Überblick / Vorverarbeitung
|
|
- Katharina Melsbach
- vor 5 Jahren
- Abrufe
Transkript
1 Überblick / Vorverarbeitung Einleitung Bildpunktoperationen LUT, Dehnung GW-Skala, Histogrammebnung, Hintergrundkompensation,... Geometrische Transformationen Lokale Graubildoperationen Bildverarbeitung - Dr.-Ing. Th. Hermes
2 Einleitung Grauwertbilder: Diskretisierung, Quantisierung ganze, positive Zahlen (nach oben begrenzt) Bildpunktoperationen: Dehnung Grauwertskala Modifikation von Histogrammen Entzerrung von Bildern Bildverarbeitung - Dr.-Ing. Th. Hermes 2
3 Bildpunktoperationen Einleitung Betrachtung von einzelnen Bildpunkten E(x,y) -> A(i,j) Untergruppe von lokalen Operationen GW oder Position (E(x,y)) ohne Berücksichtigung der Umgebung neuer GW oder neue Position (A(i,j)) zu berechnen Unterste Komplexitätsstufe der BV-Operatoren Linear und nicht-linear (Meist) homogener Natur Bildverarbeitung - Dr.-Ing. Th. Hermes 3
4 Bildpunktoperationen LUT Auch Bildpunktübertragungsfunktion Auf vordefinierte Weise wird A(i,j) bestimmt Homogene Operation Grauwertskala (GWS) von E(x,y) wird in GWS von A(x,y) umgeformt Speicher: unter Adresse x ist Inhalt y y = LUT(x) Bildverarbeitung - Dr.-Ing. Th. Hermes 4
5 Bildpunktoperationen Darstellung von LUT in Diagrammform GW von E auf der Abszisse GW von A auf der Ordinate linear negative linear y = x quadratisch 2 x y = 255 Wurzel y = 255x Binär 0, x < xu y =, xu < x < x 0, x > x0 Gauß ( 5795 y = 255 e 2πe für 0 x 255 und σ = 82, m = 0 y = x o x m) 2σ Bildverarbeitung - Dr.-Ing. Th. Hermes 5
6 Bildpunktoperationen Bildverarbeitung - Dr.-Ing. Th. Hermes 6
7 Bildpunktoperationen LUT Berechnung erfolgt nur einmal... auch stückweise linear oder explizite Werteangabe Sehr schnell Auch Hardware-Unterstützung A(x,y) = LUT(E(x,y)) Bildverarbeitung - Dr.-Ing. Th. Hermes 7
8 Bildpunktoperationen [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 8
9 Bildpunktoperationen [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 9
10 Bildpunktoperationen [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 0
11 Bildpunktoperationen Dehnung GW-Skala Allgemeine Transformationsgleichung A(x,y) = u E(x,y) + v Konstante u entspricht dem Kontrast Konstante v entspricht der Helligkeit TV-Monitor Bildverarbeitung - Dr.-Ing. Th. Hermes
12 Bildpunktoperationen Grauwerte GA (Bild A) 92 GE2,GA GE,GA u = GA2 GE2 GA GE v Grauwerte GE (Bild E) Bildverarbeitung - Dr.-Ing. Th. Hermes 2
13 Bildpunktoperationen Dehnung GW-Skala Diskreter Fall (mit 8Bit) A( x, y) = u E( x, y) + v,wenn,wenn,sonst u E( x, u E( x, y) + y) + v v > < nicht linear Bildverarbeitung - Dr.-Ing. Th. Hermes 3
14 Bildpunktoperationen Lineare Dehnung GW-Skala E(x,y) mit E min und E max A(x,y) mit A und A k GW Ausgangsbild A 255 A k mit und E min A E( x, A( x, y) y) E A k max A 0/0 E min E 255 max GW Eingangsbild E A( x, y) = E A k max A E min ( E( x, y) Emin ) + A Bildverarbeitung - Dr.-Ing. Th. Hermes 4
15 Bildpunktoperationen [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 5
16 Bildpunktoperationen Lineare Dehnung GW-Skala mit Clipping Abschneiden der Extremwerte + Dehnung Man wählt Intervall, sodass E min ' min ' max max Nur % - 5% der (Extrem-)Werte sollten jeweils in den Intervallen liegen E min E E ' min bzw. E E max E E ' max Bildverarbeitung - Dr.-Ing. Th. Hermes 6
17 Bildpunktoperationen Histogrammebnung (Grauwertäqualisation) Histogramm: Häufigkeit des Auftretens von GW Gleichverteilung der GW über die (diskrete) GW- Skala Verstärkt den Kontrast um das Maximum und verringert den Kontrast um das Minimum Bildverarbeitung - Dr.-Ing. Th. Hermes 7
18 h Bildpunktoperationen Gegeben Bild E E ( z), Häufigkeit mit der z in E vorkommt für alle z in für alle z [ z, z ] bzgl. Bild E k a b z berechnet h ( z) dz k den Anteil der Punkte vom Bild E, die ihren GW in diesem Bereich haben b a E Bildverarbeitung - Dr.-Ing. Th. Hermes 8
19 Bildpunktoperationen Gegeben : Bild E mit M N k GW Bereiche k und = i p i z = M N.,...,z k ; z i Pixel und habe p i Punkte Im zu erzielenden Histogramm sei q i und die Anzahlder Punkte mit GW k i = q i = M N z i Bildverarbeitung - Dr.-Ing. Th. Hermes 9
20 i= Bildpunktoperationen Transformation von p Histogramm nach q - Histogramm : k k p q p i i= i # der Punkte in E mit GW z,...,z k - werden dem Bereich q zugewiesen. In A erhalten alle Punkte aus q den GW z Bildverarbeitung - Dr.-Ing. Th. Hermes 20
21 Bildpunktoperationen Sind weniger Punkte in vorhanden als in q sein müssten, so wird aus nächsthöherem Bereich aufgefüllt. allgemeine Transformation von nach q - Histogramm : k h k h i= p i h i= p i i= p i p Histogramm Bildverarbeitung - Dr.-Ing. Th. Hermes 2
22 Bildpunktoperationen Ein Beispiel: Gegeben k = 8 und folgende Verteilungen für p und q i p q i i Die ersten Verarbeitungsschritte Bildverarbeitung - Dr.-Ing. Th. Hermes 22
23 Schritt p + Bildpunktoperationen p 2 somit ist = 8 < k Alle Punkte aus Bild E in den Bereichen z sowie 8 weitere Punkte von den folgenden 2aus dem Bereich q = 3 z 3 = 6 < werden dem ersten Bereich im Ausgangsbild A zugeweisen. p + p 2 i p q i i + p = 29 und z z 2, Bildverarbeitung - Dr.-Ing. Th. Hermes 23
24 Bildpunktoperationen Schritt 2 p + p 2 + somit ist p k 3 2 Die übrigebliebenen Punkte aus dem Bereich sowie 3 weitere Punkte von den folgenden 35 aus dem Bereich = 29 < q = 4 z 4 = 32 < werden dem zweiten Bereich im Ausgangsbild A zugeweisen. + q 2 i p q i i p p 2 + p 3 + z z 2 p 3 4 = 64 Bild E, Bildverarbeitung - Dr.-Ing. Th. Hermes 24
25 Bildpunktoperationen Schritt 3 i p q i i p + p 2 + somit ist Es muss weiter unterteilt werden... die " ersten" 6 Punkte werden dem dritten Bereich p k 3 3 z 3 = 29 < q = k 2 = 4 + q 2 + q 3 = 48 < im Ausgangsbild A zugeweisen, usw. p + p 2 + p 3 + p 4 = Bildverarbeitung - Dr.-Ing. Th. Hermes 25
26 Bildpunktoperationen (normierte) Relative Summenhäufigkeit p h E E ( g) sei (normiertes) Histogramm von Bild A( x, y) = g ( g) = k = 0 p E ( k), g = 0,,2,..., MAXGW die relative Summenhäufigkeit. Skalierung durch ( MAXGW ) h ( E( x, y) ) E E und Bildverarbeitung - Dr.-Ing. Th. Hermes 26
27 WICHTIG: Vorbemerkung: Beispiel(e) Hier auf den Folien wird zur Vereinfachung nur mit 6 Graustufen gerechnet. Die Aufgaben sollen aber selbstverständlich für 256 Graustufen gelöst werden! Bildverarbeitung - Dr.-Ing. Th. Hermes 27
28 Das Testbild Einfaches Rechenbeispiel mit 6 Graustufen: Testbild 0*20 Pixel Bildverarbeitung - Dr.-Ing. Th. Hermes 28
29 TZI - Bildverarbeitung Das original Histogramm Histogramm mit absoluten und relativen Zahlen: 0 Pixel (rel. 0,000) 7 Pixel (rel. 0,085) 3 Pixel (rel. 0,065) 0 Pixel (rel. 0,050) 60 Pixel (rel. 0,800) Bildverarbeitung - Dr.-Ing. Th. Hermes 29
30 Lineare Histogrammskalierung Die Grauwerte werden auf den gesamten Bereich skaliert: ( x y) ( A A )*( E( x y) E ) max min, min, = Amin Emax Emin A Bildverarbeitung - Dr.-Ing. Th. Hermes 30
31 TZI - Bildverarbeitung Lineare Histogrammskalierung A ( x y ) ( 5 0 ) * ( E ( x, y ) 7 ) 0, = Pixel (rel. 0,085) 0 Pixel (rel. 0,000) 3 Pixel (rel. 0,065) 0 Pixel (rel. 0,050) 60 Pixel (rel. 0,800) Bildverarbeitung - Dr.-Ing. Th. Hermes 3
32 Lineare Histogrammskalierung Bildverarbeitung - Dr.-Ing. Th. Hermes 32
33 Histogrammskalierung mit Summenhäufigkeit Normiertes Histogramm (relative Werte) p E (0) = 0,000 p E () = 0,000 p E (2) = 0,000 p E (3) = 0,000 p E (4) = 0,000 p E (5) = 0,000 p E (6) = 0,000 p E (7) = 0,085 p E (8) = 0,065 p E (9) = 0,050 p E (0) = 0,800 p E () = 0,000 p E (2) = 0,000 p E (3) = 0,000 p E (4) = 0,000 p E (5) = 0,000 Summen Histogramm h E (0) = 0,000 h E () = 0,000 h E (2) = 0,000 h E (3) = 0,000 h E (4) = 0,000 h E (5) = 0,000 h E (6) = 0,000 h E (7) = 0,085 h E (8) = 0,50 h E (9) = 0,200 h E (0) =,000 h E () =,000 h E (2) =,000 h E (3) =,000 h E (4) =,000 h E (5) =, Bildverarbeitung - Dr.-Ing. Th. Hermes 33
34 Histogrammskalierung mit Summenhäufigkeit Summen Histogramm h E (0) = 0,000 x, y = ( Ng )* h E E Alter Grauwert = 7 h (3) = 0,000 = 0,000 A( x, y) = 5* h ( ) s 7 E h E (4) h E () h (2) = 0,000 = 0,000 E h E (6) h (5) h E (7) = 0,000 = 0,085 h E (8) = 0,000 = 0,50 A( x, y) = 5*0,085 A( x, y) =,27 E Alter Grauwert = 0 h E () =,000 h E (2) =,000 A( x, y) = 5* h ( ) s 0 h E (3) =,000 h E (4) =,000 A( x, y) = 5 h E (9) h (0) = 0,200 =,000 h E (5) =,000 ( ) ( ( x y) ) A s, Ng=Anzahl der Grauwerte, hier 6 (für die Implementierung 256) Bildverarbeitung - Dr.-Ing. Th. Hermes 34
35 TZI - Bildverarbeitung Histogrammskalierung mit Summenhäufigkeit 0 Pixel (rel. 0,000) 7 Pixel (rel. 0,085) 3 Pixel (rel. 0,065) 0 Pixel (rel. 0,050) 60 Pixel (rel. 0,800) Bildverarbeitung - Dr.-Ing. Th. Hermes 35
36 Histogrammskalierung mit 0 Summenhäufigkeit Bildverarbeitung - Dr.-Ing. Th. Hermes 36
37 TZI - Bildverarbeitung Histogrammebnung Originalhistogramm Zielhistogramm Pixel (rel. 0,065) 3 Pixel (rel. 0,065) 3 Pixel (rel. 0,065) 3 Pixel (rel. 0,065) 3 Pixel (rel. 0,065) 3 Pixel (rel. 0,065) 3 Pixel (rel. 0,065) 3 Pixel (rel. 0,065) 2 Pixel (rel. 0,060) 2 Pixel (rel. 0,060) 2 Pixel (rel. 0,060) 2 Pixel (rel. 0,060) 2 Pixel (rel. 0,060) 2 Pixel (rel. 0,060) 2 Pixel (rel. 0,060) 2 Pixel (rel. 0,060) 0 Pixel (rel. 0,000) 7 Pixel (rel. 0,085) 3 Pixel (rel. 0,065) 0 Pixel (rel. 0,050) 60 Pixel (rel. 0,800) Bildverarbeitung - Dr.-Ing. Th. Hermes 37
38 Histogrammebnung ) Wie viele Pixel pro Graustufe? h h = = width* height Graustufen 0*20 6 = 2,5 Also einige Graustufen 2 Pixel, Rest 3 Pixel 2) Berechnung des original Histogramms Bildverarbeitung - Dr.-Ing. Th. Hermes 38
39 Histogrammebnung 3) Auffüllen des neuen Histogramms 0 Pixel (rel. 0,000) 7 Pixel (rel. 0,085) 3 Pixel (rel. 0,065) 0 Pixel (rel. 0,050) 60 Pixel (rel. 0,800) Ich brauche 3 Pixel für meinen neuen Grauwert 0 Wenn mehr Pixel zur Verfügung stehen als gebraucht werden, müssen geeignete Pixel ausgewählt werden Bildverarbeitung - Dr.-Ing. Th. Hermes 39
40 3) Auffüllen des neuen Histogramms Histogrammebnung 4 Pixel 3 Pixel 0 Pixel 60 Pixel Ich brauche 3 Pixel für meinen neuen Grauwert Wenn weniger Pixel zur Verfügung stehen als gebraucht werden, können alle benutzt werden! Bildverarbeitung - Dr.-Ing. Th. Hermes 40
41 3) Auffüllen des neuen Histogramms Histogrammebnung 3 Pixel 0 Pixel 60 Pixel Es fehlen mir noch 9 Pixel für meinen neuen Grauwert Jetzt müssen wieder geeignete Pixel und auswählt werden! Bildverarbeitung - Dr.-Ing. Th. Hermes
42 3) Auffüllen des neuen Histogramms Histogrammebnung Solange weitermachen bis das neue Histogramm vollständig aufgefüllt ist Bildverarbeitung - Dr.-Ing. Th. Hermes
43 Histogrammebnung Angenommen, im Originalhistogramm gibt es n=25 Pixel mit dem Grauwert 6, davon müssen k=2 auf den neuen GW 5 gesetzt werden. Wie findet man k geeignete Pixel?.) Suche alle Pixel mit dem aktuellen Grauwert 6 im Bild (Schleife über das Bild) Merke zu jedem gefundenen Pixel Position (x, y) und mittleren Grauwert in einer 3x3 Nachbarschaft m = 53 / 9 = 5,89 2.) Sortiere die gefundenen Punkte nach dem mittleren Grauwert und verwende die ersten k Pixel. Setze an den entsprechenden Positionen im Ausgabebild den neuen Wert (hier 5) x= 9; y= 5; m= 5,89 x= 2; y= 25; m= 5,93 x= 5; y= 55; m= 5,97 x= 44; y= 63; m= 6,0 x= 3; y= 27; m= 6, Bildverarbeitung - Dr.-Ing. Th. Hermes 43
44 Histogrammebnung Das 0 fertige Bild: Bildverarbeitung - Dr.-Ing. Th. Hermes 44
45 Vergleich der Bilder Original 9 Lineare Skalierung Relative Summenhäufigkeit 9 Histogrammebnung Bildverarbeitung - Dr.-Ing. Th. Hermes 45
46 Bildpunktoperationen Hintergrundkompensation Bildaufnahme: Bild + überlagertes Hintergrundsignal durch Inhomogenität der Beleuchtung A/D-Wandler Inhomogenität der Vorlage Z.B. Mikroskopie: große Apertur -> kugelförmige Ausleuchtung der Szene Shadingkorrektur Additive oder multiplikative Verknüpfung von Bildmatrix und Shadingmatrix Bildverarbeitung - Dr.-Ing. Th. Hermes 46
47 Bildpunktoperationen Shadingmatrix: Aufnahme eines Weißbildes W(x,y), mit Vollständigem Öffnen der Aperturblende und Vollständigen Hochregeln des Lichts Berechnung aus W(x,y) des mittleren Weißwerts Sowie Aufnahme Schwarzbild S(x,y), mit Geschlossener Aperturblende Ohne Licht Berechnung aus S(x,y) des mittlere Schwarzwerts W S Bildverarbeitung - Dr.-Ing. Th. Hermes 47
48 Bildverarbeitung - Dr.-Ing. Th. Hermes 48 Bildpunktoperationen Multiplikative Shadingkorrektur Additive Shadingkorrektur S y x W W y x E y x A M = ), ( ), ( ), ( S W y x W y x E y x A A + = ), ( ), ( ), (
49 Bildpunktoperationen (globale) Berücksichtigung aller Hintergrundfehler der Bilderfassung Ausgleichen von Beleuchtungsunterschieden Inhomogenitäten bei der Bilderfassung Evtl. Shadingmatrix vorher glätten wg. Schmutzpartikel [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 49
50 Bildpunktoperationen / Geometrische Transformationen Ortskoordinatentransformation notwendig bei Vergleich von unterschiedlich großen Bildern Abbildungsfehlern Bildverzerrungen Operationen Translation (Verschiebung von Bildern) Skalierung (Vergrößerung/-kleinerung von Bildern) Rotation (Drehung von Bildern) Bildverarbeitung - Dr.-Ing. Th. Hermes 50
51 Bildpunktoperationen / Geometrische Transformationen Interpolationsverfahren Exkurs Rundung auf nächsten Wert (nearest-neighbor-resampling) Bilineare Interpolation: Neuer GW A(x,y ) als gewichteter Mittelwert von vier benachbarten Bildpunkten A( x', y') = g + E( x, y) + g g 3 E( x 2 +, y) + g E( x, y + ) E( x +, y + ) Durch g bis g 4 Berücksichtigung der Lage des neuen Punktes bzgl. der Nachbarpunkte Bildverarbeitung - Dr.-Ing. Th. Hermes 5
52 Bildpunktoperationen / Geometrische Transformationen Transformation in 2D Versetzung des Ursprungs Skalenänderung und Rotation der Achsen Weitere Transformationen als Kombination der drei obigen Affine Transformationen (lineare Algebra) Bildpunktoperationen Bildverarbeitung - Dr.-Ing. Th. Hermes 52
53 Bildpunktoperationen / Geometrische Transformationen 3x3 Matrizen für 2D-Transformation P P = P P 2 3 P P P P P P und S s = s s 2 3 Ein Bildpunkt E(x,y) hat (x,y) bzgl. eines Koordinatensystems und (x,y ) bzgl. eines neuen Koordinatensystems Bildverarbeitung - Dr.-Ing. Th. Hermes 53
54 Bildpunktoperationen / Geometrische Transformationen Als homogene Koordinaten (in Spaltenvektorschreibweise) E x = y und x' E' = y' Neue Koordinatenwerte durch lineare Kombinationen der alten Werte mit den Koeffizienten der Transformationsmatrix x' = y' = = P P P 2 3 x + P 2 x + P x + P y + P 3 y + P y + P Bildverarbeitung - Dr.-Ing. Th. Hermes 54
55 Bildverarbeitung - Dr.-Ing. Th. Hermes 55 Bildpunktoperationen / Geometrische Transformationen Transformiertes Koordinatenpaar (x,y ) (in Spaltenform) durch Multiplikation eine Matrix mit einem Spaltenvektor (alte Koordinaten) Translation Verlegung des Ursprungs um/auf -t x,-t y Achsenverlauf bleibt erhalten Keine Skalierung E P E = ' y x t y x y t y x x + = + = 0 ' 0 ' = y x t t T
56 Bildpunktoperationen / Geometrische Transformationen Skalierung Achsenverlauf und Ursprung bleiben erhalten Skalierung der Achsen mit S x bzw. S y x' = S x + 0 y + 0 Rotation y' = 0 x + S y y + 0 Skalierung und Ursprung bleiben erhalten Veränderung der Achsenrichtung um Winkel Φ x' y' = = cosφ x + sin Φ sin Φ x + cosφ x y + 0 y + 0 S x S = 0 0 cosφ R = sin Φ 0 0 S y sin Φ cosφ Bildverarbeitung - Dr.-Ing. Th. Hermes 56
57 Bildpunktoperationen / Geometrische Transformationen Kombination Translation und Rotation durch Matrizenmultiplikation M RT = R T Inverse Transformation M TR = T R umgekehrte Reihenfolge der Einzeltransformationen Bildverarbeitung - Dr.-Ing. Th. Hermes 57
58 Lokale Graubildoperationen Faltung zweier Signale (physikalisches Konzept) Faltungsintegral f(x) definiert durch folgende Beziehung Exkurs f = ( x) = b( ξ ) h( x ξ ) dξ = b( x) h( x) ξ f(x) ist das Faltungsprodukt der Funktionen b(x) und h(x) Bildverarbeitung - Dr.-Ing. Th. Hermes 58
59 Lokale Graubildoperationen Exkurs [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 59
60 Lokale Graubildoperationen D Fall: Faltung zweier Rechtechtsignale Exkurs ToDo - Spiegelung der Funktion h(ξ ) an der Ordinatenachse -> h( ξ ) - Verschieben von h(ξ ) um x -> h( x ξ ) - Multiplikation der verschobenen FKT h( x ξ ) mit b(x) - Integration der Flächen unter dem Produkt h( x ξ ) b(x) Ergebnis ist der Wert des Faltungsintegrals am Ort x Bildverarbeitung - Dr.-Ing. Th. Hermes 60
61 Lokale Graubildoperationen Exkurs [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 6
62 Lokale Graubildoperationen Diracfunktion ( x), mit ξ = ( ξ ) dξ = = [Abmayr 94], S. 72 ξ = b( ξ ) ( x ξ ) dξ = Exkurs Auftreffstelle gleich sonst 0 es gilt : f ( x) = b( x) ( x) b( x) Bildverarbeitung - Dr.-Ing. Th. Hermes 62
63 Lokale Graubildoperationen 2D Fall (diskret): Berechnung eines neuen Ausgangsbildes A(x,y) unter Einbeziehung einer (bestimmten) lokalen Umgebung des Eingangsbildes E(x,y) Berechnung wird alle Punkte in gleicher Weise angewendet (homogene Verknüpfungsoperation) Ist Operation auch noch linear, dann lineare, homogene Operation => Faltung Bildverarbeitung - Dr.-Ing. Th. Hermes 63
64 Lokale Graubildoperationen Ein Beispiel: Zelle A 22 Bild E Matrix C Bild A [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 64
65 A Lokale Graubildoperationen = C In Zahlen : A C C E E E + C + C + C E E E C + C = = C E E 3 E Übliche Schreibweise einer 2D -Faltung : A = C E allg.gleichung einer 2D - Faltung (diskret) : k l A( x, y) = c C( i, j) E( x i, y j) + c0 i= k j= l Bildverarbeitung - Dr.-Ing. Th. Hermes 65
66 Lokale Graubildoperationen Randproblem Weglassen der Randpunkte. Bei Filtergröße (2k+)x(2k+) entsteht k-breiter Rand Rand des alten Bildes in das neue kopieren Spiegeln der neuen Randwerte Periodische Fortsetzung des Bildes -> periodisches Bildsignal Bildverarbeitung - Dr.-Ing. Th. Hermes 66
67 Lokale Graubildoperationen Glättungsfilter Unterdrücken von hohen Frequenzen oder Unterdrücken von Bildunebenheiten [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 67
68 Lokale Graubildoperationen [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 68
69 Lokale Graubildoperationen Glättungsfilter Median-Filter (nicht-linear) Rangfolge der GW bestimmt GW des Bezugspunktes I.d.R. der jeweils mittlere Wert (nach Sortierung) kantenerhaltend Gut geeignet um z.b. Salz/Pfeffer-Rauschen zu eliminieren Bildverarbeitung - Dr.-Ing. Th. Hermes 69
70 Lokale Graubildoperationen Vergleich: Gauß vs. Median [Abmayr 94], S Bildverarbeitung - Dr.-Ing. Th. Hermes 70
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 Inhaltsverzeichnis schnell und
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
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
MehrAffine Koordinatentransformationen
Affine Koordinatentransformationen Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 017/18 Andreas Unterweger (FH Salzburg) Affine Koordinatentransformationen
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
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Thorsten Hermes Eine praktische Einführung ISBN 3-446-22969-8 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-22969-8 sowie im Buchhandel Kapitel
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. 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
MehrTransformation Allgemeines Die Lage eines Punktes kann durch einen Ortsvektor (ausgehend vom Ursprung des Koordinatensystems
Transformation - 1 1. Allgemeines 2. Zwei durch eine Translation verknüpfte gleichartige Basissysteme 3. Zwei durch eine Translation verknüpfte verschiedenartige Basissysteme (noch gleiche Orientierung)
MehrTransformation - Homogene Koordinaten. y + b )
Transformation - Homogene Koordinaten In der "üblichen" Behandlung werden für die Verschiebung (Translation) und die Drehung (Rotation) verschiedene Rechenvorschriften benutzt - einmal Addition von Vektoren
MehrBildverarbeitung 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
MehrComputergrafik Universität Osnabrück, Henning Wenke,
Computergrafik Universität Osnabrück, Henning Wenke, 2012-05-30 Korrektur: Kugelkoordinaten II r und θ konstant: Rand einer Kreisscheibe parallel zur xy Ebene z θ fest y θ konstant, r R : Kegel, ausgehend
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
Mehr09. Lineare Abbildungen und Koordinatentransformationen
09. Lineare Abbildungen und Koordinatentransformationen Definition. Seien V und W Vektorräume. Unter einer linearen Abbildung versteht man eine Abbildung F : V W, v F v w mit folgender Eigenschaft: F λ
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
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
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
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
MehrInhaltsverzeichnis. 1 Hardwaregrundlagen
Inhaltsverzeichnis 1 Hardwaregrundlagen 2.1 Koordinatentransformationen 2.2 Transformationen in der Ebene 2.3 Transformationen im Raum 3 Repräsentation und Modellierung von Objekten 4 Rasterung 5 Visibilität
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
Mehr3.1 Motivation. - Mit (mehreren) Koordinatentransformationen wird das Objektsystem in das Gerätesystem transformiert.
3.1 Motivation Wichtige Grundlage der Bildwiedergabe auf dem Bildschirm oder anderen Ausgabegeräten sind Koordinatensysteme und Koordinatentransformationen im IR 2 und IR 3. Im allgemeinen unterscheidet
MehrComputergrafik 1 Transformationen
Computergrafik 1 Transformationen Kai Köchy Sommersemester 2010 Beuth Hochschule für Technik Berlin Überblick Repräsentationen, Primitiven Transformationen in 2D Skalierung Translation Rotation Scherung
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
MehrHauptklausur zur Vorlesung Bildverarbeitung WS 2002/2003
Name:........................................ Vorname:..................................... Matrikelnummer:.............................. Bitte Studiengang ankreuzen: Computervisualistik Informatik Hauptklausur
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
MehrBikubische Interpolation am Beispiel der Bildbearbeitung (2013)
Übungen Computer-Algebra-System MathCAD Bikubische Interpolation am Beispiel der Bildbearbeitung () Dateneingabe Umrechnung in Helligkeitswerte - 8 bit Datenumfang Eingabe der Schwärzungswerte KW jedes
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
Mehr10.5 Maximum-Likelihood Klassifikation (I)
Klassifikation (I) Idee Für die Klassifikation sind wir interessiert an den bedingten Wahrscheinlichkeiten p(c i (x,y) D(x,y)). y Wenn man diese bedingten Wahrscheinlichkeiten kennt, dann ordnet man einem
MehrEinleitung 2. 1 Koordinatensysteme 2. 2 Lineare Abbildungen 4. 3 Literaturverzeichnis 7
Sonja Hunscha - Koordinatensysteme 1 Inhalt Einleitung 2 1 Koordinatensysteme 2 1.1 Kartesisches Koordinatensystem 2 1.2 Polarkoordinaten 3 1.3 Zusammenhang zwischen kartesischen und Polarkoordinaten 3
Mehrgegeben: G sei endliche Gruppe, jede Untergruppe von G sei ein Normalteiler zu zeigen: je zwei Elemente teilerfremder Ordnung kommutieren
Stefan K. 4.Übungsblatt Algebra I Aufgabe 1 gegeben: G sei endliche Gruppe, jede Untergruppe von G sei ein Normalteiler von G zu zeigen: je zwei Elemente teilerfremder Ordnung kommutieren Beweis: Seien
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
MehrMathematik I+II Frühlingsemester 2019 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik I+II Frühlingsemester 219 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 46 8. Lineare Algebra: 5. Eigenwerte und
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)
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrLineare Abbildungen (Teschl/Teschl 10.3, 11.2)
Lineare Abbildungen (Teschl/Teschl.3,.2 Eine lineare Abbildung ist eine Abbildung zwischen zwei Vektorräumen, die mit den Vektoroperationen Addition und Multiplikation mit Skalaren verträglich ist. Formal:
MehrVorbereitung für die Prüfung Mathematik II für Informatiker
Technische Universität Ilmenau SS 2010 Institut für Mathematik Inf Prof. Dr. Michael Stiebitz Vorbereitung für die Prüfung Mathematik II für Informatiker 1 Lineare Algebra Aufgabe 1 Schauen Sie sich die
MehrProjektive Geometrie
Projektive Geometrie Einleitung Was ist projektive Geometrie? eine alternative algebraische Repräsentation von geometrischen Objekten (Punkt, Gerade,...) und Transformationen (Translation, Rotation,...)
MehrGeometrische Deutung linearer Abbildungen
Geometrische Deutung linearer Abbildungen Betrachten f : R n R n, f(x) = Ax. Projektionen z.b. A = 1 0 0 0 1 0 0 0 0 die senkrechte Projektion auf die xy-ebene in R 3. Projektionen sind weder injektiv
MehrTransformation - 3. Für "übliche" Anwendungen in der Geometrie ist es sinnvoll, bei Transformationen eine gleiche
Transformation - 3 Wiederholung und spezielle Angaben im Zusammenhang mit Kreis-Berechnungen 1. Problemstellung Im Zusammenhang mit der Berechnung von Schnittflächen kann es sinnvoll sein, die Berechnung
MehrDie Gruppe der affinen Abbildungen A
H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2b 1 Die Gruppe der affinen Abbildungen A Die Gruppe der affinen Abbildungen entsteht durch Wahl einer beliebigen regulären Matrix
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrLösungsvorschlag zum zweiten Übungsblatt
Lösungsvorschlag zum zweiten Übungsblatt Aufgabe Wir zeigen, daß die Drehung um den Ursprung um 9 und die Spiegelung an der x-achse nicht kommutieren. Die Matrix für die Drehmatrix lautet in diesem Fall
MehrVektoren - Die Basis
Vektoren - Die Basis Motivation (Als Vereinfachung - der Schreibarbeit - wählen wir meistens Vektoren in R 2.) Eigentlich ist ja Alles klar! Für einen Vektor a gilt a = ( a x a y )! Am Ende werden wir
MehrDigitales Video. Prof. Dr.- Ing. Klaus Diepold
Digitales Video Prof. Dr.- Ing. Klaus Diepold Digitale Bildwandlung Bildtransformationen Abtastung Interpolation 2 Bildtransformation Digitales Video 3 Bildtransformation Digitales Video 4 Transformation
Mehr-dimensionale Darstellungen
1.9 2 1 2 -dimensionale Darstellungen Auf einer Fläche F (2 dimensional) wird eine Operation ausgeführt Zum Beispiel wir eine Verschiebung um den Vektor t durchgeführt. Gemeint ist der Körper, der überstrichen
MehrViele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung
Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele
MehrDiskrete Signalverarbeitung und diskrete Systeme
Diskrete Signalverarbeitung und diskrete Systeme Computer- basierte Verarbeitung von Signalen und Realisierung von Systemverhalten erfordern diskrete Signale und diskrete Systembeschreibungen. Wegen der
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
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
Mehr2 Die Algebra der Matrizen
Die Algebra der Matrizen Ein Hauptziel der Vorlesung zur Linearen Algebra besteht darin, Aussagen über die Lösungsmenge linearer Gleichungssysteme zu machen Etwa ob das Gleichungssystem x y + z 1 x + y
MehrLineare Abbildungen. De nition Seien V, W Vektorräume. Eine Abbildung f : V! W heißt linear, wenn gilt
Lineare Abbildungen Lineare Abbildungen De nition Seien V, W Vektorräume. Eine Abbildung f : V! W heißt linear, wenn gilt (L. ) f ist homogen; d.h. f( ~v) = f(~v) für alle 2 R, ~v 2 V, (L. ) f ist additiv;
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
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum 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
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
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
MehrEs sei g I das Input-Bild (oder eine Bildfolge), g o das Output-Bild. (Liedtke 2002)
3. Bildoperationen 3.1 Übersicht zu Bildoperationen Man unterscheidet Punktoperationen (wo für jedes Pixel unabhängig gerechnet werden kann), lokale Operationen und globale Operationen. Es sei g I das
MehrKapitel 3: Geometrische Transformationen
[ Computeranimation ] Kapitel 3: Geometrische Transformationen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 3. Geometrische Transformationen
MehrSommersemester Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Fernerkundung und Waldinventur
Fernerkundung Grundlagen geometrischer Korrekturen und von resampling Techniken. Verschiebung der Scan-Linien bei Satellitenbildern Die Erdrotation ist einer der wesentlichen Gründe für die geometrischen
MehrTransformationen im 3D-Raum
Thomas Jung Repräsentation von 3D-Oberflächen Aufbau von Szenen Transformationen im 3D-Raum Projektionstranformationen Anwendung in OpenGL Geometrietransformationen bilden die Basis für die Computergrafik
MehrMathematiklabor 2. Übungsblatt
Dr. Jörg-M. Sautter 3.4.7 Mathematiklabor. Übungsblatt Aufgabe : (Wiederholung) Laden Sie die Dateien mlintro?.m herunter und gehen Sie diese Schritt für Schritt durch. Aufgabe : (Matrix- und Vektoroperationen,
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
Mehr2D-Punkt-Transformationen
Zur Erinnerung Drehung eines beliebigen Punktes B um den Winkel θ um den Koordinaten-Ursprung zum Punkt B : x B r cosα y B r sin α [r, α: Hilfsgrößen ] x B r cos(α+θ) r (cosα cosθ sinα sinθ) x B cosθ y
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
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
MehrKapitel III Ringe und Körper
Kapitel III Ringe und Körper 1. Definitionen und Beispiele Definition 117 Eine Algebra A = S,,, 0, 1 mit zwei zweistelligen Operatoren und heißt ein Ring, falls R1. S,, 0 eine abelsche Gruppe mit neutralem
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
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
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,
Mehr4 Lineare Abbildungen
17. November 2008 34 4 Lineare Abbildungen 4.1 Lineare Abbildung: Eine Funktion f : R n R m heißt lineare Abbildung von R n nach R m, wenn für alle x 1, x 2 und alle α R gilt f(αx 1 ) = αf(x 1 ) f(x 1
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrBiosignal Processing II
Biosignal Processing II LEARNING OBJECTIVES Describe the main purposes and uses of the Fouriertransforms. Describe the basic properties of a linear system. Describe the concepts of signal filtering. FOURIERREIHE
MehrMatrizen. Jörn Loviscach. Versionsstand: 14. April 2009, 00:25
Matrizen Jörn Loviscach Versionsstand: 14. April 2009, 00:25 1 Matrix Ein rechteckige Anordnung von mathematischen Objekten (typischerweise Zahlen) heißt Matrix (Mehrzahl: Matrizen) [matrix, matrices].
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Fourier-Transformation Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 1 Einordnung in die Inhalte der Vorlesung Einführung
Mehra ij i - te Gleichung (Zeile), i = 1, 2,3,..., m I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y 1 = a 11 x 1 + a 12 x 2 + a 13 x3 y 2 = a 21 x 1 + a 22 x 2 + a 23 x3... Koeffizienten a ij i - te Gleichung
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrI) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y1 = a11x1+ a12x2 + a13x3 y2 = a21x1+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i
MehrMathematische Grundlagen
Mathematische Grundlagen Oliver Deussen Mathematische Grundlagen 1 Affine Räume um Zeichenebene bzw. Raum zu beschreiben, muß vorher ein Koordinatensystem festgelegt werden durch geometrische Fragestellungen
MehrSystemtheorie Teil A. - Zeitkontinuierliche Signale und Systeme - Musterlösungen. Manfred Strohrmann Urban Brunner
Systemtheorie Teil A - Zeitkontinuierliche Signale und Systeme - Musterlösungen Manfred Strohrmann Urban Brunner Inhalt 6 Musterlösungen Spektrum von Signalen 6. Approximation eines periodischen Signals
Mehr4 Grundlagen zu SVG-Karten und -Diagrammen...33
48 4 Grundlagen zu SVG-Karten und -Diagrammen 4 Grundlagen zu SVG-Karten und -Diagrammen...33 4.1 Bildschirmdarstellung vs. Papierkartendruck...33 4.1.1 Mehr Farben...33 4.1.2 Probleme beim Einsatz von
MehrBlock I: Integration und Taylorentwicklung in 1D
Wiederholungsübungen zur Ingenieur-Mathematik III WS 5/6 Blatt 3..6 Block I: Integration und Taylorentwicklung in D Aufgabe : Berechnen Sie die Integrale: a) π sin x cos x dx b) ( x) +x dx c) x e x dx
Mehr1 Abbildungen in der Ebene
1 Inhalt 1 Abbildungen in der Ebene... 2 1.1 Verschiebung... 3 1.2 Spiegelung... 3 1.2.1 Achsenspiegelung... 3 1.3 Drehung... 4 1.3.1 Die Drehung... 4 1.4 Zentrische Streckung... 5 2 Funktionen... 7 2.1
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Antialiasing Graphische DV und BV, Regina Pohle, 5. Antialiasing 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
MehrMathematik LK 12 M1, 4. Kursarbeit Matrizen und Stochastik Lösung )
Aufgabe 1: Berechne die Determinante und die Transponierte der folgenden Matrizen: 0 1 1.1 M =( 0 4 1 4 det M =0 4 1 4= 4 M T =( 5 3 3 1.2 1 1 3 A=( =( A T 3 0 1 5 1 3 3 1 0 3 3 1 4 4 det M = 5 1 1+3 3
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
MehrHerbstsemester a b 1. c d. e 0 f B = (iii) e = 0 (iv) ) 2 + ( 1. Das Skalarprodukt des ersten und zweiten Spaltenvektors muss null ergeben:
Dr V Gradinaru D Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 5 Aufgabe 5 Multiple Choice: Online abzugeben Gegeben sei die orthogonale Matrix
MehrQUADRATISCHE FUNKTIONEN
QUADRATISCHE FUNKTION DARSTELLUNG MIT DER FUNKTIONSGLEICHUNG Allgemeine Form - Vorzeichen von a gibt an, ob die Funktion nach oben (+) oder unten (-) geöffnet ist. Der Wert (Betrag) von gibt an, ob die
Mehr4. Verzerrungen. Der Abstand von zwei Punkten ändert sich. Der Winkel zwischen drei Punkten ändert sich
4. Verzerrungen Wird ein Körper belastet, so ändert sich seine Geometrie. Die Punkte des Körpers ändern ihre Lage. Sie erfahren eine Verschiebung. Ist die Verschiebung für benachbarte Punkte unterschiedlich,
MehrInhaltsverzeichnis EINLEITUNG 2 KAPITEL 1: MENGENLEHRE 2. Aussagenlogik 2. Mengen 3 Schreibweisen und Symbole 3
Inhaltsverzeichnis EINLEITUNG 2 KAPITEL 1: MENGENLEHRE 2 Aussagenlogik 2 Mengen 3 Schreibweisen und Symbole 3 Seite Operationen mit Mengen 4 Darstellungsweise 4 Die leere Menge 4 Teilmengen 4 Gleichheit
Mehr(7) Normal Mapping. Vorlesung Computergraphik II S. Müller. Dank an Stefan Rilling U N I V E R S I T Ä T KOBLENZ LANDAU
(7) Normal Mapping Vorlesung Computergraphik II S. Müller Dank an Stefan Rilling Einleitung Die Welt ist voller Details Viele Details treten in Form von Oberflächendetails auf S. Müller - 3 - Darstellung
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
MehrTheoretische Physik 1, Mechanik
Theoretische Physik 1, Mechanik Harald Friedrich, Technische Universität München Sommersemester 2009 Mathematische Ergänzungen Vektoren und Tensoren Partielle Ableitungen, Nabla-Operator Physikalische
MehrProseminar: Grundlagen der digitalen Bildverarbeitung
Proseminar: Grundlaen der diitalen Bildverarbeitun Thema: Punktoperatoren Referent: Alexander Perzylo Betreuer: Dimitris Golias.05.004 Überblick Bildbearbeitunsoperatoren Hilfsmittel der Operatoren Punktoperatoren:
MehrComputer graphics. Vektoren und Matrizen. Dr. Ernst Kruijff. Institute of Visual Computing 3DMi group Bonn-Rhein-Sieg University of Applied Sciences
Computer graphics Vektoren und Matrizen Dr. Ernst Kruijff Institute of Visual Computing 3DMi group Bonn-Rhein-Sieg University of Applied Sciences 3 Dm group Einführung Transformationen Sources Online:
Mehr