Invariante Merkmale. Seminar Inhaltsbasierte Bildsuche 22. Dezember 2004 Marei Hopert
|
|
- Katharina Lorentz
- vor 5 Jahren
- Abrufe
Transkript
1 Invariante Merkmale Seminar Inhaltsbasierte Bildsuche 22. Dezember 2004 Marei Hopert
2 Übersicht Motivation Invariante Merkmale Idee Berechnung Kernfunktionen Ergebnisse Ausblick
3 Motivation Gedrehtes oder verschobenes Bild wird vom Betrachter als ähnlich empfunden Kann durch Invarianten bezüglich einer bestimmter Transformationsgruppe berücksichtigt werden Hier: Euklidische Bewegungen
4 Idee Nichtlineare Funktion f über alle möglichen Transformationen der Transformationsgruppe integrieren 1 A [ f ]( M ) = f ( gm ) dg G A [ f ]( M ) = G 1 N * M * 2π N t 0= 0 t1= 0 ϕ = 0 Im diskreten Bild als Summe über alle möglichen Transformationen der Transformationsgruppe M 2π f ( gm ) dϕdt1dt0
5 Berechnung Kann umformuliert werden: Berechnung einer lokalen Funktion an jedem Bildpunkt und Bildung des Mittelwerts: f ist die Kernfunktion [ ]( ) = = = = ]), [ ( * * 1 N i M j S s j i M f S M N M f A
6 Verbesserung 1 Bei der Mittelung geht viel Information verloren Besser Histogramm histogram.m erzeugt ein gewöhnliches Histogramm In SIMBA werden fuzzy histograms verwendet, um Diskontinuität zu vermeiden
7 Verbesserung 1 (ff) Gruppenmittel Histogramm mit 4 bins Histogramm mit 6 bins Histogramm mit 8 bins
8 Kernfunktionen Monomielle Kernfunktionen: Grundform: Farbmerkmale Relationale Kernfunktionen Grundform: ( M[ i rel 1 n 1, j1]*...* M [ in, jn]) ( M [ i1, j1] M [ i 2, j 2]) mit Texturmerkmale 1, ε -δ rel( δ ) = 2ε 0,, wenn wenn wenn δ < -ε -ε δ ε < δ ε
9 Experiment Von mir berechnete Kernfunktionen Eine einzige Kernfunktion Monomielle Kernfunktionen: z.b. M[0,0]*M[0,6] M[3,0]*M[0,6] M[2,0]*M[0,4]... Relationale Kernfunktionen: z.b. rel(m[0,0]-m[0,6]) rel(m[3,0]-m[0,6]) rel(m[2,0]-m[0,4])]...
10 Beispiele (ff) Schulz-Mirbach: 12-Vektor (monomiell) 1. M[0,0] 2. M[0,0] 2 3. M[0,0]*M[0,1] 4. M[0,0]*M[0,2] 5. M[0,0]*M[0,3] 6. M[0,0] 3 7. M[0,0] 2* M[0,1] 8. M[0,0] 2* M[0,2] 9. M[0,0] 2* M[0,3] 10. M[0,0]*M[0,1]*M[0,2] 11. M[0,0]*M[0,1]*M[0,3] 12. M[0,0]*M[0,2]*M[0,3]
11 Verbesserung 2 Deterministische Berechnung der Merkmale dauert mehrere Tage Monte Carlo-Ansatz: Berechnungen an 500 Punkten: etwa 1,6 Stunden
12 Beste Ergebnisse Kernfunktionen ahmonom1_avg ahmonom1_hist6 ahmonom1_hist8
13 Anfragebeispiele ahmonom1_avg
14 Anfragebeispiele ahmonom1_hist6
15 Anfragebeispiele ahmonom_hist8
16 Beste Ergebnisse: Kernfunktionen (2) smm_mc
17 Anfragebeispiele
18 Dinosaurier: Beste Ergebnisse Kategorien
19 Beste Ergebnisse Kategorien (2)
20 Beste Ergebnisse Kategorien (3)
21 Schlechteste Ergebnisse Kategorien
22 Schlechteste Ergebnisse Kategorien (2)
23 Schlechteste Ergebnisse Kategorien (3)
24 Erweiterungen Direkte Verknüpfung benachbarter Pixel unterschiedlicher Farbschichten: z.b. M[0,0,R] * M[0,0,G] * M[0,0,B] Für den 12-Vektor: Aufsummierung der Vektoren der einzelnen Farbschichten
25 Ergebnisse für die Erweiterungen JF_MC_hist8 smjf_mc
26 Anfragebeispiel JF_MC_avg JF_MC_hist6
27 Ausblick Segmentierung Salient Points Merkmale werden nur für besonders informationsträchtige Punkte berechnet Weniger rechenaufwendig Verbesserung der Ergebnisse im Vergleich zu Monte Carlo - Ansatz Robust gegenüber Skalierung
28 Bsp. Zu Salient Points
29 Bsp. Zu Salient Points
30 Frohe Weihnachten Und ein gutes Neues Jahr! Danke für die Aufmerksamkeit!
Farbmomente. Christoph Sommer Seminar Inhaltsbasierte Bildsuche
Farbmomente Seminar Inhaltsbasierte Bildsuche Farbmomente Einleitung und Motivation Statistische Momente Geometrische Momente Macht der Momente Hu-Momente Orthogonale Basen für Momente Generalisierte Farbmomente
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
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
MehrAhnlichkeitsbestimmung von Bildern
Seminar: Content Based Image Retrieval Lehrstuhl fur Mustererkennung und Bildverarbeitung 10. Januar 2005 Ubersicht Einfuhrung Problemstellung: Vergleiche Merkmale verschiedener Bilder und bewerte deren
MehrKapitel 5. Allgemeine Ansätze zur Berechnung von Invarianten
Kapitel 5 Allgemeine Ansätze zur Berechnung von Invarianten Die drei kanonischen Möglichkeiten zur Berechnung von Invarianten (notwendige Bedingungen) ) Integration über die Transformationsgruppe (Haar-Integral,
MehrPCA based feature fusion
PCA based feature fusion Seminar Inhaltsbasierte Bildsuche WS 04/05 Übersicht Motivation: PCA an einem Beispiel PCA in der Bildsuche Tests Zusammenfassung / Ausblick Diskussion / Demo 2 Motivation: PCA
MehrSuche nach korrespondierenden Pixeln
Suche nach korrespondierenden Pixeln Seminar Algorithmen zur Erzeugung von Panoramabildern Philip Mildner, Gliederung 1. Motivation 2. Anforderungen 3. Moravec Detektor 4. Harris Detektor 5. Scale Invariant
MehrAllgemeine Ansätze zur Berechnung von Invarianten. H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 5a 1
Kapitel 5 Allgemeine Ansätze zur Berechnung von Invarianten H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 5a Die drei kanonischen Möglichkeiten zur Berechnung von Invarianten (notwendige
Mehr5. Objekterkennung in Bildern und Videos Videoanalyse
5. Objekterkennung in Bildern und Videos Videoanalyse Stephan Kopf 1 Übersicht Motivation Anforderungen an Objekterkennungsalgorithmen Objekterkennung mittels Konturen Helligkeiten Farben Formen Objekterkennung
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrKlassifikation durch direkten Vergleich (Matching)
Klassifikation durch direkten Vergleich (Matching) Eine triviale Lösung für die Klassifikation ergibt sich durch direkten Vergleich des unbekannten Musters in allen Erscheinungsformen der Äquivalenzklasse
MehrBilder. Bildsuchmaschiene. Bildsuche. Überblick. Beispiele im WWW. Inhaltsbasierte Bildsuche Motivation
Bilder Inhaltsbasierte Bildsuche Motivation Informatica Feminale Universität Bremen, Aug. 2005 Maja Temerinac Albert-Ludwigs-Universität Freiburg Ein Bild sagt mehr als tausend Worte. Chinesisches Sprichwort
MehrObjekterkennung mit SIFT-Merkmalen
Hochschule für Angewandte Wissenschaften Hamburg 06. Januar 2010 Gliederung Problemstellung SIFT-Verfahren Merkmalsvergleich zur Identifikation von Gegenständen Zusammenfassung und Ausblick Problemstellung
Mehrcompressed domain image retrieval
Compressed domain image retrieval Christian Ott Seminar Inhaltsbasierte Bildsuche - Universität reiburg - 4. ebruar 25 4. ebruar 25, C.Ott Seite 1 Übersicht 1. Einleitung 2. JPEG 3. Merkmalsextraktion
Mehr4. Segmentierung von Objekten Video - Inhaltsanalyse
4. Segmentierung von Objekten Video - Inhaltsanalyse Stephan Kopf Inhalt Vorgehensweise Berechnung der Kamerabewegungen zwischen beliebigen Bildern Transformation eines Bildes Hintergrundbilder / Panoramabilder
MehrAlgorithmen zur lageinvarianten Merkmalsgewinnung für Draht gittermodelle
Vortrag zur Diplomarbeit Algorithmen zur lageinvarianten Merkmalsgewinnung für Draht gittermodelle Lehrstuhl für Mustererkennung und Bildverarbeitung Albert Ludwigs Universität Freiburg Marco Reisert Übersicht
MehrComputer Vision: Segmentierung I
Computer Vision: Segmentierung I D. Schlesinger TUD/INF/KI/IS Der Plan: D. Schlesinger () CV: Segmentierung I 1 / 13 Segmentierung Man hat das... Man braucht das. D. Schlesinger () CV: Segmentierung I
MehrErgebnisse der schriftlichen Zwischenprüfung Frühjahr 2018 Gärtner/Gärtnerin - Fachrichtung Garten- und Landschaftsbau Zuständige Stelle: Gartenbauzen
2000000885 2 2 4 5 6 5 4 4 2000003796 3 3 2 4 4 2 2 3 2000008262 2 2 2 6 5 5 3 2 2000010756 3 3 2 5 5 4 5 3 2000030386 2 3 1 5 5 3 4 4 2000040144 4 4 4 4 6 4 4 3 2000047293 1 4 3 2 6 5 5 4 2000062196 1
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
MehrScene Reconstruction with Multiple View Geometry
Scene Reconstruction with Multiple View Geometry Anwendungen 2 16.06.2010 Nikolaus Rusitska nikolausrusitska@gmx.de Inhalt Rückblick Techniken Related Work Fazit 1 Rückblick Techniken Related Work Fazit
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrHow To Create A Panorama Image From A Photoelectric Image From An Image From The Camera (I)
Chapter 3 Image Registration Distributed Algorithms for Einführung (I) Definition: Image Registration Gegeben: 2 Bilder der gleichen Szene aber aufgenommen aus unterschiedlichen Perspektiven Gesucht: Transformation,
MehrAufgabe 1: Elektro-mechanischer Oszillator
37. Internationale Physik-Olympiade Singapur 6 Lösungen zur zweiten Runde R. Reindl Aufgabe : Elektro-mechanischer Oszillator Formeln zum Plattenkondensator mit der Plattenfläche S, dem Plattenabstand
MehrH2 1862 mm. H1 1861 mm
1747 mm 4157 mm H2 1862 mm H1 1861 mm L1 4418 mm L2 4818 mm H2 2280-2389 mm H1 1922-2020 mm L1 4972 mm L2 5339 mm H3 2670-2789 mm H2 2477-2550 mm L2 5531 mm L3 5981 mm L4 6704 mm H1 2176-2219 mm L1 5205
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
Mehr2D Graphik: Klassifikation
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 20.01.2006 Folie 1 2D Graphik: Klassifikation Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 20. Januar 2006 LMU München Medieninformatik
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
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
Mehr14.3 Berechnung gekrümmter Flächen
4.3 Berechnung gekrümmter Flächen Gekrümmte Flächen werden berechnet, indem sie als Graph einer Funktion zweier Veränderlicher aufgefasst werden. Fläche des Graphen einer Funktion zweier Veränderlicher
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrMathematik I für MB und ME
Mathematik I für MB und ME Fachbereich Grundlagenwissenschaften Prof Dr Viola Weiÿ Wintersemester 28/29 Übungsaufgaben Serie 4: Lineare Unabhängigkeit, Matrizen, Determinanten, LGS Prüfen Sie, ob die folgenden
Mehr6. Texterkennung in Videos Videoanalyse
6. Texterkennung in Videos Videoanalyse Dr. Stephan Kopf 1 Übersicht Motivation Texterkennung in Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben 3. Auswahl der Buchstabenpixel
MehrBachelorverteidigung Marco Franke
Bachelorverteidigung Java EE Webservice basiert auf RESTlet, JaxB und JPA/Hibernate zur Bilderkennung mit Hilfe der SURF-Merkmalsextraktion Verantwortlicher Professor: Prof. Dr. rer. nat. Klaus Hering
MehrDigitale Bildverarbeitung Einheit 10 Merkmalsextraktion
Digitale Bildverarbeitung Einheit 10 Merkmalsextraktion Lehrauftrag WS 06/07 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass das
MehrDigitale Bildverarbeitung Einheit 10 Merkmalsextraktion
Digitale Bildverarbeitung Einheit 10 Merkmalsextraktion Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass das
MehrAngewandte Geometrie Semestralprüfung am 5. Juli 2005, Uhr
Technische Universität München SS 2005 Zentrum Mathematik Blatt 7 apl. Prof. Dr. J. Hartl Angewandte Geometrie Semestralprüfung am 5. Juli 2005, 12.00-1.0 Uhr 1. In einem dreidimensionalen euklidischen
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
MehrAnleitung zum Physikpraktikum für Oberstufenlehrpersonen Einführungsversuch (EV) Herbstsemester Physik-Institut der Universität Zürich
Anleitung zum Physikpraktikum für Oberstufenlehrpersonen Einführungsversuch (EV) Herbstsemester 2017 Physik-Institut der Universität Zürich Inhaltsverzeichnis 1 Einführungsversuch (EV) 11 11 Einleitung
MehrSchnitte von Fraktalen
Inhalt Eingliederung Vorwort matthias.schmid@uni-ulm.de 12. Dezember 2006 Inhalt Eingliederung Vorwort 1 Einleitung Inhalt Eingliederung Vorwort 2 Bewegung Isometrie Maße von Bewegungen 3 Satz 1 Bild eines
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrProbeklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 21717 Fakultät 4 - Mathematik und Naturwissenschaften Prof N V Shcherbina Dr T P Pawlaschyk wwwkanauni-wuppertalde Probeklausur zur Analysis 2, SoSe 217 Hinweis Die Lösungen
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
MehrLjapunov Exponenten. Reiner Lauterbach
Ljapunov Exponenten Reiner Lauterbach 28. Februar 2003 2 Zusammenfassung n diesem Teil betrachten wir ein wichtiges Thema: sensitive Abhängigkeit. Zunächst hat man ja stetige Abhängigkeit, wie man sie
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
MehrDigitale Bildverarbeitung Einheit 10 Merkmalsextraktion
Digitale Bildverarbeitung Einheit 10 Merkmalsextraktion Lehrauftrag SS 2006 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass das
Mehr9 SLAM Simultaneous Localization and Mapping
9 SLAM Simultaneous Localization and Mapping Einleitung eines der aktivsten Forschungsgebiete innerhalb der Robotik Roboterlokalisierung bei gegebener Karte (Kap. 8 und Karte aus Sensordaten bei bekannter
Mehr(a) Transformation auf die generalisierten Koordinaten (= Kugelkoordinaten): ẏ = l cos(θ) θ sin(ϕ) + l sin(θ) cos(ϕ) ϕ.
Karlsruher Institut für Technologie Institut für Theorie der Kondensierten Materie Theoretische Physik B - Lösungen SS 10 Prof. Dr. Aleander Shnirman Blatt 5 Dr. Boris Narozhny, Dr. Holger Schmidt 11.05.010
MehrEntwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen
Entwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen Seminar - Wintersemester 2010/2011 Fakultät Technik und Informatik Department Informatik Gregory Föll Übersicht Rückblick Stereo
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
MehrStructure-from-Motion. Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel
Structure-from-Motion Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel Fahrplan Structure-from Motion Workflow mit SIFT & Bundle Adjustment mit SURE Probleme/ Grenzen Technik Metrik und Vergleich
MehrGEODÄTISCHES INSTITUT HANNOVER
Alexander Dorndorf, M.Sc. GEODÄTISCHES INSTITUT HANNOVER Entwicklung eines robusten Bayesschen Ansatzes für klein-redundante Ausgleichungsmodelle Motivation Funktionaler Zusammenhang: h = β 0 + β 1 x +
Mehr2.3.4 Drehungen in drei Dimensionen
2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1
MehrUnendliche Gruppen als geometrische Objekte
Unendliche Gruppen als geometrische Objekte Ralf Meyer Georg-August-Universität Göttingen 12. November 2004 1 Endlich erzeugte Gruppen und die Wortmetrik Wir definieren endlich erzeugte Gruppen und führen
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
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
MehrBildregistrierung in der Medizin. Fethi KAYA - Yusuf ÖZBEK
Bildregistrierung in der Medizin Fethi KAYA - Yusuf ÖZBEK 30.05.2011 1 Inhalt 1. Einführung zur Registrierung 2. Registrierungsalgorithmen 3. Transformationen 4. Mutual Information 5. Demo 2 1- Registrierung
MehrIntervallaustauschtransformationen, Flüsse und das Lemma von Masur
Intervallaustauschtransformationen, Flüsse und das Lemma von Masur Gregor Bethlen 1 Intervallaustauschtransformationen Stets sei in diesem Abschnitt I := [a, b] ein Intervall und a = a 0 < a 1
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrHochschule Bremerhaven Medizintechnik Mathcad Kapitel 6
6. Diagramme mit Mathcad In diesem Kapitel geht es um andere, als X Y Diagramme. 6.. Kreisdiagramme. Schritt: Die darzustellende Funktion muß zunächst als Funktion definiert werden, zum Beispiel f(x):=
MehrIst das Bild noch das Bild?
Ist das Bild noch das Bild? Authentizität digitaler Objekte unter Formattransformationen in Kooperation mit dem Thüringischen Hauptstaatsarchiv Veronika Krauß, Arefeh Bahrami Bauhaus-Universität Weimar
MehrKlassische Theoretische Physik II (Theorie B) Sommersemester 2016
Karlsruher Institut für Technologie Institut für Theorie der Kondensierten Materie Klassische Theoretische Physik II (Theorie B Sommersemester 6 Prof. Dr. Alexander Mirlin Musterlösung: Blatt. PD Dr. Igor
MehrBerechnung von Formfaktoren
Berechnung von Formfaktoren Oliver Deussen Formfaktorberechnung 1 Formfaktor ist eine Funktion in Abhängigkeit der Geometrie ist unabhängig von reflektierenden oder emittierenden Eigenschaften (ρ) der
MehrNeue Ansätze für Mustererkennung und automatisches Lernen
Z Y X Neue Ansätze für Mustererkennung und automatisches Lernen Vortrag im Rahmen des 2. Technologieforums Bildverarbeitung am 03./04. November 2015 Johannes Zügner STEMMER IMAGING GmbH, Puchheim GLIEDERUNG
Mehr12.2 Gauß-Quadratur. Erinnerung: Mit der Newton-Cotes Quadratur. I n [f] = g i f(x i ) I[f] = f(x) dx
12.2 Gauß-Quadratur Erinnerung: Mit der Newton-Cotes Quadratur I n [f] = n g i f(x i ) I[f] = i=0 b a f(x) dx werden Polynome vom Grad n exakt integriert. Dabei sind die Knoten x i, 0 i n, äquidistant
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrRelative Kontrollierbarkeit und Invarianz-Entropie
Relative Kontrollierbarkeit und Invarianz-Entropie Ralph Lettau in Zusammenarbeit mit Fritz Colonius und Christoph Kawan Institut für Mathematik Universität Augsburg 9. Elgersburg Workshop 5. März 2014
MehrÜbungen zu Theoretische Physik I - Mechanik im Sommersemester 2013 Blatt 7 vom Abgabe:
Übungen zu Theoretische Physik I - Mechanik im Sommersemester 03 Blatt 7 vom 0.06.3 Abgabe: 7.06.3 Aufgabe 9 3 Punkte Keplers 3. Gesetz Das 3. Keplersche Gesetz für die Planetenbewegung besagt, dass das
Mehrgeometrische Merkmale densitometrische (photometrische) Merkmale (aus Grauwerthistogramm) Texturmerkmale Farbmerkmale
7. Merkmalsextraktion Motivation: in der Bildverarbeitung und -analyse ist eine präzise Beschreibung auch komplizierter Objekte notwendig in vielen Anwendungen ist es wichtig, Klassen von Formen zu erkennen
MehrPearson- Korrelationskoeffizienten höherer Grade
Pearson- Korrelationskoeffizienten höherer Grade Dipl.- Ing. Björnstjerne Zindler, M.Sc. Erstellt: 13. März 2014 Letzte Revision: 16. März 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Der Lineare Korrelationskoeffizient
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
MehrSkalarprodukte im Funktionenraum und orthogonale Funktionen
1 Skalarprodukte im Funktionenraum und orthogonale Funktionen Im Allgemeinen muss ein reelles Skalarprodukt (, ) (wir betrachten reelle Funktionen) folgende Eigenschaften ausweisen: Bilinearität (Linearität
MehrLineare Algebra für PhysikerInnen
Universität Wien, SS 2015 Lineare Algebra für PhysikerInnen Beispiele für Multiple-Choice-Fragen Punkteschlüssel: [Typ 1 aus 4] und [Typ 3 aus 4]... 0.8 Punkte [Typ 2 aus 4]... 1 Punkt Bei der schriftlichen
MehrVF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
Mehr3D-Rekonstruktion aus Bildern
Allgemeine Nachrichtentechnik Prof. Dr.-Ing. Udo Zölzer 3D-Rekonstruktion aus Bildern Dipl.-Ing. Christian Ruwwe 41. Treffen der ITG-Fachgruppe Algorithmen für die Signalverarbeitung HSU Hamburg 24. Februar
MehrStochastik Praktikum Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrDrehung. Die orthogonale n n-matrix 1 0. c s. Zeile j. s c
Drehung Die orthogonale n n-matrix Q i,j... Zeile i c s... Zeile j s c... mit c = cos ϕ und s = sin ϕ beschreibt eine Drehung um den Winkel ϕ in der x i x j -Ebene des R n. Drehung - Drehung Die orthogonale
MehrErweiterter Euklidischer Algorithmus
Erweiterter Euklidischer Algorithmus Algorithmus ERWEITERTER EUKLIDISCHER ALG. (EEA) EINGABE: a, b N 1 If (b = 0) then return (a, 1, 0); 2 (d, x, y) EEA(b, a mod b); 3 (d, x, y) (d, y, x a b y); AUSGABE:
MehrSIFT Flow Dense Correspondence across Different Scenes
Moritz Schmidt SIFT Flow Dense Correspondence across Different Scenes 1 Motivation Bildregistrierung Bilder ähnlicher Szenen in Übereinstimmung bringen Transformation eines Bildes zu Referenzbild Optimierungsproblem
MehrMonte Carlo Methoden
Monte Carlo Methoden Lernverfahren zur Berechnung von Wertefunktionen und Policies werden vorgestellt. Vollständige Kenntnis der Dynamik wird nicht vorausgesetzt (im Gegensatz zu den Verfahren der DP).
MehrMathematik II für Inf und WInf
Gruppenübung Mathematik II für Inf und WInf 8. Übung Lösungsvorschlag G 28 (Partiell aber nicht total differenzierbar) Gegeben sei die Funktion f : R 2 R mit f(x, ) := x. Zeige: f ist stetig und partiell
MehrKompression.pdf h. völz /17
Kompression.pdf h. völz 23.5.02 1/17 Lauflängen-Codierung CCCCCCAABBBBAAAAEE _ 6C2A4B4A2E Pixel- und Zähl-Byte unterscheiden Pointer-Verfahren ABRABRIKADABRA Ab 4. Buchstaben ABR _ Verweis . total
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
MehrMusterlosung 1. z w () 9a 2 R : w = z + a (1 + i) Eine Relation ist Aquivalenzrelation, gdw. gilt:
ALBERT-LUDWIGS-UNIVERSIT AT FREIBURG INSTITUT F UR INFORMATIK Lehrstuhl fur Mustererkennung und Bildverarbeitung Prof. Dr.-Ing. Hans Burkhardt Georges-Kohler-Allee Geb. 052, Zi 01-029 D-79110 Freiburg
MehrAutomatische Gesichtsdetektion und Feinanalyse
Automatische Gesichtsdetektion und Feinanalyse 3. Wissenschaftstag Metropolregion Nürnberg 26. Mai 2009 Dipl.-Inf. (FH) Tobias Ruf tobias.ruf@iis.fraunhofer.de http://www.iis.fraunhofer.de Fraunhofer-Institut
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
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
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
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
MehrMusterlösung zur Übungsklausur Statistik
Musterlösung zur Übungsklausur Statistik WMS4A Oettinger 6/205 Aufgabe (a) Falsch: der Modus ist die am häufigsten auftretende Merkmalsausprägung in einer Stichprobe. (b) Richtig: ein ordinales Merkmal
MehrStochastische FEM mit elementaren Zufallselementen
Stochastische FEM mit elementaren Zufallselementen Hans-Jörg Starkloff Westsächsische Hochschule Zwickau 13. Südostdeutsches Kolloquium zur Numerischen Mathematik 2007 Freiberg, 27. April 2007 Einführung
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
Mehr( n ) 1 6 ( 6 ) 5 = ( 5 6 ) ( 6 ) ( 6 ) ( ) n 5. ( 6 ) 5n
Hans Walser Mathematik 2 für Naturwissenschaften Frühjahrssemester 204 Übung 4 24. - 27. März 204 Aufgabe 4. Würfelwürfe a) Xanthippe wirft 6 Würfel gleichzeitig. Mit welcher Wahrscheinlichkeit erhält
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
Mehr