Bildsegmentierung - eine Benutzerstudie unter Verwendung von Eye-Tracking

Abstract

Diese Arbeit beschäftigt sich mit der qualitativen Evaluierung zweier State‐of‐the‐Art Matting‐Algorithmen, die auf Grundlage von Benutzereingaben Bildinhalte segmentieren. Bislang bildeten hauptsächlich quantitative Methoden die Basis, um berechnete Daten zu bewerten. Grundlage dafür bildeten meist Mittelwertverfahren, die den Abstand zwischen berechnetem Ergebnis und optimaler Lösung heranzogen. Derartige computergestützte Berechnungsverfahren reichen jedoch nicht aus, um visuelle Information ausreichend zu analysieren, weil sie keinen Bezug zur menschlichen Wahrnehmung herstellen. Aus diesem Grund wurde in dieser Arbeit eine Studie entworfen, die auf ahrnehmungspsychologische Erkenntnisse zurückgreift, um die Qualität von Bildkompositionen hinreichend zu bewerten. 26 Probanden evaluierten digitale Nachbearbeitungen, um die Praxistauglichkeit der beiden zu untersuchenden Matting‐Algorithmen festzustellen. Sowohl beim Erstellungsprozess, als auch bei der Auswertung der Daten, die unter Verwendung einer Eye‐Tracking Kamera vertiefte Erkenntnisse brachte, wurden visuelle Eigenschaften des Menschen berücksichtigt, um möglichst aussagekräftige Resultate zu erzielen.<br />Die Studie in dieser Arbeit zeigte, dass sich die Testpersonen hauptsächlich auf zwei Möglichkeiten beim Blickverhalten beschränkten.<br />Während gerade für erfahrene Teilnehmer das exakte und zeitintensive Abtasten von kleinen Bildbereichen die Grundlage für ihre Bewertungen bildete, zeichneten sich andere Personen durch eine Gesamtanalyse der Bilder aus. Obwohl die Herangehensweise erfahrener Probanden nicht bei allen dargebotenen Bildern zielführend war, konnten diese Personen überdurchschnittlich viele Fehler der Algorithmen beschreiben. Eine exakte Aufschlüsselung der Studienresultate brachte die Erkenntnis, dass die häufigste Ursache für schlecht befundene Bildkompositionen im mangelhaften Angleichen von Vordergrundobjekten an andere Umweltverhältnisse im Hintergrundbild zu finden war. Letztendlich ließ sich ein Matting‐Algorithmus als besser beschreiben, weil er nicht nur bei feinstrukturierten Inhalten, wie Haare, exaktere Ergebnisse berechnen konnte, sondern in Summe niedrigere Fehlerwerte bei der Analyse hinsichtlich spezifizierter Fehlerkategorien aufwies.