💻 computer science

Implementation and discussion of the Pith Estimation on Rough Log End Images using Local Fourier Spectrum Analysis method

Dieser Artikel stellt eine Python-Implementierung der von Rudolf Schraml und Andreas Uhl entwickelten Methode zur Schätzung des Markes auf runden Stammquerschnitten mittels lokaler Fourier-Spektralanalyse vor und testet diese an zwei Datensätzen.

Ursprüngliche Autoren: Henry Marichal, Diego Passarella, Gregory Randall

Veröffentlicht 2026-03-17

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Henry Marichal, Diego Passarella, Gregory Randall

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Rätsel: Wo ist das Herz des Baumes?

Stellen Sie sich vor, Sie haben einen Baumstamm quer durchgesägt. Auf der Schnittfläche sehen Sie diese schönen, konzentrischen Ringe, wie bei einem Kuchen oder einem Zielbrett. In der Mitte liegt der „Markkern" (auf Englisch Pith). Das ist quasi das Herz des Baumes, der Punkt, an dem alles begann.

Für die Forstindustrie ist es extrem wichtig, genau diesen Punkt zu finden. Warum? Weil viele Maschinen wissen müssen, wo das Zentrum ist, um das Holz effizient zu verarbeiten. Aber hier kommt das Problem: Ein echter Baum ist kein perfekter Kuchen. Er hat Risse, Knoten, Pilzstellen und die Ringe sind oft schief oder verzerrt. Ein Computer, der nur auf die perfekten Kreise schaut, wird schnell verwirrt.

Die Lösung: Ein mathematischer Detektiv mit „Fourier-Brille"

Die Autoren dieses Papers haben einen alten, aber cleveren Algorithmus (entwickelt von Schraml und Uhl) wiederentdeckt und für moderne Computer programmiert. Man kann sich diesen Algorithmus wie einen Detektiv vorstellen, der eine spezielle Brille trägt.

Hier ist der Ablauf in drei einfachen Schritten:

1. Der Mosaik-Effekt (Das Bild zerlegen)

Statt das ganze Bild auf einmal zu betrachten, schneidet der Computer das Baumstamm-Bild in viele kleine Puzzleteile (sogenannte „Patches") auf.

Die Analogie: Stellen Sie sich vor, Sie schauen auf einen großen Teppich mit einem Muster. Wenn Sie zu weit weg stehen, sehen Sie nur Chaos. Wenn Sie aber eine Lupe nehmen und nur auf ein kleines Quadrat schauen, erkennen Sie: „Aha! Hier verlaufen die Fäden alle parallel nach oben!"

2. Die unsichtbaren Wellen (Die Fourier-Transformation)

Das ist der magische Teil. Der Computer nimmt jedes dieser kleinen Puzzleteile und schaut nicht mehr mit dem Auge, sondern mit einer Art „Wellen-Radar" (dem Fourier-Spektrum).

Die Analogie: Stellen Sie sich vor, Sie werfen einen Stein in einen ruhigen Teich. Die Wellen breiten sich kreisförmig aus. Wenn Sie jetzt aber nur einen kleinen Ausschnitt des Teiches betrachten, sehen die Wellen wie gerade Linien aus.
Der Computer sucht in jedem kleinen Puzzleteil nach der Richtung, in der die „Wellen" (die Baumringe) am stärksten sind. Er zeichnet eine unsichtbare Linie senkrecht dazu. Diese Linie zeigt theoretisch genau zum Zentrum des Baumes.

3. Das Treffpunkt-Spiel (Der Akkumulator)

Jetzt hat der Computer für jedes Puzzleteil eine unsichtbare Linie gezeichnet, die zum Zentrum zeigen soll.

Die Analogie: Stellen Sie sich vor, Sie haben 100 Menschen in einem Raum. Jeder hält einen Laserpointer und zeigt in die Richtung, in der er glaubt, dass das Zentrum ist. Wenn alle auf einen Punkt zeigen, entsteht dort ein helles Licht.
Der Computer zählt nun, wo sich diese unsichtbaren Linien am häufigsten schneiden. Wo sich die meisten Linien kreuzen, da muss das Herz des Baumes sein. Das ist wie ein „Hotspot" auf einer Landkarte.

Was haben die Forscher herausgefunden?

Sie haben diesen Algorithmus auf zwei verschiedene Datensätze getestet:

UruDendro: Holz aus Uruguay. Hier war es schwierig, weil das Holz Risse, Pilzflecken (blaue Flecken) und unregelmäßige Ringe hatte.
Kennel: Holz aus Europa (Edelweißtanne). Hier war das Bild sauberer.

Das Ergebnis:

Bei den „sauberen" Bäumen funktioniert die Methode hervorragend und findet das Zentrum fast immer genau.
Bei den „schmutzigen" Bäumen (mit Pilz und Rissen) ist die Methode immer noch sehr gut, aber manchmal etwas ungenauer als neuere, künstliche Intelligenz-Methoden.
Der große Vorteil: Die Methode ist extrem schnell. Sie findet das Zentrum in weniger als einer Sekunde auf einem normalen Computer. Sie braucht keine riesigen Datenmengen zum „Lernen" wie moderne KI-Modelle.

Fazit in einem Satz

Die Forscher haben gezeigt, dass man mit einem cleveren mathematischen Trick (das Zerlegen des Bildes in kleine Wellen-Muster) auch bei kaputten und verrückten Baumstämmen sehr schnell und zuverlässig das Herz des Baumes finden kann – ohne dass der Computer jahrelang lernen muss. Es ist wie ein bewährter Kompass, der auch im dichten Wald noch den Norden findet.

1. Problemstellung

Die genaue Lokalisierung des Markes (Pith) – dem Zentrum des Baumstamms – auf Querschnittsbildern von Holz ist für die Forstindustrie von entscheidender Bedeutung, insbesondere für die industrielle Verarbeitung von Holzstämmen. Viele Algorithmen zur Erkennung von Jahresringen basieren auf der Annahme einer konzentrischen „Spinnweben-Struktur", bei der sich die Normalenvektoren der Ringe im Mark schneiden.

In der Realität sind Holzquerschnitte jedoch oft durch Asymmetrien, Risse, Knoten und Pilzinfektionen (z. B. blaue Flecken) gestört. Diese Störungen erschweren die robuste Detektion des Marks, da einfache geometrische Modelle versagen können. Das Ziel ist es, ein Verfahren zu entwickeln, das trotz dieser Unregelmäßigkeiten eine präzise Markposition schätzen kann.

2. Methodik

Das Paper beschreibt die Implementierung und Evaluierung einer Methode von Rudolf Schraml und Andreas Uhl (2013), die auf der lokalen Fourier-Spektralanalyse basiert. Der gesamte Prozess (Pipeline) lässt sich in folgende Schritte unterteilen:

A. Lokale Orientierungsschätzung (Local Orientation Estimation)

Das Bild wird in überlappende Blöcke (Patches) unterteilt. Innerhalb jedes Patches werden die Jahresringe als annähernd parallele Kurven betrachtet.

Fourier-Transformation: Für jeden Patch wird die 2D-Fourier-Transformation berechnet. Das theoretische Konzept besagt, dass die Fourier-Transformierte eines einfachen Gebiets (wo Helligkeitsänderungen nur in einer Richtung auftreten) eine Linie ist, deren Orientierung senkrecht zur dominanten Helligkeitsänderung im Ortsraum steht. Da Jahresringe Kurven sind, ist das Spektrum nicht perfekt linear, zeigt aber eine Energiekonzentration entlang einer Linie.
Vorverarbeitung: Das Spektrum wird durch einen Bandpass-Filter (basierend auf der Patch-Größe) und einen Schwellenwert für die Frequenzamplitude gefiltert, um Rauschen zu reduzieren.
Linienanpassung: Die dominante Richtung wird durch Anpassung einer Linie an das gefilterte Spektrum bestimmt. Es werden vier Methoden zur Schätzung und zur Berechnung eines Vertrauenswerts (Certainty Score) verglichen:
1. Peak: Verbindung des Maximums mit dem Zentrum (Vertrauen = 1).
2. LSR (Least Squares Regression): Lineare Anpassung (Vertrauen = $|R^2|$ ).
3. WLSR (Weighted LSR): Gewichtete Anpassung basierend auf der Fourier-Magnitude (Vertrauen = $|R^2|$ ).
4. PCA (Principal Component Analysis): Hauptkomponentenanalyse (Vertrauen = Verhältnis der Eigenwerte).
Filterung: Nur Linien mit einem Vertrauenswert über einem bestimmten Schwellenwert ( $lo\_certainty\_th$ ) werden für die weitere Verarbeitung behalten.

B. Akkumulator-Raum (Accumulator Space)

Die geschätzten Normalenvektoren (Lotes auf die Ringrichtung) werden über das gesamte Bild projiziert.

Ein Akkumulator-Raum (eine Matrix mit den Bildabmessungen) wird erstellt.
Zwei Ansätze zur Zählung der Schnittpunkte werden implementiert:
1. Schnittpunkt-Zählung: Nur Pixel, an denen sich zwei Linien schneiden, werden erhöht.
2. Durchlauf-Zählung: Jedes Pixel, durch das eine Linie verläuft, wird erhöht (unter Verwendung von OpenCV-Funktionen).
Das Ziel ist es, einen Bereich mit maximaler Häufung von Schnittpunkten zu finden, was der wahrscheinlichsten Markposition entspricht.

C. Peak-Erkennung

Auf den Akkumulator-Raum wird ein Gauß-Filter angewendet, um das Rauschen zu glätten. Die vorhergesagte Markposition entspricht dem globalen Maximum dieses Raums. Bei mehreren Maxima wird der Durchschnitt berechnet.

3. Schlüsselbeiträge

Python-Implementierung: Die Autoren stellen eine vollständige CPU-basierte Python 3.11-Implementierung der Schraml-Uhl-Methode bereit, die öffentlich auf GitHub verfügbar ist.
Systematische Evaluierung: Die Methode wurde auf zwei verschiedenen Datensätzen getestet und mit dem aktuellen State-of-the-Art-Verfahren (ACO - Ant Colony Optimization von Decelle et al.) verglichen.
Parameter-Optimierung: Es wurde eine Grid-Search durchgeführt, um die optimalen Parameter (Patch-Größe, Überlappung, Schwellenwerte) für verschiedene Datensätze zu ermitteln.
Analyse der Robustheit: Das Paper diskutiert detailliert, wie die Methode unter schwierigen Bedingungen (Pilzbefall, Risse) im Vergleich zu Deep-Learning-Methoden und anderen klassischen Ansätzen abschneidet.

4. Ergebnisse

Die Evaluierung erfolgte auf zwei Datensätzen: UruDendro (64 Bilder von Pinus taeda mit starken Störungen wie Pilzen und Rissen) und Kennel (7 Bilder von Abies alba).

Genauigkeit (UruDendro):
- Die Schraml-Methode erzielte im Durchschnitt (Mean), bei den 90./95. Perzentilen und beim Maximum eine geringere Fehlerdistanz (in Pixeln) als die ACO-Methode.
- Präzision (True Positives): Hier schnitt die ACO-Methode jedoch deutlich besser ab (70 % vs. 14 %). Das bedeutet, dass die Schraml-Methode zwar oft näher am wahren Mark liegt, aber häufiger außerhalb des eigentlichen Markbereichs (Medulla) detektiert wird, während ACO öfter den korrekten Bereich trifft, aber bei Fehlern weiter entfernt liegt.
- Bei Bildern mit starkem Pilzbefall oder Rissen in der Nähe des Marks versagten beide Methoden häufig, wobei die Schraml-Methode bei Fehlern tendenziell näher am Zentrum blieb als ACO.
Genauigkeit (Kennel):
- Auf diesem saubereren Datensatz performten beide Methoden ähnlich gut, wobei ACO leicht bessere Werte in der Distanz aufwies.
Rechenzeit:
- Die Schraml-Methode ist sehr effizient und benötigt im Durchschnitt weniger als 1 Sekunde pro Bild auf einer CPU. Dies ist deutlich schneller als viele Deep-Learning-Ansätze (die laut Literaturangaben oft 40-mal schneller sind als nicht-DNN-Methoden, aber hier wird die Schraml-Methode als sehr schnell im Vergleich zu anderen klassischen Methoden hervorgehoben).

5. Bedeutung und Fazit

State-of-the-Art Potenzial: Obwohl die ursprüngliche Methode von 2013 stammt, liefert sie immer noch Ergebnisse auf State-of-the-Art-Niveau, insbesondere wenn die Ringkanten klar erkennbar sind (keine starken Pilzinfektionen).
Robustheit vs. Präzision: Die Studie zeigt einen Trade-off: Die Fourier-basierte Methode ist sehr robust in der Schätzung der Richtung und liefert oft eine Position, die dem geometrischen Zentrum nahe kommt, hat aber Schwierigkeiten, den exakten biologischen Markbereich (Medulla) zu treffen, wenn das Bild stark gestört ist.
Praktische Anwendung: Da die Methode rein auf klassischer Bildverarbeitung und Signalanalyse (Fourier) basiert und keine teure GPU-Hardware oder umfangreiche Trainingsdaten benötigt, ist sie eine attraktive, leicht implementierbare Alternative für industrielle Anwendungen, insbesondere wenn die Bildqualität moderat ist.
Limitationen: Die Methode ist empfindlich gegenüber schweren Störungen direkt im Markbereich (z. B. schwarzer Pilz), da diese die lokale Fourier-Analyse der Ringstruktur zerstören.

Zusammenfassend bietet das Paper eine solide, gut dokumentierte Implementierung einer etablierten mathematischen Methode zur Markdetektion und liefert wertvolle Erkenntnisse über deren Stärken und Schwächen im Vergleich zu modernen Optimierungsalgorithmen und Deep-Learning-Ansätzen.