Read more
Das zunehmende Aussterben des VHS- und SVHS-Systems sowie weiterer magnetbandbasierter Videosysteme zwingt lokale sächsische Fernsehsender zu einer raschen Digitalisierung großer Mengen analoger Videobänder. Die darauf befindlichen Aufnahmen stellen wichtige Zeitzeugnisse aus der Wendezeit dar und dokumentieren die Herausforderungen, welchen sich die ostdeutschen Bürger nach dem Wechsel von einem sozialistischen zu einem marktwirtschaftlichen System gegenüber sahen. Oftmals ist diese Massendigitalisierung nur von einer generellen Sicherung ohne optimierende Maßnahmen gepr.gt, sodass qualitative Mängel erst nach der Digitalisierung aufwändig manuell retuschiert werden können. Hierzu ist zunächst ein Überblick über qualitativ gute und schlechte Sequenzen wünschenswert. Bislang existieren jedoch keine Verfahren für eine automatisierte Qualitätsanalyse von Digitalisaten analoger Archivbestände.
An dieser Stelle setzt der in der vorliegenden Arbeit vorgestellte Ansatz für eine automatisierte Erkennung und Klassifikation von Störerscheinungen an. Anhand einer extensiven Literaturrecherche und Materialanalyse werden mögliche Störquellen und Störerscheinungen theoretisch identifiziert und systematisiert. Dabei wird die vage, t.w. überlappende und z.T. auch widersprüchliche Terminologie von über 800 Begrifflichkeiten eingeordnet und neu definiert.
Die Erkenntnisse werden durch Tabellen und Abbildungen ergänzt, sodass eine bisher nicht existente Übersicht über die diskutierten Phänomene präsentiert werden kann. Zudem wird ein Vorschlag für ein geeignetes Verfahren für deren automatisierte Detektion und Darstellung evaluiert. Die vorgestellte Methode wird mit Hilfe der im Deep Learning üblichen CNN umgesetzt und beinhaltet die Generierung von Datensätzen, das Training des Systems sowie die Klassifikation der zuvor systematisierten Phänomene.
Zusätzlich wird eine nutzerfreundliche Darstellung präsentiert, welche es erlaubt, brauchbares und unbrauchbares Videomaterial ohne vertiefte Kenntnisse über Störerscheinungen oder Künstliche Neuronale Netze und ohne Zeitaufwand auf einen Blick zu unterscheiden und semantische Strukturen zu erkennen. Die vorgestellte Methode arbeitet ressourcenschonend und stellt eine Zeit-, Personal- und Kostenersparnis für den Anwender dar. Darüber hinaus lässt sich die Methode auf andere Videoformate adaptieren und auf große Datenbestände erweitern.
