Digitale Bildverarbeitung. eine Zusammenfassung von Markus Liebe
|
|
- Henriette Breiner
- vor 5 Jahren
- Abrufe
Transkript
1 Digitale Bildverarbeitung eine Zusammenfassung von Markus Liebe
2 2
3 Inhaltsverzeichnis Aufnahme 5 Bildgeber 5 CCD 5 2 CMOS 5 2 Rasterung 5 3 Quantisierung 5 4 Kodierung 5 2 Wiedergabe 7 2 Farbräume 7 22 Ausgabemedien 7 3 Vorverarbeitung 9 3 Bildverbesserung 9 3 Grauwertmanipulation 9 32 Lineare Skalierung 9 33 Logarithmische Skalierung 9 34 Ebnen der Grauwerte 0 35 Gammakorrektur 0 36 Bildmittelung 0 37 Korrektur inhomogener Beleuchtung 0 38 Korrektur im Farbraum 0 32 Filterung - Nachbarschaftsoperationen 32 Lineare Filter 322 Nichtlineare Filter 323 Faltung 324 Mittelung mit Rechtecksfenster 325 2D-Rechteckfilter Binomialfilter Rangordnungsfilter 2 4 Bildanalyse 3 4 Kantenextraktion 3 4 Sobel Kantendetektor 4 42 Morphologie 4 3
4 Inhaltsverzeichnis Inhaltsverzeichnis 42 Opening Extraktion von Rändern 4 43 Segmentierung 5 43 pixelorientiert Bildbasiert Regionenbasiert Kantenbasiert 5 5 Interpretation 7 5 Formanalyse 7 5 Flächenbestimmung A 7 52 Umfangbestimmtung U 7 53 Rundheitsmass R 7 54 Momentenbasierte Merkmale 7 52 Klassifikation 8 6 Bildkompression 9 6 Grundlagen 9 6 Informationsgehalt 9 62 Entropie 9 63 Kodierungstheorie 9 64 Mittlere Codelänge (Bitrate) einer Symbolfolge 9 62 Verlustlose Kompression 9 62 Morse-Code Entropie-Kodierung Lauflängenkodierung Kodierung durch Differenzbildung Tabellengesteuerte Kodierung Verlustbehaftete Kompression JPEG-Enkodierung JPEG-Dekodierung 20 4
5 Aufnahme Bildgeber CCD 2 CMOS beleuchte Objekte werden auf einem Sensor abgebildet der Sensor wandelt das Bild in elektrische Signale um Bilder stellen flächenhafte Verteilung einer Bestrahlungsstärke dar 2 Rasterung Bild wird gerastert Rasterung bestimmt die Auflösung Rasterung führt zu Ortsdiskretisierung des Bildes 3 Quantisierung N-kanalige Bilder pro Kanal und Rasterflächenstück wird ein Wert gespeichert Durch Quantisierung wird jedem Rasterflächenstück Farbinformation zugeordnet 4 Kodierung 5
6 4 KODIERUNG KAPITEL AUFNAHME 6
7 2 Wiedergabe 2 Farbräume menschliches Farbempfinden ist nicht-linear Darstellung von Farben mittels Farbräumen additiv: RGB / YUV subtraktiv: CMYK 22 Ausgabemedien Displays arbeiten im additiven Farbraum Drucker im subtraktiven 7
8 22 AUSGABEMEDIEN KAPITEL 2 WIEDERGABE 8
9 3 Vorverarbeitung 3 Bildverbesserung 3 Grauwertmanipulation Ziel der Grauwertmanipulation ist die Anpassung des Kontrasts 32 Lineare Skalierung Weist das Bild nur einen kleinen Grauwertbereich auf, so kann man versuchen den kleinen Grauwertebereich auf den vollen abzubilden 0 f(g) = 255 (3) c 2 g + c c 2 Dabei gilt: und c 2 = c = Min (32) 255 (Max Min) (33) 33 Logarithmische Skalierung Bei der logarithmischen Skalierung wird versucht einen kleinen Bereich von Grauwerten auf einen Bereich von [0 255] abzubilden Um eine möglichst optimale Verteilung zu finden wird eine logarithmische Skala verwendet Es gilt: und a = Obige Gleichungen sind einzusetzen in c 2 c Max Min b = c Max c 2 Min Max Min f(g) = 255 log(a g + b) Min Max Min (34) (35) (36) 9
10 3 BILDVERBESSERUNG KAPITEL 3 VORVERARBEITUNG 34 Ebnen der Grauwerte Vorgehen: Bestimmen der relativen Häufigkeit eines jeden p(g) eines jeden Grauwerts Histogrammwerte auf Anzahl der Pixel beziehen p(g) Bestimmen der Verteilungsfunktion h(g) g h(g) = p(k), g = 0,, 255 (37) k=0 Grauwertzuordnung f(g) = 255 h(g) (38) Zusammenfassung: Kontrastanhebung in hellen und dunklen Bereichen Kontrast bleibt gleich im mittleren Helligkeitsbereich generiert Rauschen in helleren Bereichen 35 Gammakorrektur f(g) = γ gγ (39) Grosse Veränderung im mittleren Bereich Nicht so viele Überstrahlungseffekte 36 Bildmittelung Ziel: Reduktion des Rauschens des Sensors pixelweises Berechnen des Mittelwerts über mehrere Bilder 37 Korrektur inhomogener Beleuchtung 38 Korrektur im Farbraum soviel ich weiss nicht relevant für Klausur (keine Garantie!) 0
11 KAPITEL 3 VORVERARBEITUNG 32 FILTERUNG 32 Filterung 32 Lineare Filter Mittelwert Operator einfache Mittelungsfilter schwächen feinere Strukturen nicht unbedingt stärker ab als gröbere Binomialfilter für höhere Ansprüche lineare Filter unterdrücken Impulsrauschen nur schlecht Bilder werden unscharf und Fehler durch Impulsrauschen verteilt lineare Filter unterdrücken Rauschen wirksam, jedoch Impulsrauschen schlecht, da sie davon ausgehen, dass jeder Punkt brauchbare Informationen trägt läuft Glättungsmaske über Objektkante, enthält sie Bildpunkte von Objekt und Hintergrund verwischt Merkmal 322 Nichtlineare Filter Rangordnungsfilter keine arithmetischen Funktionen keine Rundungsprobleme geeignet zur Unterdrückung von Impulsrauschen und Binärrauschen 323 Faltung r r s a (x, y) = h(u, v) s e (x u, y v) (30) u= r v= r 324 Mittelung mit Rechtecksfenster Summe aller Bildpunkte durch Anzahl der Pixel dividieren Filtermaske: Vertikale Kante: H = 3 [ ] [ ] = (3) aus scharfer Kante wird rampenartiger Übergang
12 32 FILTERUNG KAPITEL 3 VORVERARBEITUNG 325 2D-Rechteckfilter R H = R 2 (32) 326 Binomialfilter der normale Binomialfilter ist für eine Dimension Multipliziert man zwei D Binomialfilter je einer Dimension miteinander, so ergibt sich daraus ein 2D Binomialfilter: B 2 = Rangordnungsfilter B P = B P x B P y (33) [ ] = Grauwerte innerhalb einer Maske werden nach ihrer Grösse sortiert dann wird der mittlere Wert, der Median selektiert erzeugt homogene Fläche (34) 2
13 4 Bildanalyse 4 Kantenextraktion Es ist eine Operation gesucht, die Nachbarschaftsveränderungen Bereiche konstanter Grauwerte unterdrückt basiert auf Ableitung Ableitung erfolgt mit Hilfe des Gradientenvektors f(x, y) = [ ] r δf δf (4) δx δy der Gradientenvektor zeigt in die Richtung des steilsten Anstiegs In Bezug auf die erste Ableitung ist Kante Extremwert Berechnung partieller Ableitungen Ordnung in alle Richtungen (2D: in x- und y- Richtung) mittels Operators D = Der Gradientenbetrag berechnet sich [ Dx D y ] (42) D = [D x D x + D y D y ] 2 (43) Daraus entstehen folgende Filtermasken: rückwärts D x = [ ] (44) vorwärts + D x = [ ] (45) symmetrisch D 2x = 2 [ 0 ] (46) 3
14 42 MORPHOLOGIE KAPITEL 4 BILDANALYSE [ ] 0 = (47) 4 Sobel Kantendetektor Sobel in X-Richtung Sobel in Y-Richtung D 2x = 8 D 2y = (48) (49) Kanten stellen Inhomogenitäten dar Kanten werden mit Differenzfiltern berechnet Probleme bei einfachen Nachbarschaften (Mustern) 42 Morphologie Analyse der Gestalt eines Objektes anhand des Binärbildes Dilatation (Erweiterung) Erosion (Verkleinerung) 42 Opening Zunächst Erosion dann Dilatation siebt kleine Objekte aus, vermeidet Grössenreduktion 422 Extraktion von Rändern Differenz zwischen Originalbild und Erosionsbild 4
15 KAPITEL 4 BILDANALYSE 43 SEGMENTIERUNG 43 Segmentierung 43 pixelorientiert Anhand eines Schwellwertes wird entschieden, ob ein Pixel zum Objekt gehört oder nicht: { 0, für g = s(x, y) < t f(g) = (40) Q, für g = s(x, y) t g Grauwert des Pixels Q Anzahl der Graustufen t Schwellwert Der Schwellwerte kann nach unterschiedlichen Kriterien gewählt werden t=minimum zwischen zwei Maxima t=mittlerer Grauwert in S t=interaktiv festgelegter Wert Das Verfahren versagt sobald der Hintergrund nicht mehr homogen ist Versgt ebenfalls, wenn Objekte mit unterschiedlichen Grauwerten vorhanden sind (führt zur Grössenvariation) 432 Bildbasiert Segmentierung nach Homogenität (regionenbasiert) Segmentierung nach Inhomogenität (kantenbasiert) 433 Regionenbasiert Ganzes Bild Segment Segment wird solange in 4 weitere Segmente zerlegt, bis es Homogenitätskriterium erfüllt benachbarte Segmente werden zusammengefasst, wenn sie das Homogenitätskriterium erfüllen vollständige, überdeckungsfreie Segmentierung 434 Kantenbasiert erkennen Kanten und versuchen ihnen zu folgen Position einer Kante basiert auf Maximalwert der Ableitung vermeiden die Fehler pixelorientierter Verfahren bei Grössensegmentierung Segmentierung nach Inhomogenitäten am Rand eines Segments (kantenbasiert) 5
16 43 SEGMENTIERUNG KAPITEL 4 BILDANALYSE 6
17 5 Interpretation 5 Formanalyse 5 Flächenbestimmung A Zählen der Pixel, die zum Objekt gehören: A = s e (x, y) = 39 (5) x,y 52 Umfangbestimmtung U Zählen der Pixel, die zum Rand gehören (Randextraktion) U = s e (x, y) = 24 (52) x,y Richtungsketten Start an einem Randpunkt folgen dem Rand gegen Uhrzeigersinn entsprechend der möglichen Richtungen 53 Rundheitsmass R R = U 2 A (53) 54 Momentenbasierte Merkmale Berechnung zentraler Momente um einen Schwerpunkt durch Berechnung der Hauptträgheitsachsen kann der Rotationswinkel des Objektes bestimmt werden können translationsinvariant grösseninvariant 7
18 52 KLASSIFIKATION KAPITEL 5 INTERPRETATION rotationsinvariant berechnet werden 52 Klassifikation siehe altes Semester 8
19 6 Bildkompression 6 Grundlagen 6 Informationsgehalt I(s i ) = ld( ) [bit] (6) p i 62 Entropie Mittlerer Informationsgehalt von K statisch unabhängigen Symbolen Bit/Symbol H = 63 Kodierungstheorie K i= ( ) p i ld p i = K p i ld(p i ) (62) 64 Mittlere Codelänge (Bitrate) einer Symbolfolge I = i= K p i [Bits/Symbol] (63) i= 62 Verlustlose Kompression 62 Morse-Code Symbole mit hoher Auftretenswahrscheinlichkeit erhalten kurze Codewörter, und umgekehrt Problem: Trennung der Zeichen, da Kodierung nicht eindeutig 622 Entropie-Kodierung Shannon-Fano Kodierung Die Shannon-Fano Kodierung ist eindeutig Es gibt keine Präfixcodes: Kein Codewort ist Präfix eines anderen Codewortes 9
20 63 VERLUSTBEHAFTETE KOMPRESSION KAPITEL 6 BILDKOMPRESSION Huffman Kodierung Huffman-Kodierung garantiert optimalen Präfixcode 623 Lauflängenkodierung Ausnutzung von Wiederholungen: Aus wird! Kodierung durch Differenzbildung Es wird ein Offset gesetzt und ausgehend davon die Differenz gespeichert Addiert man die Differenz zum Offset erhält man den ursprünglichen Wert Es wird wenig komprimiert und zum Teil sogar verlustbehaftet 625 Tabellengesteuerte Kodierung Kodierung von Phrasen mittels Token Token kürzer als Phrasen führt zu Kompression statische und adaptive Verfahren 63 Verlustbehaftete Kompression 63 JPEG-Enkodierung Originalbild wird mittels Discrete Cosine Transformation transformiert Ergebnis wird quantisiert (Luminanz Quantisierung) es entstehen quantisierte DCT Koeffizienten 632 JPEG-Dekodierung quantisierte DCT Koeffizienten werden mit der Luminanz Quantisierungs Matrix zu den rekonstruierten DCT Koeffizienten überführt auf den rekonstruierten DCT Koeffizienten wird die inverse DCT durchgeführt rekonstruiertes Bild ist entstanden 20
1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
MehrStruktur des menschlichen Auges. Bildgebende Verfahren in der Medizin und medizinische Bildverarbeitung Bildverbesserung 2 / 99
Struktur des menschlichen Auges 2 / 99 Detektoren im Auge Ca. 100 150 Mio. Stäbchen Ca. 1 Mio. Zäpfchen 3 / 99 Zapfen Entlang der Sehachse, im Fokus Tagessehen (Photopisches Sehen) Scharfsehen Farbsehen
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Segmentierung Graphische DV und BV, Regina Pohle, 13. Segmentierung 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
MehrInhaltsverzeichnis. 1 Einführung 1
Inhaltsverzeichnis Inhaltsverzeichnis IX 1 Einführung 1 2 Grundlagen der Datenkompression 5 2.1 Informationsgehalt und Entropie....................... 5 2.2 Kriterien zur Kompressionsbewertung....................
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos statistische Merkmale Punktoperationen f : col 1 col 2 (Bildanalyse) (Farbtransformation) Geometrische Operationen f : pos 1 pos
MehrDigitale Bildverarbeitung
Bernd Jahne Digitale Bildverarbeitung 6., überarbeitete und erweiterte Auflage Mit 248 Abbildungen und 155 Übungsaufgaben und CD-ROM Sy Springer Inhaltsverzeichnis I Grundlagen 1 Anwendungen und Werkzeuge
MehrHauptklausur zur Vorlesung Bildverarbeitung WS 2002/2003
Name:........................................ Vorname:..................................... Matrikelnummer:.............................. Bitte Studiengang ankreuzen: Computervisualistik Informatik Hauptklausur
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos mit den Mengen pos von Positionen (Adressen) col von Farben, Intensitäten Aufgaben maschineller Bildverarbeitung: Erzeugung, Wiedergabe,
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 2012/13 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Informationen zur Klausur Termin: 21. Februar 2013,
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrEVC Repetitorium Blender
EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Filter Transformationen
MehrGrundlagen der Bildverarbeitung
Grundlagen der Bildverarbeitung Inhaltsverzeichnis Vorwort 9 Kapitel 1 Einführung 13 1.1 Anwendungen der digitalen Bildverarbeitung 16 1.2 Algorithmische Verarbeitung von Bildinformation 17 1.3 Zu diesem
MehrBildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg
Bildverbesserung Frequenz-, Punkt- und Maskenoperationen Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x) local-domain frequency-domain
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrImage Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg
Image Compression Vorlesung FH-Hagenberg SEM Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz 1 Inhalte Redundanz Error-Free Compression Hufmann Coding Runlength Coding Lossy Compression
MehrModul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt
Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften
MehrRauschunterdrückung in der Theorie & Praxis
Rauschunterdrückung in der Theorie & Praxis Florian Kramer Urs Pricking Seminar Simulation und Bildanalyse in Java Universität Ulm, Abteilungen SAI & Stochastik 4 Übersicht Motivation Arten von Rauschen
MehrImage Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg
Image Compression Vorlesung FH-Hagenberg SEM Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz 1 Inhalte Redundanz Channel Encoding Error-Free Compression Hufmann Coding Runlength
MehrImage Compression. Vorlesung FH-Hagenberg DSB
Image Compression Vorlesung FH-Hagenberg DSB Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz Inhalte Redundanz Loss-less Compression Hufmann Coding Runlength Coding Lossy Compression
MehrProbleme bei der Bildverarbeitung. Digitale Bildverarbeitung. Charge-Coupled-Device Kameras. Beispiel Schärfentiefe
Digitale Bildverarbeitung Keine Bildbearbeitung (z.b. Photoshop) Behandlung von zur Computergrafik inversen Problemen Erkennen von Objekten in Bildern sowie Bestimmung deren 2D (3D) Lage im Bild (im Raum)
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrVerlustbehaftete Kompression. JPEG: Joint Photographic Experts Group
Verlustbehaftete Kompression JPEG: Joint Photographic Experts Group ITU T8.1 definiert Zusammenarbeit von ITU, IEC, ISO Verfahren zur verlustbehafteten Bildkodierung (auch Verlustloser Modus vorhanden)
MehrKompressionsverfahren
Kompressionsverfahren Quelle: Steinmetz, Ralf: Multimedia-Technologie: Einführung und Grundlagen, Springer, Verlag Verlustlose Kompressionsalgorithmen RLC Huffman Adaptive Huffman Kodierung Arithmetische
MehrInhaltsverzeichnis. Aufbau eines Bildverarbeitungssystems
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................378 Aufbau
MehrFilter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Wozu Filter? Wozu Filter? Beispiel 3 Teil1: Filter anwenden (verschiedene Filter anwenden um diverse Effekte zu erzeugen)
MehrGrundlagen der Bildverarbeitung Klaus D. Tönnies
Grundlagen der Bildverarbeitung Klaus D. Tönnies ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Inhaltsverzeichnis
MehrKompression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Folie 2
Kompression Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz Folie 2 1 Inhalte Redundanz Channel Encoding Loss-less Compression Hufmann Coding Runlength Coding Lossy Compression
Mehr2D Graphik: Bildverbesserung. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005
2D Graphik: Bildverbesserung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005 Themen heute Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert Was ist
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
Mehr5 JPEG. 5.1 Bayer Filter. 5.2 Überblick. 5.3 Diskrete Cosinus-Transformation. 5.4 Bildmodell. 5.5 Codierung. 5.6 Übertragungsmodi
5 JPEG Bayer Filter: G01 R02 G03 R04 G05 R06 G07 R08 5.1 Bayer Filter B09 G10 B11 G12 B13 G14 B15 G16 B17 R18 G19 R20 G21 R22 G23 G24 5.2 Überblick B25 B26 B27 G28 B29 G30 B31 G32 5.3 Diskrete Cosinus-Transformation
MehrLU Grundlagen der digitalen Bildverarbeitung Abgabe 2. Gruppe 25 peter holzkorn andreas bretschneider martin tintel
LU Grundlagen der digitalen Bildverarbeitung Abgabe 2 Gruppe 25 peter holzkorn 0426262 andreas bretschneider 0327444 martin tintel 0402913 Beispiel 6 Texturanalyse und Texturklassifikation Texturklassen
MehrDigitale Bildverarbeitung Einheit 6 Punktoperationen
Digitale Bildverarbeitung Einheit 6 Punktoperationen Lehrauftrag WS 06/07 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Elementare Bildverbesserung
MehrJPEG Kompression technische Realisierung
Experimentalphysik V 20. Januar 2005 Schema der JPEG Kompression Farbraumkonvertierung RGB YCbCr Subsampling der Farbkomponenten Cb, Cr Zerlegung in Blöcke 8 8 2D Kosinustransformation (DCT) Quantisierung
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV, Regina Pohle,. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
MehrDatenkompression. Vortrag von Markus Durzinsky Student der Otto-von-Guericke-Universität Magdeburg
Vortrag am 25. Januar 200 Werner von Siemens Gymnasium Magdeburg Zeitansatz: 5h (inklusive Programmieraufgaben) Datenkompression Vortrag von Markus Durzinsky Student der Otto-von-Guericke-Universität Magdeburg
Mehr4. Segmentierung von Objekten Video - Inhaltsanalyse
4. Segmentierung von Objekten Video - Inhaltsanalyse Stephan Kopf Inhalt Vorgehensweise Berechnung der Kamerabewegungen zwischen beliebigen Bildern Transformation eines Bildes Hintergrundbilder / Panoramabilder
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 2012/13 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Informationen zur Klausur Termin: 21. Februar 2013,
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
MehrGraphische Datenverarbeitung
Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Prof. Dr. Elke Hergenröther Übersicht Maße zur Beurteilung von Bildern: Histogramm Entropie GDV: Bildbearbeitung für Rasterbilder Punktoperationen:
MehrBild-Erfassung Digitalisierung Abtastung/Quantisierung
Multimediatechnik / Video Bild-Erfassung Digitalisierung Abtastung/Quantisierung Oliver Lietz Bild-Erfassung Abtastung / Digitalisierung Scanner: Zeilenweise Abtastung mit CCD Digitale Kamera: Flächenweise
MehrMorphologische Filter
Morphologische Filter Industrielle Bildverarbeitung, Vorlesung No. 8 1 M. O. Franz 28.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Morphologische
MehrKompression.pdf h. völz /17
Kompression.pdf h. völz 23.5.02 1/17 Lauflängen-Codierung CCCCCCAABBBBAAAAEE _ 6C2A4B4A2E Pixel- und Zähl-Byte unterscheiden Pointer-Verfahren ABRABRIKADABRA Ab 4. Buchstaben ABR _ Verweis . total
Mehr'LJLWDOH%LOGHUXQG'DWHLIRUPDWH
'LJLWDOH%LOGHUXQG'DWHLIRUPDWH Seminar: Simulation und Bildanalyse mit Java 07.07.2003 Seite 1 von 25 hehuvlfkw 1. Digitalisierung 2. Bilddateiformate 3. verlustfreie Datenkompression 4. JPEG Kompression
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Morphologische Operatoren Graphische DV und BV, Regina Pohle, 5. Morphologische Operatoren Einordnung in die Inhalte der Vorlesung
MehrMessen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo
Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophysiologie Kognitive Psychologie Digitale
MehrKap.4 JPEG: Bildkompression. Ziel: Gegeben sind Daten y R N. Bestimme C R N N mit C C T = I, so dass x = C y dünbesetzt ist.
Kap.4 JPEG: Bildkompression Ziel: Gegeben sind Daten y R N. Bestimme C R N N mit C C T = I, so dass x = C y dünbesetzt ist. Originalbild y (30Kbt) Komprimiertes Bild z y(7kbt) JPEG (Joint Photographic
MehrSignalverarbeitung g für audiovisuelle Kommunikation
University of Applied Science Signalverarbeitung g für audiovisuelle Kommunikation 3. Segmentierung - Morphologische Operationen Morphologische Operationen Morphologie: die Gestalt betreffend Gestalt in
MehrGraphische Datenverarbeitung
Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Übersicht l Neu Folien:, 28 und ab 56 l Maße zur Beurteilung von Bildern: l Histogramm l Entropie l Punktoperationen: l Lineare Veränderung
Mehr3 Codierung diskreter Quellen. Quelle Quellcodierer Kanalcodierer reduziert die benötigte Datenmenge. fügt Daten zur Fehlerkorrektur ein.
3 Codierung diskreter Quellen 3 Einführung 32 Ungleichmäßige Codierung 33 Präfix-Codes 34 Grenzen der Code-Effizienz 35 Optimal-Codierung 3 Zusammenfassung < 24 / 228 > 3 Codierung diskreter Quellen Quelle
MehrStatistische Kenngrößen. Histogramm. Grundlagen zur statistischen Signalverarbeitung. Statistische Beschreibung von Audio
8.3.6 Statistische Kenngrößen Grundlagen zur statistischen Signalverarbeitung Dr. Detlev Marpe Fraunhofer Institut für achrichtentechnik HHI Histogramm Wahrscheinlichkeitsdichteverteilung Mittelwert µ
MehrDatenkompression. 1 Allgemeines. 2 Verlustlose Kompression. Holger Rauhut
Datenkompression Holger Rauhut 1. September 2010 Skript für die Schülerwoche 2010, 8.-11.9.2010 Hausdorff Center for Mathematics, Bonn 1 Allgemeines Datenkompression hat zum Ziel, Daten in digitaler Form,
MehrBildkompression InTh, 2005, JPEG, Hak, Rur, 1
Bildkompression InTh, 25, JPEG, Hak, Rur, 1 Referenzen [1] D Salomon, Data Compression, Springer, 24 [2] Prof Dr A Steffen, Kurs SU, ZHW, 1999-24 [3] G Wallace, The JPEG Still Picture Compression Standard,
MehrStandbildcodierung. Dipl.-Ing. Guido Heising. Digitale Videotechnik, SS 02, TFH Berlin, Dipl.-Ing. G. Heising G. Heising, K.
Standbildcodierung Dipl.-Ing. Guido Heising Digitale Videotechnik, SS 02, TFH Berlin, Dipl.-Ing. G. Heising G. Heising, K. Barthel 1 Gliederung der Vorlesung Einführung in die Bildcodierung - verlustlose/verlustbehaftete
MehrBilder. Bildsuchmaschiene. Bildsuche. Überblick. Beispiele im WWW. Inhaltsbasierte Bildsuche Motivation
Bilder Inhaltsbasierte Bildsuche Motivation Informatica Feminale Universität Bremen, Aug. 2005 Maja Temerinac Albert-Ludwigs-Universität Freiburg Ein Bild sagt mehr als tausend Worte. Chinesisches Sprichwort
MehrDigitale Medien. Übung
Digitale Medien Übung Übungsbetrieb Informationen zu den Übungen: http://www.medien.ifi.lmu.de/dm Zwei Stunden pro Woche Praktische Anwendungen des theoretischen Vorlesungsstoffs Wichtige Voraussetzung
Mehr2. Schnitterkennung Video - Inhaltsanalyse
2. Schnitterkennung Video - Inhaltsanalyse Stephan Kopf Definition: Schnitt Schnitte (cut) liefern Informationen über den Produktionsprozess eines Filmes. trennen kontinuierliche Aufnahmen, die als Kameraeinstellungen
MehrFILTER UND FALTUNGEN
Ausarbeitung zum Vortrag von Daniel Schmitzek im Seminar Verarbeitung und Manipulation digitaler Bilder I n h a l t. Der Begriff des Filters 3 2. Faltungsfilter 4 2. Glättungsfilter 4 2.2 Filter zur Kantendetektion
MehrGrafikformate. Grafikformate. Digitale Bildverarbeitung Bildkompression
Digitale Bildverarbeitung Bildkompression Einleitung Datenmenge für ein unkomprimiertes Bild Verwendungszweck des Bildes Bild soll weiterverarbeitet werden Bild soll archiviert werden Bild soll per E-Mail
MehrDigitale Bildverarbeitung Einheit 6 Punktoperationen
Digitale Bildverarbeitung Einheit 6 Punktoperationen Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Elementare
MehrDigitale Bildbearbeitung und Fotografie. Dozenten: Arne Scheffer
Dozenten: Arne Scheffer Wiederholung: Kompression: Einführung zum Verständnis Teil 1: nicht fertig, Teil 2: nicht fertig, Teil 3: nicht fertig, Teil 4: nicht fertig Fortsetzung Teil 2: Teil 2.2: blau!
MehrDigitale Bildbearbeitung und Fotografie. Dozenten: Arne Scheffer, Olaf Glaser
Dozenten: Arne Scheffer, Olaf Glaser Wiederholung: Kompression: Einführung zum Verständnis Teil 1: nicht fertig, Teil 2: nicht fertig, Teil 3: nicht fertig, Teil 4: nicht fertig Fortsetzung Teil 2: Teil
Mehr1. Bildverbesserung / Bildvorverarbeitung
1. Bildverbesserung / Bildvorverarbeitung Bildverbesserung ist problemorientiert für menschliche/maschinelle Interpretation Dominanz zwischen Farbe, Textur, Kontext Ziel der ikonischen Bildauswertung:
Mehr2D-Fourieranalyse und Farbräume
2D-Fourieranalyse und Farbräume Industrielle Bildverarbeitung, Vorlesung No. 12 1 M. O. Franz 09.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrProseminar Datenkomprimierung Dr. U. Tamm. JPEG - Kompression WS 2002/03. Torsten Zichner
Proseminar Datenkomprimierung Dr. U. Tamm JPEG - Kompression WS 2002/03 Torsten Zichner Inhaltsangabe: 1. Einleitung 2. JPEG Kompression 2.1. Konvertierung des Bildes in ein geeignetes Farbmodell 2.2.
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur
MehrMultimediatechnik / Video
Multimediatechnik / Video Video-Kompression Zusammenfassung http://www.nanocosmos.de/lietz/mtv 2009 1 Motivation: Video-Kompression Unkomprimierte Datenmengen sind zu groß! TV: 20 MB/s = 72 GB/h (720x576x2x25)
Mehr"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"
"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs" Ning Liu HAW-Hamburg Seminarvortrag December 15, 2006 Ning Liu Kanten- und Linienerkennung
MehrGrundlagen der Bildverarbeitung Klaus D. Tönnies
Grundlagen der Bildverarbeitung Klaus D. Tönnies ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Grundlagen der Bildverarbeitung
MehrSegmentierung. Vorlesung FH-Hagenberg SEM
Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrHuffman-Kodierung. Fachbereich Medieninformatik. Hochschule Harz. Huffman-Kodierung. Referat. Henner Wöhler. Abgabe:
Fachbereich Medieninformatik Hochschule Harz Huffman-Kodierung Referat Henner Wöhler 11459 Abgabe: 15.01.2007 Inhaltsverzeichnis Einleitung...I 1. Entropiekodierung...1 1.1 Morse Code...2 1.2 Shannon-Fano-Kodierung...3
MehrVU Einführung in Visual Computing 1. Test Gruppe A
26.04.2013 186.822 VU Einführung in Visual Computing 1. Test Gruppe A Matrikelnummer: Nachname: Punkte: Studienkennzahl: Vorname: Bitte tragen sie Ihre Matrikelnummer, Studienkennzahl sowie Vor- und Nachname
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrDigitalisierung. analoges Signal PAM. Quantisierung
Digitalisierung U analoges Signal t U PAM t U Quantisierung t Datenreduktion Redundanzreduktion (verlustfrei): mehrfach vorhandene Informationen werden nur einmal übertragen, das Signal ist ohne Verluste
MehrAlgorithmen und Datenstrukturen (für ET/IT) Programm heute. Wintersemester 2012/13. Dr. Tobias Lasser. 7 Fortgeschrittene Datenstrukturen
Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 202/3 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8 Such-Algorithmen
MehrDigitale Medien. Übung
Digitale Medien Übung Übungsbetrieb Informationen zu den Übungen: http://www.medien.ifi.lmu.de/dm http://www.die-informatiker.net Zwei Stunden pro Woche Praktische Anwendungen des theoretischen Vorlesungsstoffs
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Verlustfreie universelle Kompression 2.3 Digitalisierung, Digitale Medien Weiterführende Literatur zum Thema Informationstheorie:
MehrDigitale Bildverarbeitung - Rechnerübung 3
Digitale Bildverarbeitung - Rechnerübung 3 1. Khoros Zur Durchführung der Rechnerübung wird das Programmpaket KHOROS mit seiner Benutzerschnittstelle Cantata verwendet. Nach der Anmeldung am Rechner durch
MehrEike Müller. Kompression-Algorithmen für Bilder. 3. Juli 2013
Eike Müller Kompression-Algorithmen für Bilder 3. Juli 23 Inhaltsverzeichnis Huffman-Kodierung 2. Präfixfreie Codes................................. 2.2 Huffman Code.................................. 3.3
MehrComputergrafik 2: Übung 2. Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung
Computergrafik 2: Übung 2 Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung Inhalt Besprechung von Übung 1 Subsampling und Moiré Effekte Color Maps Histogrammlinearisierung Computergrafik
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 22 (20.7.2016) Greedy Algorithmen - Datenkompression Algorithmen und Komplexität Greedy Algorithmen Greedy Algorithmen sind eine Algorithmenmethode,
MehrJPEG, MPEG & Co. Alex Titze Angewandte Informatik FHTW-Berlin
Referat KIM Alex Titze Angewandte Informatik FHTW-Berlin 76900504811 Einleitung JPEG Geschichte & Überblick Komprimierungsablauf Farbformat DCT (Diskrete Cosinus Transformation) Quantisierung Koeffizientenkodierung
MehrDigitale Bilder. Ein Referat von Jacqueline Schäfer und Lea Pohl Am
Digitale Bilder Ein Referat von Jacqueline Schäfer und Lea Pohl Am 06.05.2015 Inhaltsverzeichnis Einheiten Grafiktypen Bildformate Farbtiefe Farbbilder/ Farbräume Quellen Einführung in die Bildverarbeitung
Mehr1 Einführung. Bildformate Analyse der LSB-Ersetzung Weitere steganographische Algorithmen. Syndromkodierung in der Steganographie
Gliederung Einführung 1 Einführung 2 3 4 WS 2012/2013 Steganographie und Multimedia-Forensik Folie 121 Farbwahrnehmung Blau: 435,8 nm Grün: 546,1 nm Rot: 700 nm (445 nm) (535 nm) (575 nm) Empfindlichkeit
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
Mehr