Ortsfrequenz

Wer ein Bild betrachtet, sieht manchmal grobe Flächen und manchmal feine Details. Diese Unterscheidung lässt sich messen. Die Ortsfrequenz gibt an, wie oft sich ein Muster — zum Beispiel ein Wechsel von Hell zu Dunkel — auf einer bestimmten Strecke wiederholt. Grobe Strukturen wie ein gleichmäßiger Himmel haben niedrige Ortsfrequenz. Feine Strukturen wie Haare oder Textur eines Stoffes haben hohe Ortsfrequenz. Der Begriff stammt ursprünglich aus der Optik und Signalverarbeitung, spielt aber heute eine zentrale Rolle in der Bildverarbeitung durch künstliche Intelligenz.

Ortsfrequenz als Schlüssel zur Bildanalyse

Bilder enthalten gleichzeitig Information auf sehr unterschiedlichen Ebenen. Ein Foto einer Stadt zeigt sowohl die grobe Silhouette der Skyline als auch das feine Raster eines Fensters. Beide Ebenen sind wichtig — aber für unterschiedliche Aufgaben. Ein KI-Modell, das Gesichter erkennt, muss grobe Proportionen genauso verarbeiten wie feine Kanten.

Wer Ortsfrequenzen gezielt trennt, kann ein Bild in seine Bestandteile zerlegen. Das ist vergleichbar damit, wie man in einem Musikstück Bass und Melodie getrennt hört. In der Bildverarbeitung nennt man das Filterung: Ein Tiefpassfilter lässt nur niedrige Ortsfrequenzen durch und erzeugt ein weichgezeichnetes Bild. Ein Hochpassfilter behält nur hohe Ortsfrequenzen — und zeigt nur noch Kanten und Konturen.

Wie Ortsfrequenz in neuronalen Netzen wirkt

Neuronale Netze zur Bilderkennung — sogenannte Convolutional Neural Networks oder kurz CNNs — verarbeiten Ortsfrequenzen automatisch, ohne dass man ihnen das explizit beibringt. In frühen Schichten des Netzes reagieren einzelne Einheiten stark auf bestimmte Muster: manche auf langsame Helligkeitsverläufe, andere auf scharfe Kanten. Das entspricht genau der Unterscheidung zwischen niedrigen und hohen Ortsfrequenzen.

Forscher haben herausgefunden, dass KI-Modelle bei ihrer Entscheidung manchmal zu stark auf hohe Ortsfrequenzen setzen — also auf feine Texturen — während Menschen eher auf grobe Formen achten. Ein Netz kann deshalb ein Bild falsch klassifizieren, wenn man die feinen Texturen leicht verändert, obwohl die Form des Objekts unverändert bleibt. Dieses Phänomen liegt vielen sogenannten adversarialen Angriffen zugrunde: Minimale, für das Auge unsichtbare Veränderungen in hohen Ortsfrequenzen bringen ein KI-Modell dazu, ein Bild komplett falsch zu interpretieren.

Auch Generative Adversarial Networks — kurz GANs, also KI-Systeme, die neue Bilder erzeugen — haben eine charakteristische Schwäche bei Ortsfrequenzen. Sie erzeugen oft Bilder, die auf den ersten Blick echt wirken, aber bei näherer Analyse in hohen Ortsfrequenzen typische Artefakte zeigen. Software zur Erkennung von KI-generierten Bildern nutzt genau das aus.

Ortsfrequenz in Produkten und aktueller Forschung

Bildkompressionsformate wie JPEG arbeiten direkt mit Ortsfrequenzen. JPEG zerlegt ein Bild in kleine Blöcke und speichert pro Block, welche Ortsfrequenzen wie stark vorhanden sind — und lässt dabei gezielt hohe Ortsfrequenzen weg, weil das menschliche Auge sie am wenigsten vermisst. Das ist der Grund, warum stark komprimierte JPEG-Bilder an Kanten unscharf oder fleckig wirken.

In der medizinischen Bildgebung, etwa bei MRT-Aufnahmen, ist der Begriff unverzichtbar. Rohdaten aus einem MRT-Gerät liegen zunächst im sogenannten Frequenzraum vor und müssen erst umgerechnet werden, bevor ein Arzt sie sehen kann. KI-Modelle, die MRT-Bilder analysieren, profitieren davon, wenn sie diese Frequenzinformation direkt nutzen statt erst das fertige Bild zu betrachten.

Auch in der Diskussion um Deepfakes taucht Ortsfrequenz regelmäßig auf. Detektoren, die von Unternehmen wie Microsoft oder Adobe entwickelt werden, suchen in hohen Ortsfrequenzen nach Mustern, die KI-generierte Gesichter von echten Fotos unterscheiden. Ortsfrequenz ist damit längst kein rein akademischer Begriff mehr — sie steckt in jedem Smartphone, jedem Videostreaming-Dienst und jedem Werkzeug zur Erkennung gefälschter Medien.