Wie wir unsere Nonogramme erstellen

Ein Nonogramm ist immer nur eine schwarz-weiße Silhouette — keine Schattierung, keine Farbe, kein Innenleben. Der erste Schritt ist also, ein Ausgangsbild auszuwählen, dessen Form bei winziger Auflösung klar erkennbar bleibt: ein Tier, ein Stück Obst, ein Sternzeichen, ein Alltagsgegenstand. Wir arbeiten mit Vektorgrafiken (SVG), transparenten PNGs und schlichten Fotos, geordnet in thematische Asset-Pakete, sowie mit Bildern, die über eine in der App integrierte Bildsuche hereinkommen.

Was in diesem Schritt zählt, ist nicht, wie hübsch das Bild ist, sondern wie gut seine Kontur das Zusammenstauchen auf ein 15×15- oder 20×20-Raster übersteht. Eine kräftige, gut abgegrenzte Form funktioniert. Eine überladene Szene mit vielen kleinen, sich überlappenden Teilen fast nie — und weiter unten sehen wir, warum.

Das Bild wird mit einer echten Bildbibliothek gerastert (derselben, auf die sich Browser für SVG stützen) und dann auf einen einzigen Schwarz-oder-Weiß-Wert pro Zelle reduziert. Es gibt keinen einzigen "richtigen" Weg, das zu tun, deshalb probiert die Verarbeitungskette mehrere aus: anhand der eigenen Transparenz des Bildes, wo es welche hat, anhand der schlichten Helligkeit (dunkel = gefüllt) oder — bei einem hellen, farbigen Motiv auf schlichtem Hintergrund, wo die Helligkeit allein es kaum abtrennt — anhand des Farbabstands zum Hintergrund. Ein hellorangefarbener Fuchs auf Weiß ist in der Helligkeit nahezu weiß, in der Farbe aber weit davon entfernt; die Farbabstandsmaske isoliert ihn sauber.

Die Grenze zwischen "gefüllt" und "leer" wird automatisch mit dem Otsu-Verfahren (Otsu's method) gewählt, einer Standardtechnik, die den Helligkeitsschwellenwert findet, der das Bild am saubersten in zwei Gruppen teilt. Da sich nicht im Voraus wissen lässt, welche Größe, welcher Ausschnitt und welcher Schwellenwert sich am besten lesen, erzeugt die Verarbeitungskette pro Bild viele Kandidatenraster — unterschiedliche Größen, unterschiedliche Schwellenwerte — beschneidet jedes auf seinen gefüllten Inhalt und passt die Form an die Proportionen des Rasters an, sodass eine breite Krone ein breites Raster erhält, statt in ein Quadrat gequetscht zu werden.

Ein Bild, das für einen Menschen in Ordnung aussieht, ist nicht automatisch ein gültiges Rätsel. Ein echtes Nonogramm muss allein aus seinen Zeilen- und Spaltenhinweisen lösbar sein und — ganz entscheidend — genau eine Lösung haben. Wenn zwei verschiedene gefüllte Muster alle Hinweise erfüllen, ist das Rätsel mehrdeutig und unfair, denn wer es mit reiner Logik löst, könnte völlig korrekt beim "falschen" Bild landen.

Deshalb wird jeder Kandidat an einen Solver übergeben: Er wendet dieselben zeilenweisen Schlussfolgerungen an, die auch ein Mensch anstellen würde, und wo die Logik allein ins Stocken gerät, greift er auf eine erschöpfende Suche zurück, um zu zählen, wie viele vollständige Lösungen existieren. Jedes Raster mit null Lösungen (widersprüchlich) oder mehr als einer Lösung (mehrdeutig) wird auf der Stelle verworfen. Diese Eindeutigkeitsprüfung ist die wichtigste Hürde der gesamten Verarbeitungskette.

Eine einzige Lösung zu haben, reicht noch nicht ganz. Ein Rätsel kann technisch eindeutig, aber nur durch Ausprobieren erreichbar sein — eine Zelle füllen, ihr tief ins Raster folgen und zurückgehen, wenn es zu einem Widerspruch führt. Das ist kein Lösen, das ist Raten, und es macht ein Rätsel frustrierend.

Um das abzufangen, klassifizieren wir, wie schwer jedes Rätsel zu durchdenken ist. Rätsel, die sich aus schlichter zeilenweiser Logik ergeben, sind "einfach". Eine zweite, gut untersuchte Stufe der Deduktion (basierend auf der veröffentlichten Forschung zur Nonogramm-Schwierigkeit von Batenburg und Kosters) bewältigt den größten Teil des Rests ohne jedes Raten. Alles, was sich noch immer nicht ohne Ausprobieren klären lässt, wird als rateabhängig gekennzeichnet — und für den alltäglichen Katalog werden solche Rätsel beiseitegelegt statt veröffentlicht.

Noch vor jeder Lösungsarbeit sagt die Verarbeitungskette auch voraus, ob ein Bild überhaupt einen Versuch wert ist, und nutzt dafür zwei grobe, aber ehrliche Signale. Das eine ist die Trennbarkeit: wie sauber sich das Bild überhaupt in zwei Töne aufteilt — eine matschige, kontrastarme Vorlage ist bei jeder Größe eine schlechte Wette. Das andere ist die Passung von Detail und Auflösung: ein Bild mit weit mehr feinen Merkmalen, als das Raster Zellen hat, fällt einfach zu einem Klecks zusammen.

Ein konkretes Beispiel aus unseren eigenen Tests: Ein echtes Foto des Eiffelturms lieferte einen 40×40-Kandidaten, der jede Lösbarkeitsprüfung bestand — eine eindeutige Lösung, ein vernünftiges Füllverhältnis — sich aber als massives Rechteck darstellte. Das Gitterwerk des Turms und das Gewimmel darunter flachten zu einem einzigen undifferenzierten Block ab. Technisch ein gültiges Nonogramm; visuell nutzlos. Genau solche Fälle sollen diese vorgelagerten Prüfungen zusammen mit einem menschlichen Blick abfangen. Um die Grenzen klar zu benennen: Es gibt hier kein Vision-Modell — die Verarbeitungskette erkennt nie, *was* auf einem Bild ist, sondern misst nur, wie gut sich seine Form umsetzen lässt. Deshalb liegt die endgültige Entscheidung immer noch bei einem Menschen.

Rätsel, die jede Hürde nehmen, erhalten anhand ihrer Lösungsstufe und ihrer Formstatistik (wie voll das Raster ist, ob das Bild über die Ränder hinausläuft und so weiter) eine Schwierigkeitsbewertung, die sie in Sammlungen für leicht, mittel und schwer einsortiert. Dann öffnet ein Mensch die für den Katalog bestimmten in unserem Raster-Editor, prüft, ob das Bild wirklich als das zu lesen ist, was es sein soll, und passt alles an oder verwirft es, was die automatischen Prüfungen durchgewunken haben, obwohl sie es nicht hätten tun sollen.

Es ist ein bewusst unglamouröser Prozess, und genau darum geht es: Die Automatisierung existiert, um Fairness zu garantieren — eine Lösung, mit Logik lösbar — während ein Mensch über das wacht, was ein Computer nicht beurteilen kann, nämlich ob das fertige Bild etwas taugt.