Vorbereitungsaufgaben

Größe: px
Ab Seite anzeigen:

Download "Vorbereitungsaufgaben"

Transkript

1 Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, Alexander Opel, CV00, Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät für Elektrotechnik und Informationstechnik Institut für Elektronik, Signalverarbeitung und Kommunikationstechnik Lehrstuhl für Technische Informatik

2 Inhaltsverzeichnis Inhaltsverzeichnis... Vorbereitungsaufgaben... 3 Welche Möglichkeiten gibt es zur Bildvorverarbeitung... 3 Welche Möglichkeiten gibt es für die Optimierung der automatischen Objekterkennung bei Linien und flächenhaften Objekten?... 3 Wann und wie ist eine Klassifikation im s/w und im Farbbild mit Grauwert bzw. Farbwertschwellen möglich?... 3 Welche Vorteile ergeben sich aus der Nutzung der Farbinformation?... 3 Was versteht man unter einem Merkmalsraum?... 3 Wie sind die Merkmale Circularity und Rectangularity definiert und as ist die Besonderheit an diesen Größen?... 3 Leiten Sie die theoretischen Werte für einen Kreis und ein Quadrat her!... 4 Warum können die real gemessenen Merkmale von den theoretisch ermittelten abweichen?... 4 Was versteht man unter dem überwachten Minimum-Distance-Klassifikator?... 4 Wann ist eine eindeutige Klassifikation nicht möglich?... 4 Wie muss man verfahren, wenn eine eindeutige Klassifikation nicht möglich ist?... 4 Welche Probleme können sich aus der Auswahl von diesen Merkmalen (Flächeninhalt, Umfang, mittlerer Grauwert) ergeben)?... 5 Versuch... 6 Segmentierung von s/w- und Farbbildern Bildaufnahme...6. Segmentierung des Musterbildes als s/w Bild Segmentierung des Musterbildes als Farbbild... 8 Klassifikation durch Auswertung von geometrischen Merkmalen... 8 Überwachte Minimum Distance Klassifizierung Klassifikation elektronischer Bauelemente... 11

3 Vorbereitungsaufgaben Welche Möglichkeiten gibt es zur Bildvorverarbeitung Beleuchtungskorrekturen Glättung Beseitigung von Digitalisierungsfehlern Kontrastverstärkung Normierung (Größe, Form, Farbe) Beseitigung von Inhomogenitäten der Photoschicht des Aufnahmesystems Korrektur von Grauwertverzerrungen (photographischer Effekt) Anpassung von Filtern an bestimmte Frequenzen Welche Möglichkeiten gibt es für die Optimierung der automatischen Objekterkennung bei Linien und flächenhaften Objekten? Nutzung von bestimmten (z.b. minimalen) Umfang- und Flächeninhaltswerten für die automatische Objekterkennung Wann und wie ist eine Klassifikation im s/w und im Farbbild mit Grauwert bzw. Farbwertschwellen möglich? wenn Objekte unterschiedliche Merkmale aufweisen z.b. in Helligkeit (s/w Bild) und Farbe (Farbbild), Größe Welche Vorteile ergeben sich aus der Nutzung der Farbinformation? durch die drei Farbkanäle (RGB) sind mehr Informationen vorhanden, die eine besser Unterscheidung von Objekten ermöglichen Was versteht man unter einem Merkmalsraum? Die Struktur wird bzgl. der Klassifikation durch ihre Merkmale repräsentiert: O {m 1, m, } Durch die Beschreibung durch n Merkmale wird ein n-dimensionaler Merkmalsraum aufgespannt, indem jede Struktur durch einen n-dimensionalen Merkmalsvektor repräsentiert wird. Wie sind die Merkmale Circularity und Rectangularity definiert und as ist die Besonderheit an diesen Größen?

4 die Circularity (Kreisähnlichkeit) und die Rectangularity (Rechteckigkeit) gibt die Rechteckähnlichkeit und Kreisähnlichkeit von Objekten an Leiten Sie die theoretischen Werte für einen Kreis und ein Quadrat her! Kreis: Rechteck: C U A (πr) πr 4π C (4a) a 16 R A L * B πr r * r π 4 R A L * B a a * a 1 Warum können die real gemessenen Merkmale von den theoretisch ermittelten abweichen? Objekte können eine abweichende Form vom idealen Kreis bzw. Rechteck besitzen Was versteht man unter dem überwachten Minimum-Distance- Klassifikator? es existieren bereits Musterklassen Mittelwert Zentrum einer Musterklasse Varianz den der Musterklasse zugeordneten Bereich folgende Objekte können den Musterklassen somit leichter zugeordnet werden Merkmalsvektor wird Merkmalsraum zugewiesen, wenn er in einem zugeordneten Bereich liegt Wann ist eine eindeutige Klassifikation nicht möglich? wenn ein Merkmalsvektor genau zwischen zwei Merkmalen liegt Wie muss man verfahren, wenn eine eindeutige Klassifikation nicht möglich ist? interaktive Bestimmung der Grenzen um Clusterzentrum (zugeordneter Bereich) andere Methode zur Bereichsbestimmung nutzen (z.b. Quadermethode)

5 Welche Probleme können sich aus der Auswahl von diesen Merkmalen (Flächeninhalt, Umfang, mittlerer Grauwert) ergeben)? der mittlere Grauwert kann bei verschiedenen Objekten gleich sein

6 Versuch Segmentierung von s/w- und Farbbildern 1. Bildaufnahme. Segmentierung des Musterbildes als s/w Bild Segmentierung mit Schwellwerten:

7 Anmerkung: Segmentierungslinien wurden beim Abspeichern nicht mit abgespeichert Segmentierung mit Kantenfiltern (invertiert dargestellt): Anmerkung: Segmentierungslinien wurden beim Abspeichern nicht mit abgespeichert Objekte, die sich gut vom Hintergrund abheben, lassen sich gut segmentieren. In unserem Beispiel war eine Segmentierung mit Schwellwerten günstiger, weil beim Segmentieren mit Kantenfiltern auch im Inneren der Objekte viele Kanten gefunden wurden, welche aber nicht zu den Objektkanten gehören.

8 3. Segmentierung des Musterbildes als Farbbild Beim automatischen Erkennen waren Löcher innerhalb der Objekte vorhanden. Durch Anpassen der Beleuchtung des Versuchaufbaus konnten diese eliminiert werden. Auch bei der Segmentierung mit Schwellwerten in allen 3 Farbkanälen kann eine wesentlich besser Segmentierung erzielen als bei s/w Bildern, da mehr Informationen (3 Kanäle) zur Objekterkennung vorhanden sind als in einem s/w Bild (1 s/w Kanal). Klassifikation durch Auswertung von geometrischen Merkmalen Bild mit Objektmerkmalen aus Makro merkmal 3.

9 Klassifikationsbedingungen für die einzelnen Klassen: Ar_Rechtecke_Member_A ArRectangularity > 0.53 && ArRectangularity < 0.58 && ArCircularity > 16 && ArCircularity < 1 Ar_Kreise_Member_B ArRectangularity > 0.75 && ArRectangularity < 0.79 && ArCircularity > 1 && ArCircularity < 14 Ar_Walze_Member_C ArRectangularity > 0.70 && ArRectangularity < 0.78 && ArCircularity >4 && ArCircularity < Circularity Reihe , 0,4 0,6 0,8 1 Rectangularity

10 (es wurden nur 3 unterschiedliche Klassen erstellt, Enterprise -Modell fällt somit raus) Überwachte Minimum Distance Klassifizierung Objekte Mittelwert Varianz ArArea ArGV ArArea ArGV (1,9038-8,55684)² (173,49-154,374)² (9,0517-8,55684)² (11, ,374)² (5, ,55684)² (189, ,374)² (7,611-8,55684)² (141, ,374)² , , , , ,000 0, , , , ,000 0, , , ,000 0,000

11 Klassifikation elektronischer Bauelemente Die Klassifikation elektronischer Bauelemente wurde im Versuch gezeigt. Es wurden 3 Merkmalsklassen festgelegt. Bei gleichbleibenden Parametern (Beleuchtung, Zoom) wurde ein Bauelement allein aufgenommen und einer Klassifikation unterzogen. Dabei wurde es der entsprechenden Klasse auch zugeordnet.

Inhaltsverzeichnis. 3. Erläuterungen zu den Programmbeispielen 13 3.1 Arbeitsblätter 13

Inhaltsverzeichnis. 3. Erläuterungen zu den Programmbeispielen 13 3.1 Arbeitsblätter 13 Inhaltsverzeichnis 1. Einführung 1 1.1 Ursprünge der Bildverarbeitung 1 1.2 Einordnung und Anwendungen der Bildverarbeitung ] 1.3 Die Bildverarbeitungskette 2 1.4 Aufbau und Inhalt des Buches 3 2. Das

Mehr

Industrielle Bildverarbeitung

Industrielle Bildverarbeitung I Christian Demant Bernd Streicher-Abel Peter Waszkewitz 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Industrielle

Mehr

Industrielle Bildverarbeitung

Industrielle Bildverarbeitung Christian Demant Bernd Streicher-Abel Peter Waszkewitz Industrielle Bildverarbeitung Wie optische Qualitätskontrolle wirklich funktioniert 2. Auflage Mit 239 Abbildungen und 29 Tabellen Springer Inhaltsverzeichnis

Mehr

Objektsegmentierung von kompaktem Schüttgut für die technische Erkennung

Objektsegmentierung von kompaktem Schüttgut für die technische Erkennung Objektsegmentierung von kompaktem Schüttgut für die technische Erkennung Dissertation zur Erlangung des akademischen Grades Doktoringenieur (Dr.-Ing.) vorgelegt der Fakultät für Maschinenbau der Technischen

Mehr

Grundlagen der Bildverarbeitung: Übung 1

Grundlagen der Bildverarbeitung: Übung 1 Grundlagen der Bildverarbeitung: Übung 1 Michael Korn Raum: BC 414, Tel.: 0203-379 - 3583, E-Mail: michael.korn@uni-due.de Michael Korn (michael.korn@uni-due.de) GBV: Übung 1 1 / 24 Digitale Bilder Michael

Mehr

8. Clusterbildung, Klassifikation und Mustererkennung

8. Clusterbildung, Klassifikation und Mustererkennung 8. Clusterbildung, Klassifikation und Mustererkennung Begriffsklärung (nach Voss & Süße 1991): Objekt: wird in diesem Kapitel mit einem zugeordneten Merkmalstupel (x 1,..., x M ) identifiziert (Merkmalsextraktion

Mehr

Bildverarbeitung in der Qualitätskontrolle. Sebastian Zambal LEADING INNOVATIONS

Bildverarbeitung in der Qualitätskontrolle. Sebastian Zambal LEADING INNOVATIONS Bildverarbeitung in der Qualitätskontrolle Sebastian Zambal LEADING INNOVATIONS Überblick Profactor Grundlagen Bildverarbeitung HW, SW, Methoden Inspektion Gussteilen Inspektion CFK, GFK Projekte EMVA-Studie:

Mehr

9th NEMO-SpectroNet Collaboration Forum

9th NEMO-SpectroNet Collaboration Forum 9th NEMO-SpectroNet Collaboration Forum Jena, 15.12.2010 Color and Multi Spectral Imaging An Overview Dr. Ing. Thomas Fahlbusch, PhotonicNet GmbH, Hannover Farbaufnahme 1-Chipkamera Bayer Farbmosaik Chips

Mehr

GRUNDLAGEN DER INFORMATIONSTECHNIK / TEIL BILDVERARBEITUNG. Übungen

GRUNDLAGEN DER INFORMATIONSTECHNIK / TEIL BILDVERARBEITUNG. Übungen GRUNDLAGEN DER INFORMATIONSTECHNIK / TEIL BILDVERARBEITUNG Übungen Otto-von-Guericke-Universität Magdeburg Fakultät für Elektrotechnik und Informationstechnik Institut für Elektronik, Signalverarbeitung

Mehr

1.2.1 Gestaltpsychologie

1.2.1 Gestaltpsychologie 1.2 Gestaltgesetze 1.2.1 Gestaltpsychologie... 40 1.2.2 Gesetz von der einfachen Gestalt... 41 1.2.3 Gesetz der Nähe... 42 1.2.4 Gesetz der Gleichheit... 43 1.2.5 Gesetz der Geschlossenheit... 44 1.2.6

Mehr

Praktikum 6. Digitale Bildverarbeitung

Praktikum 6. Digitale Bildverarbeitung Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_06 ImageJ.doc Praktikum 6 Digitale Bildverarbeitung Industrielle Bildverarbeitung (Machine Vision) Fertigungskontrolle von Unterlegscheiben

Mehr

Bildverstehen. Vorlesung an der TU Chemnitz SS 2013

Bildverstehen. Vorlesung an der TU Chemnitz SS 2013 Bildverstehen Vorlesung an der TU Chemnitz SS 2013 Johannes Steinmüller 1/B309 Tel.: 531 35198 stj@informatik.tu-chemnitz.de Seite zur Vorlesung: http://www.tu-chemnitz.de/informatik/ki/edu/biver/ Buch

Mehr

Digitale Bildverarbeitung

Digitale Bildverarbeitung Digitale Bildverarbeitung Dr. Stefan Gehrig Dipl.-Physiker, Dipl.-Ing. (BA) Duale Hochschule Baden-Württemberg - Stuttgart Sommersemester 2015 S. Gehrig - Digitale Bildverarbeitung 1 S. Gehrig - Digitale

Mehr

Digitale Bildverarbeitung OPTONET Mastertour bei Allied Vision Technologies

Digitale Bildverarbeitung OPTONET Mastertour bei Allied Vision Technologies Digitale Bildverarbeitung OPTONET Mastertour bei Allied Vision Technologies Technische Universität Ilmenau Fachgebiet Qualitätssicherung Dr.-Ing. Maik Rosenberger 1 Inhalt 1 Grundbegriffe der Bildverarbeitung

Mehr

Ingo Scholz, Jochen Schmidt, and Heinrich Niemann Farbbildverarbeitung unter Echtzeitbedingungen in der Augmented Reality

Ingo Scholz, Jochen Schmidt, and Heinrich Niemann Farbbildverarbeitung unter Echtzeitbedingungen in der Augmented Reality 1 Ingo Scholz, Jochen Schmidt, and Heinrich Niemann Farbbildverarbeitung unter Echtzeitbedingungen in der Augmented Reality appeared in: Siebter Workshop Farbbildverarbeitung Arbeitsberichte des Instituts

Mehr

Inhaltliche Planung für die Vorlesung

Inhaltliche Planung für die Vorlesung Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme

Mehr

Digitale Bildverarbeitung

Digitale Bildverarbeitung Digitale Bildverarbeitung Eine praktische Einführung von Thorsten Hermes 1. Auflage Hanser München 2004 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 22969 3 Zu Leseprobe schnell und portofrei

Mehr

Bildverarbeitung in der Robotik

Bildverarbeitung in der Robotik State get-to-ball b a ll. d i s t an ce s m clea r b a ll aller t h an 1 5 cm b all s een g et t o i f b all els e i f els e- i f els e b all t o o f ar aw ay ret u rn t o g o al Bildverarbeitung in der

Mehr

Digitale Bildverarbeitung (DBV)

Digitale 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

Mehr

3D-Rekonstruktion von Schiffen aus kalibrierten und unkalibrierten Aufnahmen

3D-Rekonstruktion von Schiffen aus kalibrierten und unkalibrierten Aufnahmen Allgemeine Nachrichtentechnik Prof. Dr.-Ing. Udo Zölzer 3D-Rekonstruktion von Schiffen aus kalibrierten und unkalibrierten Aufnahmen Christian Ruwwe & Udo Zölzer 4. Tagung Optik und Optronik in der Wehrtechnik

Mehr

Grundlagen der digitalen Bildverarbeitung / Fortsetzung

Grundlagen der digitalen Bildverarbeitung / Fortsetzung Grundlagen der digitalen Bildverarbeitung / Fortsetzung Wir haben bereits zwei Beispiele digitaler Bildfilter gesehen. Es gibt eine große Menge von Filtern mit ganz unterschiedlicher Auswirkung auf das

Mehr

Digitale Bildverarbeitung

Digitale Bildverarbeitung Einführung Studienblock (10 ECTS, Prüf.Nr. 2635) FH-Aachen / Jülich, FB 9 Prof. Dr. rer. nat. Walter Hillen (Dig Img 0 Intro) 1 Einführung: Verfahrensschritte: Bilderzeugung Bild-Analyse, Interpretation

Mehr

Farbtiefe. Gängige Farbtiefen

Farbtiefe. Gängige Farbtiefen Farbtiefe Die Anzahl der darstellbaren Farben ist abhängig von den Farbabstufungen, die in einem Pixel gespeichert werden. Die Anzahl der darstellbaren Farbtöne wird als Farbtiefe bezeichnet. Die Farbtiefe

Mehr

Entwurf und Erkennung von codierten Zielmarken

Entwurf und Erkennung von codierten Zielmarken Photogrammetrie Seminarvortrag: Entwurf und Erkennung von codierten Zielmarken Übersicht: 1. Einleitung 2. Codeanforderungen 3. Aufbau der Zielmarke Teil I 4. Der Code 5. Automatische Detektion und Erkennung

Mehr

Automatische Mustererkennung

Automatische Mustererkennung Automatische Mustererkennung Eine Einführung Eine Präsentation von Valentin Kraft Im Modul Digitale Bildverarbeitung Prof. Vogel FH Düsseldorf WS 12/13 Gliederung Anwendungsgebiete / Definition Ziele Zentrales

Mehr

Digitale Bildverarbeitung (DBV)

Digitale 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

Mehr

IKT4QS1- Intelligente Qualitätssicherung in Prozessen mit Losgröße 1 Produktion Harald Ganster, Alfred Rinnhofer, Gerhard Jakob, Malte Jaschik

IKT4QS1- Intelligente Qualitätssicherung in Prozessen mit Losgröße 1 Produktion Harald Ganster, Alfred Rinnhofer, Gerhard Jakob, Malte Jaschik IKT4QS1- Intelligente Qualitätssicherung in Prozessen mit Losgröße 1 Produktion Harald Ganster, Alfred Rinnhofer, Gerhard Jakob, Malte Jaschik Wien, 3. November 2015 Aufgabenstellung: Umfassende Qualitätssicherung

Mehr

INTELLIGENTE DATENANALYSE IN MATLAB

INTELLIGENTE 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:

Mehr

Bildverarbeitung/Mustererkennung: Zusammenfassung und Ausblick

Bildverarbeitung/Mustererkennung: Zusammenfassung und Ausblick Bildverarbeitung/Mustererkennung: Zusammenfassung und Ausblick D. Schlesinger TUD/INF/KI/IS D. Schlesinger () BV/ME: Zusammenfassung 1 / 6 Organisatorisches Es gibt keine Scheine und keine bestanden Abschlüsse

Mehr

Morphologie auf Binärbildern

Morphologie auf Binärbildern Morphologie auf Binärbildern WS07 5.1 Konen, Zielke WS07 5.2 Konen, Zielke Motivation Aufgabe: Objekte zählen Probleme: "Salt-&-Pepper"-Rauschen erzeugt falsche Objekte Verschmelzen richtiger Objekte durch

Mehr

NÜTZLICHE TIPPS FÜR OPTIMALE SCANS

NÜTZLICHE TIPPS FÜR OPTIMALE SCANS Bedingungen, um gute Scans zu erhalten Die Faktoren, von denen das Ergebnis eines Scans abhängt, sind einerseits die Umgebung sowie die Konfiguration und Kalibrierung des Scanners, aber auch das zu scannende

Mehr

Quader und Würfel. 1. Kreuze jene Wörter oder Bilder an, die Körper bezeichnen. Mathematische Bildung von der Schulstufe

Quader und Würfel. 1. Kreuze jene Wörter oder Bilder an, die Körper bezeichnen. Mathematische Bildung von der Schulstufe Geometrische Körper Diagnoseblatt 5. Schulstufe Quader und Würfel 1. Kreuze jene Wörter oder Bilder an, die Körper bezeichnen Kreis Schuhschachtel Eistüte Fahrkarte Kugel Seite 1 2. Kannst du Quader und

Mehr

Nichtrealistische Darstellung von Gebirgen mit OpenGL

Nichtrealistische Darstellung von Gebirgen mit OpenGL Nichtrealistische Darstellung von Gebirgen mit OpenGL Großer Beleg Torsten Keil Betreuer: Prof. Deussen Zielstellung Entwicklung eines Algorithmus, der die 3D- Daten einer Geometrie in eine nichtrealistische

Mehr

Komplexpraktikum Automatisierungstechnik. Versuch : Bildverarbeitung

Komplexpraktikum Automatisierungstechnik. Versuch : Bildverarbeitung Komplexpraktikum Automatisierungstechnik Versuch : Bildverarbeitung 1. Grundlagen der digitalen Bildverarbeitung 1.1 Relevante Begriffe Ein Bild ist ein ebenes Objekt, dessen Bildwerte sich von Bildpunkt

Mehr

Seminar zum Thema Künstliche Intelligenz:

Seminar zum Thema Künstliche Intelligenz: Wolfgang Ginolas Seminar zum Thema Künstliche Intelligenz: Clusteranalyse Wolfgang Ginolas 11.5.2005 Wolfgang Ginolas 1 Beispiel Was ist eine Clusteranalyse Ein einfacher Algorithmus 2 bei verschieden

Mehr

Wasserfall-Ansätze zur Bildsegmentierung

Wasserfall-Ansätze zur Bildsegmentierung Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz

Mehr

Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016

Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016 Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online

Mehr

Computerlinguistische Textanalyse

Computerlinguistische Textanalyse Computerlinguistische Textanalyse 10. Sitzung 06.01.2014 Einführung in die Textklassifikation Franz Matthies Lehrstuhl für Computerlinguistik Institut für Germanistische Sprachwissenschaft Friedrich-Schiller

Mehr

Anhang B (informativ) Beispiel für die Spezifikation eines Klassifizierungsprojektes optischer Fernerkundungsdaten

Anhang B (informativ) Beispiel für die Spezifikation eines Klassifizierungsprojektes optischer Fernerkundungsdaten Anhang B (informativ) Beispiel für die Spezifikation eines Klassifizierungsprojektes optischer Fernerkundungsdaten Formblatt nach DIN 18740-5 für die Anforderungen an die Klassifizierung optischer Fernerkundungsdaten

Mehr

- Dieses Foto werde ich mit den verschiedenen Filtern bearbeiten:

- Dieses Foto werde ich mit den verschiedenen Filtern bearbeiten: Bildmanipulationen durch Pluginserweiterungen (hier für IrfanView) Seite 2: Filter zur Korrektur von Bildfehlern, wie z.b. Belichtungs, Schärfe, Farbkorrekturen usw. Sie finden unter den folgenden Adressen

Mehr

Woraus besteht ein Bild? 28.02.2008 (c) Winfried Heinkele 2006 2

Woraus besteht ein Bild? 28.02.2008 (c) Winfried Heinkele 2006 2 Woraus besteht ein Bild? 28.02.2008 (c) Winfried Heinkele 2006 2 Was ist ein Pixel? Die durch das Objektiv einer Kamera auf einen Film oder einen elektronischen Bildsensor projizierte Wirklichkeit ist

Mehr

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen

Mehr

Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh. www.its-owl.de

Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh. www.its-owl.de Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh www.its-owl.de Agenda Abschlusspräsentation itsowl-tt-kapela Einführung Zielsetzung Ergebnisse Resümee und Ausblick

Mehr

S/W mit PhotoLine. Inhaltsverzeichnis. PhotoLine

S/W mit PhotoLine. Inhaltsverzeichnis. PhotoLine PhotoLine S/W mit PhotoLine Erstellt mit Version 16.11 Ich liebe Schwarzweiß-Bilder und schaue mir neidisch die Meisterwerke an, die andere Fotografen zustande bringen. Schon lange versuche ich, auch so

Mehr

2. Einen Ring zeichnen Werkzeugleiste/ Zeichenwerkzeuge: Mit dem Kreiszeichner einen Kreis zeichnen; Im Listenfeld oben auf Kreis umstellen

2. Einen Ring zeichnen Werkzeugleiste/ Zeichenwerkzeuge: Mit dem Kreiszeichner einen Kreis zeichnen; Im Listenfeld oben auf Kreis umstellen 4 ÜBUNGEN Übung 1 : "Olympia" zeichnen Masken Transparenz Objekte Malen/Zeichnen Datei: Bearbeiten: Objekte: Zeichenwerkzeuge: Farben: Farbfüllung: Neu / Speichern unter Kopieren / Kopieren in / Einfügen

Mehr

I1: Computergrafik (14)

I1: Computergrafik (14) I1: Computergrafik (14) Die Schüler beschäftigen sich mit dem Erzeugen und Verändern von Bildern mithilfe von Computerprogrammen. Sie erweitern ihr Wissen zur Bearbeitung von Vektor- bzw. Rastergrafiken.

Mehr

INFORMATIKA NÉMET NYELVEN INFORMATIK

INFORMATIKA NÉMET NYELVEN INFORMATIK Informatika német nyelven középszint 0611 ÉRETTSÉGI VIZSGA 2007. május 18. INFORMATIKA NÉMET NYELVEN INFORMATIK KÖZÉPSZINTŰ GYAKORLATI ÉRETTSÉGI VIZSGA MITTLERES NIVEAU PRAKTISCHER TEIL ABITUR JAVÍTÁSI-ÉRTÉKELÉSI

Mehr

2D/3D-Bildverarbeitung in der Automatisierung

2D/3D-Bildverarbeitung in der Automatisierung Vision 2007 2D/3D-Bildverarbeitung in der Automatisierung Dr. Albrecht Kienemund Vorteile von Kamerasystemen mit Bildverarbeitung in der Automatisierung Adaption an manuelle Fertigungsprozesse bei Steigerung

Mehr

Lohntabelle gültig ab 1. Januar 2016

Lohntabelle gültig ab 1. Januar 2016 Klasse 1 A 34'953 2'912.75 16.00 37'865.75 B 36'543 3'045.25 16.73 39'588.25 C 38'130 3'177.50 17.46 41'307.50 1 39'720 3'310.00 18.19 43'030.00 2 41'307 3'442.25 18.91 44'749.25 3 42'897 3'574.75 19.64

Mehr

Lohntabelle gültig ab 1. Januar 2015

Lohntabelle gültig ab 1. Januar 2015 Klasse 1 A 34'953 2'912.75 16.00 37'865.75 23666 2'390.40 199.20 B 36'543 3'045.25 16.73 39'588.25 24743 2'499.00 208.25 C 38'130 3'177.50 17.46 41'307.50 25817 2'607.60 217.30 1 39'720 3'310.00 18.19

Mehr

Digitale Bildverarbeitung Einheit 5 Bilder und Statistik

Digitale Bildverarbeitung Einheit 5 Bilder und Statistik Digitale Bildverarbeitung Einheit 5 Bilder und Statistik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, welche

Mehr

Grundstufe. Mathematik 2 Klausur 210 Minuten 9 Leistungspunkte

Grundstufe. Mathematik 2 Klausur 210 Minuten 9 Leistungspunkte Anlage 1: und Prüfungen im Bachelor-Studium Grundstufe 1. Semester 2. Semester. Semester. Semester Mathematik Mathematik 1 Klausur 20 Minuten 11 Mathematik 2 Klausur 210 Minuten 9 Mathematik Klausur 10

Mehr

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining

Mehr

Tracking bewegter Objekte in Videosequenzen

Tracking bewegter Objekte in Videosequenzen Wintersemester 2009/2010 Fakultät Technik und Informatik Übersicht Aufgabenstellung Aktueller Lösungsansatz Forschung / Stand der Technik Methoden der Objekterkennung in der digitalen Bildverarbeitung

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

2. Eigenschaften digitaler Nachrichtensignale

2. Eigenschaften digitaler Nachrichtensignale FH OOW / Fachb. Technik / Studiengang Elektrotechnik u. Automatisierungstechnik Seite 2-2. Eigenschaften digitaler Nachrichtensignale 2. Abgrenzung zu analogen Signalen Bild 2.- Einteilung der Signale

Mehr

Bildverarbeitung - Inhalt

Bildverarbeitung - Inhalt Bildverarbeitung Bildverarbeitung - Inhalt 1. Anfänge der industriellen Bildverarbeitung 2. Von der Kamera zum Vision Sensor 3. Hardware Konzepte in der BV 4. Beleuchtungssysteme 5. Auswerteverfahren (Software)

Mehr

Anwendung von Geoinformatik: Entwicklung von Open Source Tools für die automatisierte Analyse von Geoinformationen

Anwendung von Geoinformatik: Entwicklung von Open Source Tools für die automatisierte Analyse von Geoinformationen Anwendung von Geoinformatik: Entwicklung von Open Source Tools für die automatisierte Analyse von Geoinformationen Abschlussprojekt: Klassifizierung von High Definition Panoramabildern Bearbeitung: Johannes

Mehr

Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.

Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09. Abstract zum Thema Handelssysteme Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.01 Einleitung: Handelssysteme

Mehr

Versuchsanleitung. Labor Mechatronik. Versuch BV_3 Grundlagen der Bildverarbeitung. Labor Mechatronik Versuch BV-3 Grundlagen der Bildverarbeitung

Versuchsanleitung. Labor Mechatronik. Versuch BV_3 Grundlagen der Bildverarbeitung. Labor Mechatronik Versuch BV-3 Grundlagen der Bildverarbeitung Fachbereich 2 Ingenieurwissenschaften II Labor Mechatronik Steuerungund Regelung Lehrgebiet: Mechatronik Versuchsanleitung Versuch BV_3 Grundlagen der Bildverarbeitung Foto: Firmenschrift Fa. Rauscher

Mehr

Digitale Bildverarbeitung Einheit 11 Klassifikation

Digitale Bildverarbeitung Einheit 11 Klassifikation Digitale Bildverarbeitung Einheit 11 Klassifikation Lehrauftrag WS 06/07 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, dass basierend

Mehr

INHALTSVERZEICHNIS... 1 ABBILDUNGSVERZEICHNIS... 3 TABELLENVERZEICHNIS... 4 AUFGABENSTELLUNG... 5 1 EINLEITUNG... 6. 1.1 Motivation...

INHALTSVERZEICHNIS... 1 ABBILDUNGSVERZEICHNIS... 3 TABELLENVERZEICHNIS... 4 AUFGABENSTELLUNG... 5 1 EINLEITUNG... 6. 1.1 Motivation... Inhaltsverzeichnis INHALTSVERZEICHNIS... 1 ABBILDUNGSVERZEICHNIS... 3 TABELLENVERZEICHNIS... 4 AUFGABENSTELLUNG... 5 1 EINLEITUNG... 6 1.1 Motivation... 6 1.2 Gliederung der Arbeit... 7 2 GRUNDLAGEN...

Mehr

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht

Mehr

Graphische Datenverarbeitung und Bildverarbeitung

Graphische Datenverarbeitung und Bildverarbeitung Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Clippen in 2D und 3D Graphische DV und BV, Regina Pohle, 19. Clippen in 2D und 3D 1 Einordnung in die Inhalte der Vorlesung Einführung

Mehr

Einfache Varianzanalyse für abhängige

Einfache Varianzanalyse für abhängige Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese

Mehr

Webseitennavigation mit dem Content-Management-System Imperia. Zentrum für Informationsverarbeitung Westfälische Wilhelms-Universität Münster

Webseitennavigation mit dem Content-Management-System Imperia. Zentrum für Informationsverarbeitung Westfälische Wilhelms-Universität Münster Webseitennavigation mit dem Content-Management-System Imperia Zentrum für Informationsverarbeitung Westfälische Wilhelms-Universität Münster 10. Januar 2006 Inhaltsverzeichnis 1. Einführung 4 2. Rubrikenstruktur

Mehr

Bildauswertung in UAV

Bildauswertung in UAV Bildauswertung in UAV Prof. Dr. Nailja Luth Prof. N. Luth Emden 2014-1 OTH Ost-Bayerische Technische Hochschule Amberg-Weiden Prof. N. Luth Emden 2014-2 Prof. Dr.-Ing. N. Luth: Vorlesung Bildverarbeitung

Mehr

Inhalt. Bildaufnahme / Digitale Bilder. Kameras CCD Sensoren Auge Sampling / Aliasing Quantisierung

Inhalt. Bildaufnahme / Digitale Bilder. Kameras CCD Sensoren Auge Sampling / Aliasing Quantisierung Inhalt Bildaufnahme / Digitale Bilder Kameras CCD Sensoren Auge Sampling / Aliasing Quantisierung Abtastung, Parameter Aliasing-Beispiel: Unterabtastung einer periodischen Funktion. Rekonstruktion ergibt

Mehr

Institut für Informatik Visual Computing SE Computational Photography

Institut für Informatik Visual Computing SE Computational Photography Kameramodelle und Grundlagen Institut für Informatik Visual Computing SE Computational Photography Prof. Eisert Vortrag von Juliane Hüttl Gliederung 1. Bilderfassung 1. Optische Abbildungsmodelle 2. Sensoren

Mehr

Kapitel MK:I. I. Einführung. Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI

Kapitel MK:I. I. Einführung. Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI Kapitel MK:I I. Einführung Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI MK:I-29 I Introduction STEIN 1998-2009 Ursprung der Methoden der KI/Wissensverarbeitung (induktives)

Mehr

davon Selbstst. Workload gesamt Leistungspunkte davon Kontaktst. Dauer Modul 1 Pflichtmodul 124010000

davon Selbstst. Workload gesamt Leistungspunkte davon Kontaktst. Dauer Modul 1 Pflichtmodul 124010000 Modul 2400000 Qualifikations und jedes Sem. 6 270 h 0 h 80 h Semester (WiSe) Einführung in die technischer Systeme. Sicherheitsgerechter Umgang mit Werkzeugen, Maschinen, Werkstoffen und Gefahrstoffen.

Mehr

Praktikum Grundlagen der Elektrotechnik 2 (GET2) Versuch 2

Praktikum Grundlagen der Elektrotechnik 2 (GET2) Versuch 2 Werner-v.-Siemens-Labor für elektrische Antriebssysteme Prof. Dr.-Ing. Dr. h.c. H. Biechl Prof. Dr.-Ing. E.-P. Meyer Praktikum Grundlagen der Elektrotechnik 2 (GET2) Versuch 2 Messungen mit dem Oszilloskop

Mehr

PRODUKTION UND GESTALTUNG INTERAKTIVER MEDIEN

PRODUKTION UND GESTALTUNG INTERAKTIVER MEDIEN PRODUKTION UND GESTALTUNG INTERAKTIVER MEDIEN 1) Einführung in Photoshop Rebecca Rottensteiner, B.A. Photoshop Allgemein Dateiformate Design in Photoshop umsetzten Besprechung Konzepte Webschriftarten

Mehr

Grundlagen der Farbbildverarbeitung

Grundlagen der Farbbildverarbeitung Grundlagen der arbbildverarbeitung Vorlesender: Dr.-Ing. Rico Nestler Skripte: PD Dr.-Ing. habil. K.-H. ranke U Ilmenau / akultät IA Institut für Praktische Informatik und Medieninformatik achgebiet Graphische

Mehr

Industrielle Bildverarbeitung

Industrielle Bildverarbeitung Industrielle Bildverarbeitung Übungen 1. Aufgabe Ein Objektiv mit der Brennweite 12.5mm kann auf Entfernungen zwischen 0.5 m und eingestellt werden. Wie gross ist dann jeweils die Bildweite? Dieses Objektiv

Mehr

Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07

Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Regression Trees Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Ao.Univ.Prof. Dr. Marcus Hudec marcus.hudec@univie.ac.at Institut für Scientific Computing, Universität Wien 2

Mehr

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Ideen der Informatik Maschinelles Lernen Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung

Mehr

Industrielle Bildverarbeitung Die Vielfalt des maschinellen Sehens in der Montageund Handhabungstechnik. 12.06.2008 Dr.

Industrielle Bildverarbeitung Die Vielfalt des maschinellen Sehens in der Montageund Handhabungstechnik. 12.06.2008 Dr. Industrielle Bildverarbeitung Die Vielfalt des maschinellen Sehens in der Montageund Handhabungstechnik 12.06.2008 Dr. Michael Stöcker Maschinelles Sehen drei grundsätzliche Teilschritte 1. Sehen Bildgewinnung

Mehr

Inhalte. HS BO Lab. für Photogrammetrie: Verfahren zur automatisierten Auswertung 1

Inhalte. HS BO Lab. für Photogrammetrie: Verfahren zur automatisierten Auswertung 1 Inhalte Verfahren zur automatisierten Auswertung Korrespondenzanalyse Bildzuordnungsverfahren Merkmalsextraktion Merkmalsbasierte Zuordnung Interest-Operatoren Flächenbasierte Zuordnung Korrelationsalgorithmen

Mehr

Automatische Segmentierung von mikroskopischen Zellbildern für die Biokompatibilitätsprüfung mit Hilfe eines Künstlich Neuronalen Netzes

Automatische Segmentierung von mikroskopischen Zellbildern für die Biokompatibilitätsprüfung mit Hilfe eines Künstlich Neuronalen Netzes Automatische Segmentierung von mikroskopischen Zellbildern für die Biokompatibilitätsprüfung mit Hilfe eines Künstlich Neuronalen Netzes S. Buhl 1, B. Neumann 1,M. Schneider 1, U. Lehmann 1, E.Eisenbarth

Mehr

Ratsgymnasium Bielefeld Schuljahr 2005/2006. Besondere Lernleistung im Fach Informatik. Thema: Verfahren zur Erkennung präsentierter Objekte

Ratsgymnasium Bielefeld Schuljahr 2005/2006. Besondere Lernleistung im Fach Informatik. Thema: Verfahren zur Erkennung präsentierter Objekte Ratsgymnasium Bielefeld Schuljahr 2005/2006 Besondere Lernleistung im Fach Informatik Thema: Verfahren zur Erkennung präsentierter Objekte Verfasser: Joa Diego Ebert Kurs: Informatik (inf) Kursleiter:

Mehr

Wie es Euch gefällt Pixelvorverarbeitung oder RAW-Format

Wie es Euch gefällt Pixelvorverarbeitung oder RAW-Format Wie es Euch gefällt Pixelvorverarbeitung oder RAW-Format Je nach Anwendung werden an die Bilddaten unterschiedliche Anforderungen gestellt. Beim schnellen Schnappschuss möchte Sie ein fertiges Bild von

Mehr

Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und

Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion

Mehr

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18 3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen

Mehr

Ergebnisbericht Kompetenztest 2013/2014 Mathematik, Klasse 3a

Ergebnisbericht Kompetenztest 2013/2014 Mathematik, Klasse 3a Ergebnisbericht Kompetenztest 13/14 Mathematik, Klasse 3a Grundschule Gornau Sehr geehrte Lehrerin, sehr geehrter Lehrer, der vorliegende Ergebnisbericht enthält die Testergebnisse hrer Klasse 3a in zusammengefasster

Mehr

Optische Analyse der Schaumstruktur zur Optimierung von PUR-Systemen und zur Prozesskontrolle

Optische Analyse der Schaumstruktur zur Optimierung von PUR-Systemen und zur Prozesskontrolle Optische Analyse der Schaumstruktur zur Optimierung von PUR-Systemen und zur Prozesskontrolle Dirk Wehowsky, Getzner Werkstoffe GmbH 23.11.05 KTWE / Wed 1 Gliederung Motivation Optische Messtechnik Strukturmerkmale

Mehr

Modul 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 Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften

Mehr

Filter zur frequenzselektiven Messung

Filter zur frequenzselektiven Messung Messtechnik-Praktikum 29. April 2008 Filter zur frequenzselektiven Messung Silvio Fuchs & Simon Stützer Augabenstellung. a) Bauen Sie die Schaltung eines RC-Hochpass (Abbildung 3.2, Seite 3) und eines

Mehr

Hochgeschwindigkeits-3D-Kamera mit leistungsstarker Farbverarbeitung

Hochgeschwindigkeits-3D-Kamera mit leistungsstarker Farbverarbeitung Hochgeschwindigkeits-3D-Kamera mit leistungsstarker Farbverarbeitung Andreas Behrens / Michael Salzwedel SICK Vertriebs-GmbH, 40549 Düsseldorf www.sick.de Vision Academy GmbH Konrad-Zuse-Str. 15 D-99099

Mehr

Industrielle Bildverarbeitung mit OpenCV

Industrielle Bildverarbeitung mit OpenCV Industrielle Bildverarbeitung mit OpenCV Zhang,Duoyi 6.7.2 Gliederung. Einführung für OpenCV 2. Die Struktur von OpenCV Überblick Funktionsumfang in Ausschnitten mit Beispielen 3. Industrielles Anwendungsbeispiel

Mehr

Einführung in Bildverarbeitung und Computervision

Einführung in Bildverarbeitung und Computervision Einführung in Bildverarbeitung und Computervision Vorlesung 1: Grundlagen Dipl.-Math. Dimitri Ovrutskiy SS 2010 HTWdS Auf Basis der Vorlesungen von und mit Danksagung an Hr. Prof. Dr. J. Weikert Bildverarbeitung

Mehr

Allerdings ist die Bearbeitung von Standardobjekten vorerst eingeschränkt. Wir wollen uns dies im folgenden Beispiel genauer betrachten.

Allerdings ist die Bearbeitung von Standardobjekten vorerst eingeschränkt. Wir wollen uns dies im folgenden Beispiel genauer betrachten. 7. KURVEN UND KNOTEN INFORMATION: Sämtliche Objekte bestehen in CorelDRAW aus Linien oder Kurven. So ist ein Rechteck ein Gebilde aus einem Linienzug, ein Kreis hingegen besteht aus einer Kurve. Zum Bearbeiten

Mehr

Bildverarbeitung und Mustererkennung

Bildverarbeitung und Mustererkennung Bildverarbeitung und Mustererkennung Prüfung im Modul ET5030 für den Masterstudiengang Systems Design & Production Management Professor Dr.-Ing. Martin Werner Juli 2013 Hinweise zur Bearbeitung der Klausur

Mehr

Fachhochschule Kiel Fachbereich Informatik und Elektrotechnik Labor für Grundlagen der Elektrotechnik

Fachhochschule Kiel Fachbereich Informatik und Elektrotechnik Labor für Grundlagen der Elektrotechnik Fachhochschule Kiel Fachbereich Informatik und Elektrotechnik Labor für Grundlagen der Elektrotechnik Laborbericht zur Aufgabe Nr. 132 Messungen mit dem Oszilloskop Name: Name: Name: Bewertung: Bemerkungen

Mehr

Software in der Industriellen Bildverarbeitung

Software in der Industriellen Bildverarbeitung Software in der Industriellen Bildverarbeitung Technologieentwicklung am Beispiel Pattern Matching Dr. Olaf Munkelt MVTec Software GmbH MVTec Software GmbH Firma konzentriert sich auf Building Vision for

Mehr

-Pixelgrafik, Rastergrafik Beispiele: bmp (Bitmap) tiff (Tagged Image File Format, u. a. Rastergrafik, aber auch mehr) raw (reine Pixeldaten)

-Pixelgrafik, Rastergrafik Beispiele: bmp (Bitmap) tiff (Tagged Image File Format, u. a. Rastergrafik, aber auch mehr) raw (reine Pixeldaten) Multimediale Werkzeuge, Bildobjekte -Beispiel für ein Programm zur Bearbeitung von Bildern: Adobe Photoshop. Speichern in unterschiedlichen Formaten, Bearbeiten z.b. unscharf filtern, scharf filtern...

Mehr

Grundlagen der industriellen Bildverarbeitung und deren Anwendungsgebiete. Christoph Walter, MSc

Grundlagen der industriellen Bildverarbeitung und deren Anwendungsgebiete. Christoph Walter, MSc Grundlagen der industriellen Bildverarbeitung und deren Anwendungsgebiete Christoph Walter, MSc Agenda Kurzvorstellung Senmicro Einleitung Komponenten in der Bildverarbeitung Grundbegriffe Ablauf eine

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

Polaroid DMC an DISKUS

Polaroid DMC an DISKUS Carl H. Hilgers Technisches Büro Hauptstraße 82 53693 Königswinter Tel.: 022 23-222 68 Fax: 022 23-275 94 E-Mail: hilgers@hilgers.com Polaroid DMC an DISKUS Die digitale Kamera von Polaroid hat einen SCSI-2

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr