Die Wolfram Language bietet nicht nur die Möglichkeit, Bilder mit Hilfe von vortrainierten neuronalen Netzen zu klassifizieren, sondern es können auch eigene Methoden zum Training verwendet werden, die nur wenige Daten erfordern. Damit lassen sich beispielsweise manuelle Klassifizierungsaufgaben automatisieren oder erweitern. Die Klassifizierungsgenauigkeit kann durch die Verwendung des High-Level-Frameworks für maschinelles Lernen mit Transfer Learning und Data Augmentation maximiert werden.

Leitfaden für Computer-Vision »
Leitfaden für maschinelles Lernen »
Image Identification Project »

Die vielfältigen Möglichkeiten zur Segmentierung in der Wolfram Language umfassen u. a. die Segmentierung von Vorder- und Hintergründen, das Trennen von Objekten auf der Grundlage von Farben oder Konturen oder tiefer greifenden semantischen Merkmalen. Typische Anwendungen der Segmentierung, bei der die Wolfram Language unterstützt, sind das Zählen von Objekten oder die Analyse ihrer Formen. Dazu stehen beispielsweise klassische Methoden wie Watershed und Region Growing zur Verfügung; aber auch neuronale Netze wie ResNet oder U-Net können angewendet werden.

Leitfaden zur Segmentierung »
Vortrainierte Bildsegmentierungsnetzwerke »

Die Wolfram Language erlaubt es, Bildpunkte, Ecken und Linien zu erkennen und über eine Bildsequenz hinweg zu verfolgen. Die Merkmalserkennung und -verfolgung kommt typischerweise bei der Analyse von Bewegungen, der Erstellung von Augmented-Reality-Anwendungen oder der Trennung von Vordergrund und Hintergrund zum Einsatz.

Leitfaden zur Merkmalserkennung »

Mit der Wolfram Language lassen sich korrespondierende Teile von Bildern finden und ausrichten, indem eine Vielzahl von Schlüsselpunkten erkannt und miteinander abgeglichen wird. Dies wird in der Regel zum Zusammenfügen von Bildern oder zum Stapeln und Ausrichten von Bildern für die 3D-Rekonstruktion u. Ä. verwendet.

Leitfaden zum Ausrichten von Bildern & Stitching »

Bilder lassen sich in der Wolfram Language mit hochgradig optimierten linearen und nichtlinearen Filtern verbessern. Mit fortschrittlichen neuronalen Netzwerken können Bilder u. a. entrauscht, geglättet, retuschiert oder in einer höheren Auflösung berechnet werden.

Leitfaden zur Bildwiederherstellung »
Wolfram Function Repository: Enhanced Super-Resolution GAN »

Nicht nur Farbanpassungen, Einfärbungen und Tonemapping, sondern auch die selektive Neueinfärbung, das Stapeln von Belichtungseffekten und vielfältige Bildeffekte sind mit der Wolfram Language möglich. Es kann aus einer Vielzahl von unterstützten Farbräumen gewählt werden, um Arbeitsabläufe einfacher und effizienter zu gestalten.

Leitfaden zur Farbverarbeitung »
Leitfaden für Computerfotografie »

Im Bereich der Bildverarbeitung bietet die Wolfram Language Bildmorphologie-Funktionen, mit denen sich Bilder oder Bildsegmente analysieren, transformieren und rekonstruieren lassen. Die Morphologie-Funktionen reichen dabei von einfacher Erosion und Dilatation bis zu fortgeschrittener Ausdünnung, Beschneidung und Skelettierung.

Leitfaden zur mathematischen Morphologie »
Leitfaden zur Segmentierung und Segmentanalyse »

An medizinischen und industriellen Bildern können mit der Wolfram Language Segmentierungen durchgeführt, Filter angewendet, Merkmale extrahiert und morphologische Messungen und vieles mehr vorgenommen werden. Auch in 3D ist die Verarbeitung und Analyse möglich, zusätzlich können die Ergebnisse mit leistungsfähigem Volumenrendering und umfangreichen Beleuchtungsoptionen angezeigt werden.

Leitfaden zu 3D-Bildberechnungen »

Die Wolfram Language unterstützt den Import von Bildern aus gängigen Dateiformaten (JPEG, TIFF, DICOM etc.) oder die Erfassung von Bildern über angeschlossene Geräte (Webcams, Mikroskope etc.). Es können hochwertige Rasterbilder, Vektorgrafiken und Visualisierungen generiert und in eine große Anzahl unterstützter Bildformate exportiert werden.

Leitfaden zur Erstellung und Import von Bildern »
Leitfaden für Rasterformate »