Der grundlegende Schritt einer quantitativen Gefügeanalyse ist die Segmentierung sowohl der lichtoptischen als auch der rasterelektronischen Mikroskop-Aufnahmen, um Gefügebestandteile voneinander zu separieren. Regelmäßig werden neue Segmentierungsansätze veröffentlicht und die Vielzahl der verfügbaren Algorithmen ist nur schwer überschaubar. Allerdings werden Nischen wie die Materialwissenschaft aufgrund des vergleichsweisen geringen Marktanteiles in der Regel vernachlässigt und daher oft alte, evaluierte Methoden eingesetzt, in erster Linie die Schwellwert-Segmentierung. Bei der Analyse komplexer Gefüge, wie Bainit, stößt die Schwellwert-Segmentierung allerdings schnell an ihre Grenzen. Auch wenn die Segmentierung mittels Deep Learning (DL) in der Gefügeanalyse immer populärer wird, bieten konventionelle Ansätze der Computer Vision (CV) weiterhin große Potenziale und Mehrwerte für die Gefügesegmentierung. Da diese CV Ansätze i.d.R. keine großen Datenmengen benötigen und die Algorithmen gezielt angepasst werden können, bieten sie teilweise sogar Vorteile gegenüber DL.

Diese Arbeit präsentiert einen Segmentierungsansatz basierend auf einem wandernden Fenster, welches über die Gefügeaufnahme rastert und an jeder Fensterposition geeignete Merkmale extrahiert, die zum Unterscheiden verschiedener Gefügebestandteile und damit zur Segmentierung geeignet sind.

In einem martensitisch-bainitischen Gefüge wird eine Segmentierung über die Ableitung unterschiedlicher Statistiken der Grauwert-Histogramme erreicht. In sog. Complex-Phasen-Stählen werden granularer und lattenförmiger Bainit über die Auswertung lokaler Richtungen segmentiert. Weiterhin werden Ansätze vorgestellt, wie Grenzwerte zur Unterscheidung der Gefügebestandteile automatisch bestimmt werden können, oder wie das segmentierte Bild durch anschließende Operationen wie Nachbarschaftsanalysen oder region growing weiter verbessert werden kann.