{"id":165465,"date":"2026-01-28T12:27:38","date_gmt":"2026-01-28T11:27:38","guid":{"rendered":"https:\/\/liora.io\/de\/?p=165465"},"modified":"2026-02-06T04:43:34","modified_gmt":"2026-02-06T03:43:34","slug":"image-processing","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/image-processing","title":{"rendered":"Image Processing: Grundlagen und praktische Anwendung"},"content":{"rendered":"<p><strong>Bilder enthalten viele wichtige Informationen. W\u00e4hrend sie f\u00fcr unsere ge\u00fcbten Augen leicht zu erkennen sind, stellen sie eine echte Herausforderung f\u00fcr die Datenanalyse dar. Die Gesamtheit dieser Techniken ist unter dem Namen &#8222;Image Processing&#8220; oder Bildverarbeitung bekannt. In diesem Artikel erf\u00e4hrst du mehr \u00fcber die klassischen Algorithmen, Techniken und Werkzeuge zur Verarbeitung von Daten in Form von Bildern.<\/strong><\/p>\n<h3>Was ist Image Processing?<\/h3>\n<p>Wie der Name schon sagt, geht es bei der Bildverarbeitung um die Bearbeitung von Bildern, was <b>viele verschiedene Techniken <\/b>beinhalten kann. Das Endergebnis kann ein anderes Bild, eine Variation oder einfach ein Parameter dieses Bildes sein. Dieses Ergebnis kann dann f\u00fcr eine weitere <b>Analyse oder Entscheidungsfindung verwendet werden<\/b>.<\/p>\n<p>Sie ist der zentrale Teil der Computervision (oder &#8222;computer vision&#8220;), die eine entscheidende Rolle in vielen Beispielen aus der realen Welt wie <b>Robotik<\/b>,<b>selbstfahrenden Autos <\/b>und der <b>Erkennung von Objekten <\/b>spielt. Die Bildverarbeitung erm\u00f6glicht es uns, Tausende von Bildern auf einmal <b>umzuwandeln <\/b>und zu <b>manipulieren <\/b>und daraus n\u00fctzliche Informationen zu extrahieren.<\/p>\n<p><iframe title=\"La Computer Vision, qu&#039;est ce que c&#039;est ? Data Insights#4\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/3jLxVYe-Nwc?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<h3>Aber was ist ein Image?<\/h3>\n<p>Ein Bild kann als eine 2D-Funktion F(x,y) dargestellt werden, wobei x und y Raumkoordinaten sind. Es handelt sich also um eine Tabelle von Pixeln, die in Spalten und Reihen angeordnet sind. Der Wert von F an einem Punkt x,y ist als die Intensit\u00e4t eines Bildes an diesem Punkt bekannt. Wenn x, y und der Wert der Amplitude endlich sind, spricht man von einem digitalen Bild.<\/p>\n<p>Ein Bild kann auch in 3D dargestellt werden, dessen Koordinaten x, y und z sind. Die Pixel werden dann in Form einer Matrix angeordnet. Das nennt man ein RGB-Bild (oder RGB auf Englisch). Wenn das Bild in Graustufen vorliegt, gibt es nur einen Kanal: z = 1.<\/p>\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"768\" height=\"412\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-Processing-Repre\u0301sentation-Fond-Blanc@2x.webp\" alt=\"\" loading=\"lazy\"><figcaption>Illustration RVB Image<\/figcaption><\/figure>\n<h3>&#8222;Welche sind die klassischen Techniken der Bildbearbeitung?&#8220;<\/h3>\n<p>Historisch gesehen wurden Bilder mit mathematischen Analysemethoden bearbeitet, von denen wir im Folgenden einige vorstellen werden:<\/p>\n<ul>\n<li><strong>Gau\u00dfsche Unsch\u00e4rfe<\/strong> oder Gau\u00dfsche Gl\u00e4ttung ist das Ergebnis der Anwendung einer Gau\u00dfschen Funktion auf ein Bild, d. h. auf eine Matrix wie oben definiert. Sie wird verwendet, um das Bildrauschen zu reduzieren und Details abzuschw\u00e4chen. Der visuelle Effekt dieser Unsch\u00e4rfetechnik ist \u00e4hnlich wie das Betrachten eines Bildes durch eine lichtdurchl\u00e4ssige Leinwand. Sie wird manchmal als Datenerh\u00f6hungstechnik f\u00fcr Deep Learning verwendet, auf das wir weiter unten noch genauer eingehen werden.<\/li>\n<li>Die <strong>Fourier-Transformation<\/strong> zerlegt ein Bild in seine Sinus- und Kosinuskomponenten. Sie hat viele Anwendungen, wie z. B. die Rekonstruktion von Bildern, die Komprimierung von Bildern oder die Filterung von Bildern. Da wir von Bildern sprechen, wollen wir die diskrete Fourier-Transformation in Betracht ziehen.<\/li>\n<\/ul>\n<p>Betrachten wir eine Sinuskurve, sie besteht aus drei Elementen:<\/p>\n<ul>\n<li>Die <strong>Amplitude<\/strong> &#8211; verbunden mit dem Kontrast<\/li>\n<li>Die <strong>Raumfrequenz<\/strong> &#8211; verbunden mit der Helligkeit<\/li>\n<li>Die <strong>Phase<\/strong> &#8211; verbunden mit der Information \u00fcber die Farbe<\/li>\n<\/ul>\n<p>Die Kantenerkennung ist eine Bildverarbeitungstechnik, mit der die Grenzen von Objekten in Bildern gefunden werden k\u00f6nnen. Sie funktioniert, indem sie Diskontinuit\u00e4ten in der Helligkeit erkennt. Genauer gesagt werden Kanten als lokale Maxima des Bildgradienten definiert, d. h. Bereiche, in denen es eine gro\u00dfe Wertevariation zwischen zwei Pixelbereichen gibt. Der g\u00e4ngigste Algorithmus zur Erkennung von R\u00e4ndern ist der <strong>Sobel-Algorithmus<\/strong>.<\/p>\n<p><a href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\"><br \/>\nLernen, das Image Processing anzuwenden<br \/>\n<\/a><\/p>\n<h3>Image Processing mit neuronalen Netzen<\/h3>\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"768\" height=\"395\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-Processing-Detection-des-contours@2x.webp\" alt=\"\" loading=\"lazy\"><figcaption>Erkennung von Konturen auf einem Bild des Eiffelturms<\/figcaption><\/figure>\n<p>Mit dem Aufkommen von neuronalen Netzen und erh\u00f6hter Rechenleistung wurde die Bildverarbeitung revolutioniert. Insbesondere Faltungsnetze, die auf den oben genannten Techniken basieren,zeichnen sich bei der Erkennung und Erkennung von Objekten oder Personen aus. Wie funktionieren sie?<\/p>\n<p>Ein <a href=\"https:\/\/liora.io\/de\/neuronale-netze-einfach-erklaert\">gefaltetes neuronales Netz<\/a>, kurz CNN, besteht aus drei Hauptschichten:<\/p>\n<ul>\n<li>Die <strong>Faltungsschicht (CONV)<\/strong>: Sie ist f\u00fcr die Durchf\u00fchrung der <strong>Faltungsoperation<\/strong> verantwortlich. Das Element, das an der Ausf\u00fchrung der Faltungsoperation beteiligt ist, wird als <strong>Kern\/Filter<\/strong> (Matrix) bezeichnet. Der Kern f\u00fchrt <strong>horizontale und vertikale Verschiebungen durch<\/strong>, bis das gesamte Bild durchlaufen wird. Die Funktionsweise ist <strong>\u00e4hnlich wie bei der<\/strong> <strong>Konturenerkennungstechnik<\/strong>.<\/li>\n<li><strong>Pooling-Schicht (POOL)<\/strong>: Diese Schicht ist f\u00fcr die <strong>Verringerung der Dimensionalit\u00e4t<\/strong> verantwortlich. Sie <strong>verringert die Rechenleistung<\/strong>, die f\u00fcr die Verarbeitung der Daten ben\u00f6tigt wird. Es gibt zwei Arten von Pooling: <strong>Maximales Pooling und Mittleres Pooling<\/strong>. Maximales Pooling gibt den maximalen Wert des Bereichs zur\u00fcck, der vom Kern auf dem Bild abgedeckt wird. Das durchschnittliche Pooling gibt den Mittelwert aller Werte des vom Kern abgedeckten Bereichs des Bildes zur\u00fcck.<\/li>\n<li><strong>Vollst\u00e4ndig verbundene Schicht (FC)<\/strong>: Die vollst\u00e4ndig verbundene Schicht (FC) ist am Ende der CNN-Architekturen vorhanden. Sie \u00e4hnelt einer herk\u00f6mmlichen Schicht in neuronalen Netzen und erm\u00f6glicht es, nach Anwendung einer Aktivierungsfunktion die vom Netz erwartete Ausgabe, z. B. eine Klassifizierung, zur\u00fcckzugeben.<\/li>\n<\/ul>\n<p>Durch das Hinzuf\u00fcgen von nicht linearen Funktionen (&#8222;RELU&#8220;) innerhalb der Netzwerke oder durch spezielle Architekturen k\u00f6nnen komplexere Probleme gel\u00f6st werden. Es gibt viele Beispiele daf\u00fcr: DenseNet, U-Net, VGG&#8230;<\/p>\n<h3>Generative Adversarial Networks<\/h3>\n<p>Da f\u00fcr das Workout komplexer Netzwerke manchmal nicht gen\u00fcgend gelabelte Daten zur Verf\u00fcgung stehen, werden heute vor allem generative Modelle, sogenannte <a href=\"https:\/\/liora.io\/gan-machine-learning\">GANs f\u00fcr Generative Adversarial Networks<\/a>, verwendet.<\/p>\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"768\" height=\"822\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-Processing-Second-Sche\u0301ma-Fond-Blanc@2x.webp\" alt=\"\" loading=\"lazy\"><figcaption>Die Funktionsweise von GAN<\/figcaption><\/figure>\n<p>GANs bestehen aus zwei Modellen: <b>Generator <\/b>und <b>Discriminator<\/b>. Der Generator lernt, falsche Bilder zu erzeugen, die realistisch aussehen, um den Diskriminator zu t\u00e4uschen, und der Diskriminator lernt,falsche Bilder von echten zu unterscheiden. Der Generator darf keine echten Bilder sehen und kann daher in der Startphase schlechte Ergebnisse produzieren, w\u00e4hrend der Diskriminator zwar echte Bilder sehen darf, diese aber mit den vom Generator erzeugten falschen Bildern vermischt werden, die er als echt oder falsch klassifizieren muss.<\/p>\n<p>Ein gewisses Rauschen wird in den Generator eingebracht, damit er in der Lage ist,jedes Mal andere Beispiele und nicht denselben Bildtyp zu erzeugen. <b>Auf der Grundlage der vom Diskriminator vorhergesagten Punktzahlen versucht der Generator, seine Ergebnisse zu verbessern<\/b>. Nach einiger Zeit wird der Generator in der Lage sein, Bilder zu produzieren, die schwerer zu unterscheiden sind. Auch der Diskriminator wird besser, da er dem Generator mit jeder Runde immer realistischere Bilder entlockt.<\/p>\n<p>Die beliebtesten GAN-Typen sind Deep Convolutional GAN (DCGAN), Conditional GAN (cGAN), StyleGAN, CycleGAN usw.<\/p>\n<p>GANs eignen sich hervorragend f\u00fcr die Erzeugung und Manipulation von Bildern: Gesichtsalterung, Mischen von Fotos, Superaufl\u00f6sung, Malen von Fotos,\u00dcbersetzen von Kleidungsst\u00fccken.<\/p>\n<h3>Schlussfolgerung<\/h3>\n<p>Es gibt viele Techniken der Bildbearbeitung, und wie in vielen F\u00e4llen heutzutage, kann man mit neuronalen Netzen viele Informationen und sehr genaue Schlussfolgerungen erhalten. Python ist die Sprache der Wahl f\u00fcr diese Art von Aufgaben, mit Werkzeugen wie <a href=\"\/\"><b>OpenCv<\/b><\/a>, <b><a href=\"\/\">Scikit Image<\/a>, <a href=\"\/\">Tensorflow <\/a><\/b>oder <a href=\"\/\"><b>Pytorch<\/b><\/a>.<\/p>\n<p><a href=\"https:\/\/liora.io\/formation-data-scientist-1\"><b>Die von Liora<\/b><\/a> angebotenen Programme bieten dir zahlreiche Tools, mit denen du lernen kannst, wie du Daten in Bildform verarbeiten und die komplexesten neuronalen Netze nutzen kannst.<\/p>\n<p><a href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\"><br \/>\nErfahre mehr \u00fcber die Data Scientest Weiterbildungen<br \/>\n<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Bilder enthalten viele wichtige Informationen. W\u00e4hrend sie f\u00fcr unsere ge\u00fcbten Augen leicht zu erkennen sind, stellen sie eine echte Herausforderung f\u00fcr die Datenanalyse dar. Die Gesamtheit dieser Techniken ist unter dem Namen \u201eImage Processing\u201c oder Bildverarbeitung bekannt. In diesem Artikel erf\u00e4hrst du mehr \u00fcber die klassischen Algorithmen, Techniken und Werkzeuge zur Verarbeitung von Daten in Form von Bildern.<\/p>\n","protected":false},"author":47,"featured_media":167012,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-165465","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/165465","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=165465"}],"version-history":[{"count":2,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/165465\/revisions"}],"predecessor-version":[{"id":215888,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/165465\/revisions\/215888"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/167012"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=165465"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=165465"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}