Rauschunterdrückung in der Theorie & Praxis
|
|
- Berthold Kerner
- vor 5 Jahren
- Abrufe
Transkript
1 Rauschunterdrückung in der Theorie & Praxis Florian Kramer Urs Pricking Seminar Simulation und Bildanalyse in Java Universität Ulm, Abteilungen SAI & Stochastik 4
2 Übersicht Motivation Arten von Rauschen 3 Eigenschaften von Glättungsfiltern 4 Lineare Filter 5 Nichtlineare Filter 6 Bilateraler Filter 7 Literatur Florian Kramer, Urs Pricking
3 Motivation Rauschunterdrückung: Entfernen von Störungen (Noise), bei Erhalt möglichst aller ursprünglichen, signifikanten Bildeigenschaften Originalbild Originalbild, beschädigt Florian Kramer, Urs Pricking 3
4 Motivation Originalbild Beschädigtes Bild gefiltert Florian Kramer, Urs Pricking 4
5 Arten von Rauschen Gaußsches Rauschen: Rauschen als additive Abweichung mit Erwartungswert : G G + N N, mit ~ Ν, σ Weißes Rauschen: Neuer Grauwert des Pixels ist nicht mit dem ursprünglichen Wert des Pixel korreliert Spezialfall: Salt and Pepper Rauschen (binäres Rauschen) Florian Kramer, Urs Pricking 5
6 Arten von Rauschen Gaußsches Rauschen Salt and Pepper Rauschen Florian Kramer, Urs Pricking 6
7 3 Eigenschaften von Glättungsfiltern Was ist ein Filter? Ein Filter ist definiert über eine Nachbarschaftsoperation N: g ( x) g( x) : Wert des N M N : beliebiger ({ g( x )}, ( x x ) M ) Pixels an Position x Nachbarschaftsoperator : kompaktes Gebiet mit Bezugspunkt (Maske) Beispiel: [ [ 3] ] N [ 6 ] g(x) g ( x) Florian Kramer, Urs Pricking 7
8 3 Eigenschaften von Glättungsfiltern a) Verschiebungsinvarianz Objekte behalten Position b) Erhaltung des Mittelwertes Erhaltung des Bildmittelwertes c) Monotonie Kleine Strukturen dürfen nicht verbleiben, wenn größere verschwinden d) Isotropie Glättung richtungsunabhängig Florian Kramer, Urs Pricking 8
9 -DEMO - Vorführung: Verschiebungsinvarianz verletzt: Objekt verschiebt sich Mittelwert wird nicht erhalten: Bild wird heller Florian Kramer, Urs Pricking 9
10 4 Lineare Filter - Rechteckfilter Rechteckfilter: Mittelung der Pixel-Werte in einem kleinen Bereich Addition der Pixel-Werte und Division durch die Anzahl der Pixel der Maske Durch Skalierung Erhalt des Mittelwertes Beispiel: x3 Rechtecksfilter (-dimensional) R 3 [ ] Florian Kramer, Urs Pricking
11 Florian Kramer, Urs Pricking 4 Lineare Filter Rechteckfilter dimensional Filteroperation angewandt auf ein Bild: ) ( + + g x 7 ) ( x g [ ] [ ]
12 Florian Kramer, Urs Pricking 4 Lineare Filter Rechteckfilter dimensional Schneller Algorithmus: Nur 3 Rechenoperationen pro Bildpunkt, unabhängig von der Filtergröße: ( ) p m g p m g g g p g g p m m p m p m m m :Alter Wertdes Pixelsan Position : Größe der Filtermaske Neuer Wertdes Pixelsan Position : ' '
13 Florian Kramer, Urs Pricking 3 4 Lineare Filter Rechteckfilter dimensional -D Rechteckfilter: Beispiel: 3x3 Filter Schneller Algorithmus: Maske separierbar (Symmetrie) 9 R [ ] y R x R R 3 3 9
14 4 Lineare Filter Rechteckfilter Laufzeitanalyse Laufzeitanalyse (d-dimensionale Maske mit Länge (p+)) Nicht separiert: ( p + ) d (( p + ) d - Multiplikationen ) - Additionen Separiert (d h entlang der Achsen in eindimensionale Masken zerlegt): d ( p d (( p + ) - + ) ) Multiplikationen - Additionen Florian Kramer, Urs Pricking 4
15 43 Lineare Filter Rechteckfilter Zusammenfassung Vorteile: Gute Rauschunterdrückung bei Gaußschem Rauschen Schnelle Berechnung im -dimensionalen Fall Schnelle Berechnung im mehrdimensionalen Fall, da Maske symmetrisch (Separierbarkeit) Nachteile: Rauschunterdrückung auf Kosten der Detailauflösung Kanten werden geglättet Monotonieeigenschaft nicht erfüllt Florian Kramer, Urs Pricking 5
16 Florian Kramer, Urs Pricking 6 43 Lineare Filter Rechteckfilter Zusammenfassung Fehlende Monotonieeigenschaft [ ] 3 [ ]
17 43 Lineare Filter Rechteckfilter Zusammenfassung Florian Kramer, Urs Pricking 7
18 4 Lineare Filter - Binomialfilter Binomialfilter: Stärkere Gewichtung der Pixelwerte zur Maskenmitte hin gemäß der Binomialverteilung Einfachste Glättungsmaske: B [ ] Betrachtung gerader Masken p-mal hintereinander: p B 3 BB B p p mal [ ] [ ] [ ] p mal Florian Kramer, Urs Pricking 8
19 4 Lineare Filter - Binomialfilter dimensional Beispiele (-dimensional): B B [ ] [ ] Berechnung der Masken nach dem Pascalschen Dreieck: Florian Kramer, Urs Pricking 9
20 Florian Kramer, Urs Pricking 4 Lineare Filter Binomialfilter -dimensional D-Binomialfilter (analog zu D-Rechtecksfilter): [ ] 4 4 B x B y B
21 4 Lineare Filter Rechteckfilter Laufzeitanalyse Laufzeitanalyse (d-dimensionale Maske mit Länge (p+)) Nicht separiert: ( p + ) d (( p + ) d - Multiplikationen ) - Additionen Separiert (d h Zerlegung in Elementarmasken B): Multiplikationen als Shift - Operationen d (( p + ) ) - Additionen Florian Kramer, Urs Pricking
22 43 Lineare Filter Binomialfilter Zusammenfassung Vorteile: Erfüllung der Monotonieeigenschaft Gute Unterdrückung von Gaußschem Rauschen Schneller Algorithmus Nachteile: Schlechte Detailauflösung Kantenglättung Schlechte Unterdrückung von Salt-and-Pepper Rauschen Florian Kramer, Urs Pricking
23 43 Lineare Filter Binomialfilter Zusammenfassung Florian Kramer, Urs Pricking 3
24 Florian Kramer, Urs Pricking 4 43 Lineare Filter - Mehrschrittmittelung Mehrschrittmittelung: Mittelung weiter voneinander entfernter Pixel (Geschwindigkeitsvorteil) Am effizientesten sind Mehrschrittmasken entlang der Achsen (Separierbarkeit) Beispiel (-dimensional): [ ] y x B B
25 43 Lineare Filter - Mehrschrittmittelung Problem: Verlust der Filtereigenschaft für größere Strukturen (Monotonie) > Kaskadierte Mehrschritt-Binomialfilterung, zb Verdoppelung der Schrittweite: p p B 444 L B B B B s x 8x 4x 44 x 3 x s mal p p p Florian Kramer, Urs Pricking 5
26 5 Nichtlineare Filter - Medianfilter Medianfilter: Medianfilter: Sortierung der Grauwerte innerhalb der Maske nach Ihrer Größe und Selektion des mittleren Pixels bzgl Ihrer Ordnung (Median) Medianfilter ist Rangordnungsfilter Rangordnungsfilter (rank value filter): Operationen zur Kombination benachbarter Pixel: Vergleichen und Selektieren Florian Kramer, Urs Pricking 6
27 5 Nichtlineare Filter - Medianfilter Beispiel (x3 Medianfilter): g( x) 3 g ( x) Median (,3,7) 3 M M M [ [ 3 7 ] 8 9 ] [ ] g( x) g ( x) Median (,,4) 4 [ [ 4] 5 6 ] [ ] g ( x) g ( x) Median (,,9) [ [ 9] 9 9 ] [ ] Florian Kramer, Urs Pricking 7
28 5 Nichtlineare Filter - Medianfilter - Zusammenfassung Vorteile: Monoton ansteigende Rampen werden erhalten Ausreißer (binäres Rauschen) werden eliminiert Konstante Nachbarschaften und Kanten sind Fixpunkte Bei einzelnen gestörten Pixel reicht bereits ein 3x3 Medianfilter Konzept erweiterbar: Minimum- und Maximumfilter Florian Kramer, Urs Pricking 8
29 5 Nichtlineare Filter - Medianfilter - Zusammenfassung Nachteile: Schlechte Rauschunterdrückung von Gaußschem Rauschen Bei wiederholter Anwendung bleiben nur konstante Bereiche und Kanten zurück Florian Kramer, Urs Pricking 9
30 5 Nichtlineare Filter - Gewichtete Mittelung Gewichtete Mittelung: Jeder Bildpunkt geht mit einem gewissen Wichtungsfaktor in die Berechnung ein Definition: G ' H H ( W G ) W H - beliebige Faltungsmaske G - das zu bearbeitende Bild W - das Bild, das die Wichtungsfaktoren enthält Florian Kramer, Urs Pricking 3
31 5 Nichtlineare Filter - Gewichtete Mittelung Beispiel: Gewichtete Mittelung Rechteckfilter Florian Kramer, Urs Pricking 3
32 5 Nichtlineare Filter - Gewichtete Mittelung - Zusammenfassung Vorteile: Berücksichtigung von variierenden statistischen Fehlern der Pixel Flexibilität, da die Gewichtung beliebig gewählt werden kann Nachteile: Rechenaufwand Wahl eines passenden Wichtungsbildes Florian Kramer, Urs Pricking 3
33 53 Nichtlineare Filter - Steuerbare Mittelung Steuerbare Mittelung: Die Maske wird abhängig von der lokalen Bildstruktur gemacht Einstellbare Filter besitzen frei justierbare Parameter wie Glättungsgrad oder Glättungsrichtung, über die sich die Filterung steuern lässt Ineffizient (Rechenaufwand) Alternative: - Berechnung eines Satzes gefilterter Bilder aus einer Basis von Filtern und dem ursprünglichen Bild - Interpolation dieser Bilder unter Verwendung von justierbaren Parametern Florian Kramer, Urs Pricking 33
34 53 Nichtlineare Filter - Steuerbare Mittelung In Operatornotation: P H( α) f p ( α) H p H p f p - p p - te Filter ( α) - skalare Interpolationsfunktion des Steuerparametersα Probleme: - Existenz einer Filterbasis - Beziehung zwischen H p α und f p Florian Kramer, Urs Pricking 34
35 -DEMO - Wirkung von linearen und nicht-linearen Filtern bzgl beschädigten Bildern (Lineare vs Medianfilter) (Min, Maxfilter Erosion, Dilatation ) Gauß schem Rauschen (Lineare vs Medianfilter) Salt and Pepper (Lineare vs Medianfilter) Kantenerhaltung (Lineare vs Medianfilter) Zugabe (siehe Vortrag letztes Semester) Kantenextraktion (horizontal, vertikal, beide Richtungen) Florian Kramer, Urs Pricking 35
36 6 Bilateraler Filter Bilateraler Filter: Glättung von Bildern bei Erhalt der Kanten (Objekterkennung) Bevorzugung naher und ähnlicher Pixel bei der Gewichtung (domain and range filtering) Gute Anwendbarkeit auf Graustufen- und Farbbilder Florian Kramer, Urs Pricking 36
37 6 Bilateraler Filter Domain Filter dimensional Klassischer Bildbereich-Filter (domain filter, allgemeiner und stetiger Fall): h( x) k mit d ( x) ( x) f ( ξ ) c( ξ, x) dξ c( ξ, x) dξ h( x) : Neuer Wert des Pixels an Position x k d k d ( x) : Normierungsfaktor für Pixel x f ( ξ ) : Alter Wert des Pixels an Position ξ c( ξ, x) : Abstandsfunktionswert für x und ξ Florian Kramer, Urs Pricking 37
38 6 Bilateraler Filter Range Filter dimensional Bildwerte-Filter (range filter, allgemeiner und stetiger Fall): h( x) k r ( x) f ( ξ ) s( f ( ξ ), f ( x)) dξ mit k r ( x) s( f ( ξ ), f ( x)) dξ h( x) : Neuer Wert des Pixels an Position x k r ( x) : Normierungsfaktor für Pixel x f ( ξ ) : Alter Wert des Pixels an Position ξ s( f ( ξ ), f ( x)) : Abstandsfunktionswert für f ( x) und f ( ξ ) Florian Kramer, Urs Pricking 38
39 6 Bilateraler Filter dimensional Bilateraler Filter (domain and range filtering, allgemeiner und stetiger Fall): h( x) k mit k( x) f ( ξ ) : Alter Wert s( f ( ξ ), f ( x) f ( ξ ) c( ξ, x) s( c( ξ, x) s( f ( ξ ), f ( x)) dξ f ( ξ ), f ( x)) dξ h( x) : Neuer Wert des Pixels an Position x k( x) : Normierungsfaktor für Pixel x des Pixels an Position ξ ( x)) : Abstandsfunktionswert für f ( x) und f ( ξ ) c( ξ, x) : Abstandsfunktionswert für x und ξ Florian Kramer, Urs Pricking 39
40 6 Bilateraler Filter - Konzept Beispiel: Graustufenbild mit Graustufen - Kante gestört mit Gausschem Rauschen mit σ Pixel c( ξ, x) s( f ( ξ ), f ( x)) für eine 3x3 Maske Ergebnis des Bilateralen Filters Florian Kramer, Urs Pricking 4
41 Florian Kramer, Urs Pricking 4 6 Bilateraler Filter - Gewichtungsfunktionen Gewichtungsfunktionen: Prinzipiell frei wählbar Beispiel: Gaußscher Fall euklidischer Abstand ) ( ), (, ), ( euklidischer Abstand ), (, ), ( )) ( ), ( ( ), ( f f f e x s x x e x c r d x f f x d Φ Φ Φ δ δ ξ ξ ξ ξ σ ξ δ σ ξ
42 6 Bilateraler Filter - Gewichtungsfunktionen Eigenschaften: σ r σ d und können passend (frei) gewählt werden Domain-Filter ist verschiebungsinvariant Range-Filter ist verschiebungsinvariant Florian Kramer, Urs Pricking 4
43 63 Bilateraler Filter - Experimente mit Graustufenbildern Glättung feiner Strukturen: > Datenreduktion bei Erhalt essentieller Eigenschaften Bilateraler Filter Originalbild Originalbild, gefiltert Florian Kramer, Urs Pricking 43
44 63 Bilateraler Filter - Experimente mit Graustufenbildern Florian Kramer, Urs Pricking 44
45 63 Bilateraler Filter - Experimente mit Graustufenbildern Bilateraler Filter, σ d 3, σ 5 r Bilateraler Filter Bilateraler Filter Florian Kramer, Urs Pricking 45
46 63 Bilateraler Filter - Experimente mit Graustufenbildern Laufzeitanalyse: Rechenoperationen: Doppelter Berechnungsaufwand (Domain und Range) wie bei nicht separierbaren klassischen Domain-Filtern (zb Rechtecksfilter) der gleichen Größe Verbesserung Gauß scher Fall: Berechnung aller Werte der Rangefunktion im voraus (n+ Differenzwerte bei n-graustufenbild) Florian Kramer, Urs Pricking 46
47 64 Bilateraler Filter - Experimente mit Farbbildern Problem mit Farbbildern: Entstehung unerwünschter Farben bei der Glättung von Kanten bei traditionellen Filtern b) a) c) a) Linearer Filter b) Bilateraler Filter (Separierung der Bänder) c) Bilateraler Filter (Abstandsfunkt ion im CIE Bereich) Florian Kramer, Urs Pricking 47
48 64 Bilateraler Filter - Experimente mit Farbbildern Iterative Bilaterale Filterung: x 5x Florian Kramer, Urs Pricking 48
49 65 Bilateraler Filter - Zusammenfassung Vorteile: Vereinigt positive Eigenschaften von linearen und nichtlinearen Filtern Gewichtungsfunktionen frei wählbar und deren Parameter auf das gegebene Bild justierbar Nachteile: Gleicher Komplexitätsgrad wie nicht separierbare Standard Filter Florian Kramer, Urs Pricking 49
50 -DEMO 3 - Vorführung: Glättung bei Erhaltung der Kanten am Beispiel von Graustufen und Farbbildern: Lineare, Nicht-Lineare vs Bilaterale Filter Florian Kramer, Urs Pricking 5
51 7 Literatur B Jähne, Digital Image Processing,, Springer Verlag C Tomasi and R Manduchi, Bilateral Filtering for Gray and Color Images, Proceedings of the 998 IEEE International Conference on Computer Vision, Bombay, India, 998 Florian Kramer, Urs Pricking 5
52 ENDE Vielen Dank für Ihre Aufmerksamkeit! Florian Kramer, Urs Pricking 5
Bildverarbeitung Herbstsemester
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Filter Filter 1 Inhalt Lineare und nichtlineare Filter Glättungsfilter (z.b. Gauss-Filter) Differenzfilter (z.b. Laplace-Filter) Lineare Faltung
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
Mehr1. 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
MehrFilter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale
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
MehrBildverbesserung (Image Enhancement)
Prof. Dr. Wolfgang Konen, Thomas Zielke Bildverbesserung (Image Enhancement) WS07 7.1 Konen, Zielke Der Prozess der Bildverbesserung (1) Bildverbesserung wird häufig dafür eingesetzt, die für einen menschlichen
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
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
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
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
MehrSystemtheorie abbildender Systeme
Bandbegrenzung Bild in (b) nicht band-begrenzt: scharfe Kanten = Dirac-Funktionen = weißes Spektrum Erfordert Tapering vor Digitalisierung (Multiplikation mit geeigneter Fensterfunktion; auf Null drücken
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,
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag WS 2007/2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
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
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum 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 (Grundlagen
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
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,
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum 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 (Grundlagen
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Lineare Filterung - 1 Einführung 2 Definition der Faltung 3 Beispiele linearer Filter 4 Diskussion 5 Ausblick: nichtlineare Filterung 6 Literatur 1 Einführung
MehrBildentrauschung und Kantenextrakion
Seminar: Bayessche Ansätze in der Bildanalyse Fakultät für Mathematik und Wirtschaftswissenschaften 29.05.06 Outline 1 Wiederholung Bildmodell Bayes 2 Bildentrauschung mit Masken Masken Beispiele Fazit
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
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,
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
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
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
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
Mehr1 Einleitung Einordnung des Gebietes Aufbau des Buches Philosophie Inhalte Einige Lehrbücher...
Inhaltsverzeichnis 1 Einleitung... 1 1.1 Einordnung des Gebietes... 1 1.2 Aufbau des Buches... 3 1.2.1 Philosophie... 3 1.2.2 Inhalte... 5 1.3 Einige Lehrbücher... 6 2 Allgemeine Begriffe... 11 2.1 Einige
MehrWasserscheiden-Ansätze zur Bildsegmentierung II
Wasserscheiden-Ansätze zur Bildsegmentierung II Johannes Renfordt renfordt@mathematik.uni-ulm.de Seminar Bildsegmentierung und Computer Vision im Wintersemester 2005/2006 Universität Ulm Fakultät für Mathematik
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
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
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)
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. eine Zusammenfassung von Markus Liebe
Digitale Bildverarbeitung eine Zusammenfassung von Markus Liebe 2 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
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
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
MehrBildsegmentierung mit Snakes und aktiven Konturen
Bildsegmentierung mit Snakes und aktiven Konturen 5. Dezember 2005 Vortrag zum Seminar Bildsegmentierung und Computer Vision Übersicht 1 2 Definition der Snake Innere Energie S(c) 3 Statisches Optimierungsproblem
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
MehrPraktikum-Meßtechnik Verfasser: Dr. H. Bergelt
TU Bergakademie Freiberg Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt Filter in der Bildverarbeitung. Einleitung Digitale Filter gehören zu den wirkungsvollsten Methoden der Bildverarbeitung. Wir können
MehrWasserscheiden-Ansätze zur Bildsegmentierung I
Seminar Bildsegmentierung und Computer Vision Wasserscheiden-Ansätze zur Bildsegmentierung I Stefan Sugg 19.12.2005 Gliederung 1. Einführung 2. Morphologische Grundlagen 3. Simulation durch Überflutung
MehrMorphologische Bildverarbeitung I
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Abteilung Stochastik Abteilung Angewandte Informationsverarbeitung SS 03 Morphologische Bildverarbeitung I Vortrag mit Programmvorstellung
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
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
MehrMorphologische Filter. Vorlesung FH-Hagenberg DSB
Morphologische Filter Vorlesung FH-Hagenberg DSB Mathematische Morphologie Binäre Morphologie Strukturelement Grundlegende Operatoren Erosion, Dilation Abgeleitete Operatoren Open, close Grauwert-Morphologie
MehrComputer Vision: Kalman Filter
Computer Vision: Kalman Filter D. Schlesinger TUD/INF/KI/IS D. Schlesinger () Computer Vision: Kalman Filter 1 / 8 Bayesscher Filter Ein Objekt kann sich in einem Zustand x X befinden. Zum Zeitpunkt i
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
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
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrForm: Gradient. Informationsgewinnung
Form: Gradient Motivation: Wenn Objekte homoen bezülich dem Grauwert oder einem Teturmerkmal sind dann treten an den Objektrenzen starke Gradienten auf. Grauwertbild Gradientenbetrasbild Computer Vision
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
MehrRechenaufwand der LR- und LDL T - Zerlegung
6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrFlächen- und Volumenmessung lokaler Objekte in DICOM-Bildern und Bildfolgen
Flächen- und Volumenmessung lokaler Objekte in ICOM-Bildern und Bildfolgen Sergei Hludov, Christoph Meinel und Thomas Engel Institut für Telematik Bahnhofsstr. 30-3, 549 Trier Email: hludov@ti.fhg.de Zusammenfassung.
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
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
MehrInnere Volumina und Integralgeometrie
Seminar Stochastische Geometrie und ihre Anwendungen" 19. November 2009 Inhaltsverzeichnis Grundlagen Mengenoperationen Digitale Bildbearbeitung Die Hausdor-Metrik Mengenoperationen Spiegelung\Translation
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
MehrEvaluation einer modernen Zynq-Plattform am Beispiel der Implementierung einer Hough Transformation
Evaluation einer modernen Zynq-Plattform am Beispiel der Implementierung einer Hough Transformation Zwischenpräsentation der Bachelorarbeit Dominik Weinrich dominik.weinrich@tu-dresden.de Dresden, 31.05.2018
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Kurze Wiederholung Gradienten 1. und 2. Ableitung grad( f ( x, y) ) = f ( x, y) = f ( x, y) x f ( x, y) y 2 f ( x, y) = 2 f ( x,
MehrInvariante Merkmale. Seminar Inhaltsbasierte Bildsuche 22. Dezember 2004 Marei Hopert
Invariante Merkmale Seminar Inhaltsbasierte Bildsuche 22. Dezember 2004 Marei Hopert Übersicht Motivation Invariante Merkmale Idee Berechnung Kernfunktionen Ergebnisse Ausblick Motivation Gedrehtes oder
MehrFragensammlung Digitale Bildverarbeitung
.. Fragensammlung Digitale Bildverarbeitung Diese Fragensammlung enthält eine Sammlung aus Musterfragen, Fragen, die in der Vorlesung gestellt wurden und Originalklausurfragen der Klausuren bis. Die Originalklausurfragen
MehrKlausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
MehrDistanztransformation
1 Inhaltsverzeichnis Distanztransformation... 2 Vorwärtslauf... 2 Rückwärtslauf... 2 Weitere Masken... 2 Morphologie... 3 Erosion... 3 Dilatation... 3 Co-ocurrence Matrix... 3 Filteroperation... 5 Randbehandlung...
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Fouriertransformation Organisatorisches Neue Abgabefrist für Blatt
MehrNichtmonotone Grauwertabbildung
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 02.12.2005 Folie 1 Nichtmonotone Grauwertabbildung Zwei Grauwertfenster in einem Bild. g (g) 0 511 2100 g Erzeugt künstliche Kanten. Grenzen
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
MehrDebayeringverfahren. 19. Mai Thomas Noack, Nikolai Kosjar. SE Computational Photography - Debayeringverfahren
Debayeringverfahren Thomas Noack, Nikolai Kosjar 19. Mai 2010 Was bisher geschah... Reduktion der Herstellungskosten durch Einsatz von nur noch einem CCD-Sensor mit Bayer-Filter Problem: Bayer Image Full
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
MehrSupport Vector Machines (SVM)
Universität Ulm 12. Juni 2007 Inhalt 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor- und Nachteile der SVM 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor-
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen IGPM RWTH Aachen Institut für Geometrie und Praktische Mathematik Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen
MehrBilder: Eigenschaften
Bilder: Eigenschaften Images M. Thaler TG208 tham@zhaw.ch Juni 17 1 1 Um was geht es? Juni 17 2 Was ist ein Bild? - hier sehen sie verschiedene Ausschnitte eines digitalen Bildes -das Bild besteht aus
MehrFahrspurerkennung in Videoechtzeit mit SoC. Eike Jenning INF-M3 - Seminar/Ringvorlesung - Wintersemester 2007/
Fahrspurerkennung in Videoechtzeit mit SoC Eike Jenning INF-M3 - Seminar/Ringvorlesung - Wintersemester 2007/2008 30. November 2007 Agenda Einleitung Algorithmus zur Fahrspurerkennung Fahrspurerkennung
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrRegularisierung in Bildrekonstruktion und Bildrestaurierung
Regularisierung in Bildrekonstruktion und Bildrestaurierung Ulli Wölfel 15. Februar 2002 1 Einleitung Gegeben seien Daten g(x, y), die Störungen enthalten. Gesucht ist das (unbekannte) Originalbild ohne
MehrLEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610
LEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610 Dominik Weinrich dominik.weinrich@tu-dresden.de Dresden, 30.11.2017 Gliederung Motivation Aufbau und Hardware
MehrProseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev
Proseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev 1 Inhaltsverzeichnis: 1.Pixelbasierte Bildverbesserung...3 1.1.Monotone Grauwertabbildung...3 1.1.1.Maximierung des
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
MehrGeometrie 2. Julian Fischer Julian Fischer Geometrie / 30
Geometrie 2 Julian Fischer 6.7.2009 Julian Fischer Geometrie 2 6.7.2009 1 / 30 Themen 1 Bereichssuche und kd-bäume 1 Bereichssuche 2 kd-bäume 2 Divide and Conquer 1 Closest pair 2 Beispiel: Points (IOI
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
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
MehrKantenextraktion. Klassische Verfahren. Christoph Wagner. 30. Januar Vortrag zum Seminar Bildsegmentierung und Computer Vision
Klassische Verfahren 30. Januar 2006 Vortrag zum Seminar Bildsegmentierung und Computer Vision Gliederung Grundlagen 1 Grundlagen Aufgabenstellung Anforderungen an Kantenfilter Lineare Filter 2 3 Gliederung
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
MehrMathematische Methoden in der Systembiologie WS 2017/2018
Mathematische Methoden in der Systembiologie WS 2017/2018 Dozent: Dr. M. V. Barbarossa (barbarossa@uni-heidelberg.de) Tutor: M.Sc. D. Danciu (dpdanciu@math.uni-heidelberg.de) /Übung: Di.+Do. 9:15-10:45Uhr,
MehrProseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung"
Fakultät Informatik, Institut für künstliche Intelligenz, Intelligent Systems Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Lokale Merkmalsdeskriptoren Jens Stormberg - Dresden, 19.06.2009
MehrComputergrafik 2: Übung 9. Morphologische Operationen
Computergrafik 2: Übung 9 Morphologische Operationen Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Besprechung Übung 8 Anmerkungen? Computergrafik 2 SS2012 3 Quiz Watershed-Algorithmus
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, wie lineare
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
MehrTutorium: Diskrete Mathematik
Tutorium: Diskrete Mathematik Vorbereitung der Abschlussklausur am 16.02.2017 (Teil 2, Lösungen 15. Februar 2017 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler 15. Februar
MehrBinärbildverarbeitung
Prof. Dr. Wolfgang Konen, Thomas Zielke Binärbildverarbeitung SS06 4.1 Konen, Zielke Anwendungen von Binärbildern Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte
MehrBildverarbeitung: Diffusion Filters. D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10
Bildverarbeitung: Diffusion Filters D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10 Diffusion Idee Motiviert durch physikalische Prozesse Ausgleich der Konzentration eines Stoffes. Konzentration
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Filtern im Frequenzraum Segmentierung Organisatorisches Klausuranmeldung
MehrTeil IV-B: Detektion von Strukturen in Signalen
Teil IV-B: Detektion von Strukturen in Signalen 1. Detektion von Kontrasten im Bild. Detektion zweidimensionaler Struktur 3. Auflösungs-Pyramiden und Adaptive Glättung Problemstellung Diskrete Differentiation
MehrMultiskalenanalyse. Any view depends on the viewpoint!
Multiskalenanalyse Any view depends on the viewpoint! Multiskalenanalyse Motivation Aufwandsminimierung bei Filterung Objekterkennung, Segmentierung Textur Klassifikation Mosaicing rundlagen Signaltheorie
MehrKapitel 3. Lineare Ausgleichsrechnung. Problem: Löse A x = b, A R m n, b R m, wobei. Rang(A) < Rang([A;b])
Kapitel 3. Lineare Ausgleichsrechnung Problem: Löse A x = b, A R m n, b R m, wobei Rang(A) < Rang([A;b]) zugelassen ist, d.h. Ax = b ist nur im weitesten Sinne lösbar. 3.1 Lineares Ausgleichsproblem: Zu
Mehr