12000 Tracks pro Minute und stellt die Meßwerte in Form von Histogrammen dar (Abb. 10.11). Die mittlere Bewegungsrichtung einer Population errechnet sich aus

Diese Histogramme lassen sich mit Hilfe der Fourieranalyse (Fast Fourier Transformation, FFT) analysieren. Dazu werden die zirkulären Histogramme quasi linear abgewickelt, und durch unendliche Duplikation als kontinuierliche Wellen mit gleicher Form dargestellt. Die zu Grunde liegende Annahme ist, daß sich jede, noch so komplizierte, kontinuierliche Welle durch eine (unendliche) Überlagerung von vielen Sinus- und Cosinuskurven mit steigender Frequenz und unterschiedlicher Amplitude rekonstruieren läßt. Abbildung 10.12 zeigt das Verfahren in einem Beispiel. Rechts unten (h) ist das gemessene Histogramm einer bimodalen phototaktischen Orientierung bei Dictyostelium Pseudoplasmodien dargestellt. Die erste Sinuskurve (a) zeigt noch keine Ähnlichkeit mit der Meßkurve. Dazu wird die Kurve (b) addiert, die die doppelte Frequenz aufweist. Das Ergebnis ist in (e) dargestellt. Nun wird kontinuierlich eine Kurve mit dreifacher Frequenz (c) und vierfacher Frequenz (d) dazu addiert. Dabei entstehen die Kurven (f) und (g). Letztere zeigt schon eine gute Übereinstimmung mit der gemessenen Kurve. Eine andere Darstellungsmöglichkeit ist die grafische Darstellung der Fourierkomponenten (Amplitude für jede Frequenz) und deren Phasenlage (Abb. 10.13). Wenn man jetzt die hohen Frequenzen abschneidet, macht man eine Tiefpaßfilterung und entfernt Noise. Durch die Umkehrung der Fourieranalyse (inverse Fast Fourier Transformation, IFFT) rekonstruiert man das geglättete Histogramm.

10.5.1 Longtracks

Für andere Anwendungen werden Organismen über längere Zeiten verfolgt. Mit der schnellen, modernen Hardware lassen sich viele Objekte gleichzeitig erfassen. Dabei werden die Objekte mit den oben beschriebenen Algorithmen so lange verfolgt, wie sie von der Kamera erfaßt werden. Die Bewegungsbahnen werden als Overlay auf dem Schirm dargestellt (Abb. 10.14). Dabei ist die Gefahr groß, daß die Objekte verloren werden. Daher definiert man eine größer werdende Fläche (Archimedische Spirale) um den Flächenschwerpunkt des Objektes im letzten Bild, in dem nach einem verloren gegangenen Objekt gesucht wird. Dieses Verfahren birgt die Gefahr, daß ein neues Objekt erfaßt wird. Daher muß man den Radius der Suchspirale und die Zelldichte optimieren.

Ein zweites Problem ist, daß sich Objekte (optisch) berühren. Dieses Problem löst man mit der Definition eines "look-ahead" Sektors. Man macht die Annahme, daß die Objekte im wesentlichen ihre vorherige Bahn beibehalten. Daher unterbricht man die Bahnverfolgung für eine kurze Zeit und sucht die Objekte in Projektion ihrer bisherigen Bahn.

Die Bahnen lassen sich rekonstruieren und z.B. alle rechnerisch vom Zentrum ausgehend darstellen (Abb. 10.15). Neben der Richtungsinformation und der Geschwindigkeit berechnet man häufig die sogenannte Linearität: Dabei wird die Länge der direkten Verbindungslinie zwischen Anfangs- und Endpunkt durch die tatsächlich gelaufene Strecke (mit allen Kurven und Schlenkern) geteilt. Je näher die Linearität an 1 ist, um so geradliniger ist die Bahn; wenn sie sich 0 nähert, mäandert die Bahn sehr stark.

Eine andere Methode zur Verfolgung beweglicher Objekte ist die Subtraktion von aufeinanderfolgenden Bildern. Dieses Verfahren wird bei langsamen, gleitend beweglichen Organismen, wie z.B. Cyanobakterien, eingesetzt (Abb. 10.16). Ein Bild wird aufgenommen und von einem einige Zeit später aufgenommenen subtrahiert. Dadurch erscheinen die Bereiche hell, die von den Organismen verlassen wurden. Bei linearer Bewegung zeigt die Länge dieser Strecke die Geschwindigkeit an. Allerdings führen auch seitliche Bewegungen (Pfleil) zu hellen Zonen und müssen durch geeignete Algorithmen herausgefiltert werden. Wenn die hellen Flächen zu breit sind, führt man eine Skeletonierung durch: Dabei werden sukzessive an beiden Seiten Pixel abgetragen, bis eine zentrale Linie übrig bleibt.

10.5.2 Dreidimensionale Bahnverfolgung

Dreidimensionale Bahnverfolgung ist technisch noch aufwendiger als zweidimensionales Tracking. Der Versuchsaufbau beruht auf einer orthogonalen Anordnung von zwei Kameras, die auf das Zentrum z.B. einer Schwimmkammer gerichtet sind (Abb. 10.17, Abb. 10.18). Im Gegensatz zur zweidimensionalen Projektion einer dreidimensionalen Schwimmbahn müssen jetzt die Komponenten in drei Richtungen des Raumes (mathematisch: van Mises Raum) analysiert werden. Dieses Verfahren wurde angewandt, um die Orientierung von Ciliaten vor, während und nach einer Stimulation mit Lichtblitzen zu untersuchen. Dazu schwammen die Organismen in einer Schwimmkammer und wurden von den beiden Kameras erfaßt (Abb. 10.19). Wenn sie in ein definiertes inneres Volumen schwammen und von beiden Kameras erfaßt wurden (Abb. 10.20), wurde automatisch ein Lichtblitz ausgelöst. Die Koordinaten im Raum wurden für die Zeit vor, während und nach dem Lichtblitz aufgezeichnet. Daraus wurden die Schwimmbahnen berechnet und in zwei orthogonal stehenden Ansichten dargestellt (Abb. 10.21). 

10.6 Bildanalyse

Automatische oder interaktive Bildanalyse wird häufig bei der Bearbeitung licht- und elektronenmikroskopischer Aufnahmen eingesetzt. Neben grundsätzlichen Techniken zur Erhöhung des Kontrastes oder zur Darstellung in Falschfarben wird die Bildanalyse auch eingesetzt, um bestimmte Parameter aus den Bildern zu extrahieren. Eine Reihe von kommerziellen Systemen (Leitz, Olympus) erlaubt es, Zellgrößen oder Wanddicken zu analysieren. In der Medizin ist es ein ehrgeiziges Ziel, in mikroskopischen Präparaten Krebszellen vollautomatisch zu erkennen und damit die Routineuntersuchungen zu erleichtern.

Neben den für die Lichtmikroskopie genannten Verfahren wird die Bildverarbeitung in der Elektronenmikroskopie auch zur Identifikation von Ultrastrukturen eingesetzt. Eine der ersten erfolgreichen Applikationen war die Aufklärung der Struktur von Ribosomen. Dazu wurden Bilder von vielen Hundert Ribosomen, die in den unterschiedlichsten Ausrichtungen im elektronenoptischen Bild vorlagen und nur schemenhaft zu erkennen waren, gespeichert und unter Computerunterstützung so lange gedreht, bis sie in etwa deckungsgleich waren. Durch Mittelwertbildung (Averaging) wurde daraus ein Bild errechnet, das die Ribosomenstruktur in bis dahin nicht gekannter Schärfe und Struktur darstellt. Inzwischen lassen sich viele andere Strukturen der Zelle und sogar Makromoleküle mit dieser Technik bildlich darstellen.

10.7. Dreidimensionale Rekonstruktionen

Bildverarbeitungstechniken sind auch in der Lage, dreidimensionale Strukturen im (ultra-) mikroskopischen oder makroskopischen Bereich zu rekonstruieren. Dazu wird das Objekt in gleich dicke aufeinander folgende Scheiben geschnitten. Die Bilder dieser Schnitte werden digitalisiert und in einen Rechner eingelesen. Auf Grund der Oberflächenstrukturen oder mitgeschnittener Marker rekonstruiert der Rechner die räumliche Struktur und stellt sie in einem beliebigen Blickwinkel (auch stereoskopisch) dar. Zur Verbesserung der Oberfläche wurden Glättungsalgorithmen entwickelt, die es erlauben, glatte und transparente Oberflächen zu erzeugen, durch die z.B. intrazelluläre Organellen sichtbar werden (Abb. 10.22).

Literatur

Appel, R., Hochstrasser, D., Roch, C., Funk, M., Muller, A.F., Pellegrini, C.: Automatic classification of two-dimensional gel electrophoresis pictures by heuristic clustering analysis: A step toward machine learning. Electrophoresis 9, 136–142, 1988.

Vogel, K. and Häder, D.-P.: Simultaneous tracking of flagellates in real time by image. Proceedings of the Fourth European Symposium on Life Science Research in Space (ESA SP-307), 541 - 545 (1990).