Information Retrieval und Multimedia Datenbanken 1
|
|
- Andreas Maier
- vor 5 Jahren
- Abrufe
Transkript
1 Dr. Wolf-Tilo Balke, Universität Hannover Information Retrieval und Multimedia Datenbanken 1 Vorlesung
2 Stochastische Modelle - Random Field Modelle
3 Random Field Modelle Beobachtung: Texturen sind von lokaler Natur und wiederholen sich periodisch Generierung von Texturen (Synthese) benötigt stochastische Modelle Möglichkeit den Helligkeitswert eines Pixels in einem Bildausschnitt vorherzusagen Wahrscheinlichkeit, daß ein Pixel einen bestimmten Helligkeitswert hat Ein festes Modell erzeugt verschiedene, aber immer recht ähnliche Texturen
4 Random Field Modelle Denselben Trick kann man auch für die Textur-Beschreibung und das Matching benutzen Welches Modell (Parameter) erzeugt die vorliegenden Texturen am besten? Unter Annahme eines Modells, das alle Texturen in der Kollektion erzeugt hat, dienen die Parameter des Modells für jedes Bild als vergleichbare Features
5 Beispiel Modell X generiert Texturen Gegeben ein Pixel und seine Umgebung: Was ist der erwartete Intensitätswert? Offensichtlich unterschiedlich, d.h. Modell X hat verschiedene Parameter für die Bilder gestreift unregelmäßig
6 Ansatz Ein Bild mit Textur ist ein zweidimensionales Feld mit Zufallszahlen an jedem Punkt Nimmt man die Intensität an jedem Punkt als Zufallsvariable kann man das Bild als Funktion modellieren F(r,w) mit r als (2-dim) Vektor des Pixels und w als Zufallsvariable Für jeden Wert von r ist auch F(r,w) eine Zufallsvariable, weil w Zufallsvariable ist F(r,w) nennt man ein Random Field
7 Ansatz Jede Textur-Intensitätsverteilung eines bestimmten Bildes in der Datenbank ist Beobachtung eines Random Fields Random Field Modelle machen Annahmen über diese Intensitätsverteilungen und benötigen Beobachtungen über die Intensitäten der Umgebung (meist eine symmetrische Umgebung um das Pixel) einige Modell-Koeffizienten und eine Noise- Sequenz
8 Lokale Eigenschaft von Textur Wovon ist die erwartete Intensität eines Pixels abhängig? Bei ausreichend regelmäßigen Texturen gilt die Lokalitätsaussage Rechter und linker Nachbar weiß und oberer und unterer Nachbar schwarz ergibt eine hohe Wahrscheinlichkeit für das rote Beispielpixel auch weiß zu sein
9 Markov-Eigenschaft Hat man eine Menge von Beobachtungen {y(s)} der Nachbarschaft N eines Pixels liegt es nahe, zu erwarten, daß Pixelintensitäten lokal korreliert sind und man ein Markov Modell annehmen kann: P[y(s) alle y(r), r s] = P[y(s) alle y(s+r), r N] Also sind die Wahrscheinlichkeiten aller Zustände nur von den Zuständen der Umgebung abhängig
10 Textur-Modell Jetzt muß ein Modell definiert werden, das die wirklich auftretende (beobachtete) Verteilung am besten wiedergibt Es gibt viele Klassen von Texturmodellen Für jede Kollektion muß man sich auf ein gemeinsames Modell festlegen und dann die besten Parameter für jedes Bild der Kollektion berechnen
11 Textur-Modell Beliebte Klasse von Modellen für Texturbeschreibungen ist das Simultane Autoregressive Modell (SAR) y(s) = Σ θ(r) y(s+r) + β w(s) r N y(s) sind sind die Beobachtungen an Punkt s w(s) ist weißes Rauschen mit Erwartung 0 und Varianz 1 θ(r), β sind charakteristische Parameter und werden als Features zum Matching genutzt
12 Textur-Modell Problem: Beste Größe der Nachbarschaft eines Pixels ist für verschiedene Periodizitäten von Texturen verschieden Leider nicht trivial Multiresolution Simultaneous Autoregressive Model [J. Mao and A. Jain, 92]
13 Zusammenfassung Random Field Modelle bieten eine gute niederdimensionale Beschreibung von Texturen Annahmen: Die Markov Bedingung gilt, i.e. der Zustand eines Pixels wird hinreichend genau von seiner Nachbarschaft beschrieben Die Größe der Nachbarschaft wurde für die Kollektion gut gewählt
14 Transform Domain Features
15 Transform Domain Features Bei Low-Level Features wählt man Descriptoren für bestimmte Aspekte wie die Grobkörnigkeit oder den Kontrast aus und bettet sie in einen Vektorraum ein High Level Features beschreiben das komplette Bild in einer anderen Domäne Dabei wird das Bild als Signal aufgefaßt und mathematisch transformiert
16 Bild als Signal Ein Bild ist eine diskrete Funktion bei der jedem Ort eines Pixels (x,y) die Intensität I(x,y) zugeordnet wird F(x,y): R 2 I : (x,y) I(x,y) Die entstehende Funktion ist im Ortsraum (auch Impulsraum) definiert
17 Beispiel: Ortsraumdarstellung Grauwert-Bild und die Darstellung im Ortsraum (I = [0,255])
18 Untersuchung der Periodizität Bilder haben eine begrenzte Größe und diskrete Unterschiede in den Pixeln Jedes Bild wird um den Nullpunkt eines zweidimensionalen Koordinatensystems zentriert Periodische Muster erzeugen auch periodische Funktionen, die durch Überlagerungen von Sinus- und Cosinus-Schwingungen beschrieben werden können
19 Beispiel (eindimensional) z.b. Cosinusfunktionen
20 Grundlagen Gegeben eine stetige, zeitabhängige und periodische Funktion f(t) Periodisch mit Periode T: f(t) = f(t+t) Jean Fourier: f läßt sich aus periodischen, harmonischen Schwingungen zusammensetzen Sinus-/Cosinusterme mit verschiedener Phase und Amplitude und genau definierter Frequenz Sinus ist Phasen-verschobener Cosinus, also reicht eine der beiden Funktionen
21 Grundlagen Z.B. N+1 Summanden also für N+1 verschiedene Frequenzen Die Einzelschwingungen haben Kreisfrequenz nω, also Frequenz nω/2π, d.h. Grundschwingung hat Frequenz 1/T, nächste Schwingung 2/T,
22 Grundlagen Umschreibung der Reihe in komplexe Darstellung Euler-Theorem: Also: Kurz:
23 Grundlagen Mit komplexen Koeffizienten:, c 0 : = a 0, Kann die Summe geschrieben werden als: Wichtig ist die Größe der Koeffizienten
24 Grundlagen Multipliziere Gleichung mit e imωt und integriere über dem Intervall [0,T]:
25 Grundlagen, n=0, n 0 wegen ωt = 2π gilt e inωt = (e 2πi ) n = 1 : = 0
26 Grundlagen Koeffizienten: Für alle differenzierbaren Funktionen konvergiert die Summe gegen die Ausgangsfunktion:
27 Untersuchung der Periodizität Verallgemeinerte Fouriertransformation Zerlegung einer Funktion in ein System von Basisfunktionen Voraussetzungen: Integrierbare Funktion, Abfallend im Unendlichen Für Bilder: zweidimensionale Basisfunktionen (z.b. Cosinus)
28 Frequenzraumdarstellung Transformation vom Ortsraum in den Frequenzraum Der Betrag der Fourier-Transformierten kann als Frequenzbild dargestellt werden
29 Frequenzraumdarstellung Horizontale Frequenzen werden horizontal im Frequenzbild aufgetragen Vertikale Frequenzen werden vertikal aufgetragen
30 Frequenzraumdarstellung Eigenschaften: Symmetrisch zum Ursprung Oberschwingung Hauptschwingung Amplitude (Stärke) Größe der Periode {
31 Transform Domain Features Typische Features, die in der Texturanalyse Verwendung finden sind Diskrete Fourier Transformation (DFT) Diskrete Cosinus Transformation (DCT) Wavelet Transformation Gabor Filter
32 Diskrete Fourier-Transformation Annäherung der Intensitätsfunktion durch Sinus-Funktionen Bildinformation ist diskret und an äquidistanten Orten beobachtet Das Signal hat eine endliche Länge (N) Der Betrag der Koeffizienten wird nur an einer endlichen Anzahl von Frequenzen berechnet Die Integrale zur Berechnung der Fourier- Koeffizienten werden bei der Diskretisierung zu Summen
33 Diskrete Fourier-Transformation Eingabe: Ein Bild als Matrix G(r,c), dann ist die Fourier-Transformation gegeben durch N-1 u v 0 N-1
34 Diskrete Fourier-Transformation Der Betrag der komplexen Transformierten ist gegeben durch die Wurzel über die Summe der Quadrate von Realund Imaginärteil Die Beträge geben das Fourierspektrum, also wie viel von welcher Frequenz im Signal enthalten ist Berechnung zur Featureextraktion meist durch FFT (Fast Fourier Transform)
35 Diskrete Cosinus-Transformation Analog zur Diskreten Fourier Transformation, nur auf Cosinus-Funktionen Wird z.b. in der Codierung von JPEG- Bildern zur Kompression benutzt Bei DFT und DCT wird das Leistungsspektrum (power spectrum), also die Koeffizienten, zum Vergleich genutzt
36 Wavelet Transformation Annäherung der Intensitätsfunktion durch eine andere Klasse von Funktionen Fourier-Transformation und das erzeugte Spektrum zeigt die enthaltenen Frequenzen, aber nicht zu welcher Zeit genau sie enthalten sind Wavelet Transformationen versuchen die Funktion aus einer lokalen Basisfunktion (Mother Wavelet) in verschiedenen Auflösungen und Verschiebungen aufzubauen Wavelets sind damit lokal in der Frequenz (durch Skalierung) und in der Zeit (durch Verschiebung)
37 Wavelet Transformation Funktionsklasse sind lokale integrierbare Funktionen mit Integral = 0
38 Wavelet Transformation Hat man sich für ein Wavelet Ψ(x) entschieden, kann man durch geeignete Verschiebungen und Skalierungen eine Basis erzeugen {Ψ( (x-b)/a ) (a, b) R + x R } Normalerweise nimmt man spezielle Werte für die Wavelet-Basis a = 2 -j und b= k*2 -j für ganzzahlige k und j Diese Werte heißen critical sampling
39 Wavelet Transformation Baby-Wavelets Ψ 1,0 (x) Gestaucht um Faktor 2 Ψ 1,1 (x) Verschoben um 0.5 Ψ 2,0 (x) Ψ 2,1 (x) Ψ 2,2 (x) Ψ 2,3 (x) Je kleiner die Skalierung desto mehr Verschiebungen (exponentiell)
40 Wavelet Transformation Die Basis kann auch mit Hilfe einer Skalierungsfunktion φ 0,0 dargestellt werden Für Haar-Wavelets ist die Skalierungsfunktion die Einheitsfunktion auf [0,1[ (1(0 x <1)) Jeder 2 n -dim. Datenvektor y = {y 0,,y n 2-1 } kann dann auf [0,1[ durch eine stückweise stetige Funktion dargestellt werden
41 Wavelet Transformation Da Treppenfunktionen finit sind, kann das auch durch die Skalierungsfunktion und Haar-Wavelets ausgedrückt werden
42 Wavelet Transformation Einfachstes Beispiel: Haar-Wavelet 1 auf [0,0.5[, -1 auf [0.5,1[ Die zugehörigen Funktionen ergeben eine orthogonale Basis in L 2 (R) (quadratisch integrierbare Funktionen) Orthonormal durch Faktor 2 0.5*j Ψ 0,0 (x) (mother wavelet)
43 Wavelet Transformation Beispiel: Beschreibe Treppenfunktion gegeben durch y = (1,0,-3,2,1,0,1,2) Auflösung z.b. j=0,1,2 Basis mit Orthonormierungsfaktor 2 0.5*j = {1, 2, 2} zu {d 0k, d 1k, d 2k }
44 Wavelet Transformation Lösung des Gleichungssystems bringt die Koeffizienten für jedes Wavelet
45 Wavelet Transformation Lösung Ergibt die Funktion Probe: :
46 Multi-Resolution Analysis (MRA)
47 Multi-Resolution Analysis Wavelet Transformation liefert hoch-dim. Basissysteme für höhere Auflösungen Lange Vektoren durch Matrixmultiplikation berechnen? Viel zu aufwendig! Lösung: Multi-Resolution Analysis Idee: Betrachte ein Bild in verschiedenen Auflösungen
48 Bildauflösungen Averaging in verschiedenen Auflösungen Bilde Durchschnitte über die Intensitäten von jeweils 2x2 Pixel Averaging & Downsampling
49 Multi-Resolution Analysis V j ist das normale Bild, V j-1 etwas schwächer aufgelöst,, bis V 0 ein Pixel mit der durchschnittlichen Intensität ist Die V i heißen Skalierungsunterräume Alle V i sind ineinander enthalten Vj Vj+1 Sie müssen das ganze Bild voll überdecken Für jedes V i gibt es ein orthogonales Komplement W i und die Basisfunktion in W i ist das Wavelet
50 Multi-Resolution Analysis Fischgrätenzerlegung:
51 Beispiel Benutze verschiedene Filter zur Kompression [ ] (9+7)/2 = 8 (9-7)/2 = 1 Averaging & (3+5)/2 = 4 Differencing (3-5)/2 = -1 [ ] (8+4)/2 = 6 (8-4)/2 = 2 [ ] Die hohen Zahlen [9,7,3,5,8,4,6] (Details) sollen ersetzt werden durch kleine Differenzen [2,1,-1] In Bildern sind benachbarte Pixel ähnlich, also die Differenz meistens 0, nur starke Intensitätsunterschiede bleiben im komprimierten Bild erhalten
52 Beispiel Orthogonale Trennung der hohen Zahlen (Details) von den niedrigen über Filter Überdeckt das ganze Signal Hochpass- und Tiefpassfilter X(ω) X LP (ω) X HP (ω) π π π
53 Multi-Resolution Analysis Benutze Bildfilter über den Wavelets für das Averaging and Differencing Hochpassfilter (Details) und Tiefpassfilter (Durchschnitte) Vier mögliche Anwendungen beider Filter HH, HT, TH, TT ( subbands ) Speichere die Ergebnisse des Hochpassfilters für die spätere Rekonstruktion des Bildes
54 Multi-Resolution Analysis Filtering and Downsampling
55 Multi-Resolution Analysis Verschiedene Bildauflösungen HH HT TH TT
56 Multi-Resolution Analysis Featurevektor Speichere den Erwartungswert und die Standardabweichung des Leistungsspektrums in jeder Auflösung Z.B. 3-stufige Auflösung gibt einen 20-dim Featurevektor
57 Gabor-Filter Anderes Maß zur Texturanalyse Eng verwandt mit Wavelet und Fourier Transformation Die Lokalität wird durch eine Fourier- Transformation einzelner, aber zusammen das ganze Bild überdeckender Bildteile erzeugt ( gefensterte FT )
58 Gabor-Filter Bringt Lokalitätsaussagen über die Frequenzen der Fouriertransformation durch Fenster um Punkte des Originalbilds Das Fenster wird durch eine beidseitig schnell abfallende Funktion definiert Bei Gaborfiltern sind das Gaußfunktionen
59 Gabor-Filter Gabor-Filter minimieren die gemeinsame Unsicherheit (Unschärfe) von Zeit und Frequenz Ein zweidimensionaler Gaborfilter ist definiert als g(x,y) := (1 / 2πσ x σ y ) exp[-0.5 (x 2 /σ x2 + y 2 /σ y2 )] exp[2πiwx]
60 Gabor-Filter Für Extraktion von Texturfeatures wird ein Bild mit Gaborfiltern in verschiedenen Skalierungen und Orientierungen gefiltert Dann nimmt man wieder Erwartungswert und Standardabweichung der verschiedenen Leistungsspektren der Transformationskoeffizienten
61 Vergleich von Textur-Features Featurevektoren der Koeffizienten ganz normal über L 1 -Norm, euklidischen Abstand, Mahalanobis-Distanz Die Leistungsspektren der DFT, DCT, Gaborfilter sind Histogramme die normalisiert werden können und dann mit der Kullback-Leibler Divergenz verglichen werden können
62 Vergleich von Textur-Features Kullback-Leibler (K-L) Divergenz ( relative Entropie ) Gegeben ein f als Wahrscheinlichkeitsverteilung (normalisiertes Histogramm) dann ist die Distanz zwischen Bildern I,J: D(I,J) := Σ f k,i * log(f k,i / f k,j ) k Symmetrisch, wenn man (D(I,J)+D(J,I))/2 nimmt
63 Anwendungsstudie zur Textur Wofür braucht man Texturfeatures eigentlich? Beschreibung von Bildeindrücken Codierung von Semantik
64 Heron Bildinhaltliche Suche auf Digitalen Bibliotheken DFG-Schwerpunkt ( ) Untersuchung auf heraldischen Datenbanken (begrenzte Farben, stilisierte Elemente) Middleware-Entwicklung
65 Besonderheiten von Wappenbildern Features: Farbe: schwarz / weiß Textur: Schraffuren Form: stilisierte Symbole Segmentierung
66 Codierung von Farbinformation
67 Idee: Schraffureinfärbung
68 Schraffurerkennung mit Operatorfenster Gradientenmethode (z.b. Sobel-Filter)
69 Texturbilder Abtastung und Einfärbung der Fenster
70 Trick Kommerizielle MM-Datenbanken legen die Metadaten in Katalog-Files ab Erfasse die Schwarz-weißen Wappenbilder mit Farbinformation Erfasse dann die eingefärbten Texturbilder und vertausche die beiden Farb-Katalogfiles in der Datenbank Erntferne die Texturbild-Datenbank
71 Farbverteilungen Extraktion von Farbhistogrammen für Textur-codierte Schwarzweißbilder
72 Schraffurentfernung Ermöglicht das Freistellen von Formen
73 Fünf Fälle Silber Schwarz Kreuzschraffur Gold Farbschraffur
74 Silber Einfache morphologische Segmentierung
75 Schwarz Invertierung, danach morphologische Segmentierung
76 Kreuzschraffur Rundheit Gitterpunkte Fläche Kompaktheit
77 Gold Simpler Filter Goldpunkte
78 Farbschraffur - Gradienten-Filterung Ableitung in x-richtung: x Zerlegt leider auch das Motiv
79 EXtended Line Descriptors Transformation in vektorielles Bild Entfernung paralleler Vektoren Zerlegt wieder das Motiv
80 Filterung im Frequenzraum
81 Filterung im Frequenzraum
82 Farbschraffur - Vergleich der Verfahren Gradient XLD Fourier
83 Zusammenfassung Texturerkennung zum Bildvergleich, aber auch Extraktion von Semantischer Information Segmentierung von Bildmaterial Einfache Low Level Features sind manchmal anwendbar (Kreuzschaffur) Fourierfilterung bringt durchaus gute Ergebnisse bei gleichmäßigen, gerichteten Texturen (Farbschraffur)
Fourier-Reihe mit komplexer Exponentialfunktion
Fourier-Reihe mit komplexer Exponentialfunktion Jörn Loviscach Versionsstand: 9. Juni 2010, 15:54 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. 1 Überlagung sinusförmiger
Mehr16 Fourier-Reihe mit komplexer Exponentialfunktion
16 Fourier-Reihe mit komplexer Exponentialfunktion Jörn Loviscach Versionsstand: 21. März 2014, 21:45 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen beim Ansehen der Videos: http://www.j3l7h.de/videos.html
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
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
MehrKontinuierliche Fourier-Transformation. Laplace-Transformation
Kontinuierliche Fourier-Transformation. Laplace-Transformation Jörn Loviscach Versionsstand: 16. Juni 2010, 17:56 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
MehrZiel: Minimalität der Feature-Werte Ausnutzung Kompaktheit im Frequenzbereich Kompaktheit:
Anwendung DFT zur Feature-Aufbereitung Ziel: Minimalität der Feature-Werte Ausnutzung Kompaktheit im Frequenzbereich Kompaktheit: Funktion häufig durch wenige, niedrige Frequenzkoeffizienten approximierbar,
MehrErfüllt eine Funktion f für eine feste positive Zahl p und sämtliche Werte t des Definitionsbereichs die Gleichung
34 Schwingungen Im Zusammenhang mit Polardarstellungen trifft man häufig auf Funktionen, die Schwingungen beschreiben und deshalb für den Ingenieur von besonderer Wichtigkeit sind Fast alle in der Praxis
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
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
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
Mehr9 Fourier-Transformation
9 Fourier-Transformation Zoltán Zomotor Versionsstand: 5. September 2015, 18:26 Die nummerierten Felder bitte mithilfe der Videos ausfüllen: http://www.z5z6.de This work is based on the works of Jörn Loviscach
MehrUniversität Trier. Fachbereich IV. Wintersemester 2004/2005. Wavelets made easy. Kapitel 2 Mehrdimensionale Wavelets und Anwendungen
Universität Trier Fachbereich IV Wintersemester 2004/2005 Wavelets made easy Kapitel 2 Mehrdimensionale Wavelets und Anwendungen Thomas Queckbörner 16.11.2004 Übersicht des Kapitels: 1. Einführung 2. Zweidimensionale
MehrKap. 7: Wavelets. 2. Diskrete Wavelet-Transformation (DWT) 4. JPEG2000. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1
Kap. 7: Wavelets. Die kontinuierliche Wavelet-Transformation (WT). Diskrete Wavelet-Transformation (DWT) 3. Sh Schnelle Wavelet-Transformation ltt ti (FWT) 4. JPEG000 H. Burkhardt, Institut für Informatik,
MehrParseval-Identität: Seien zwei Funktionen v. mit Fourier-Reihen: dann gilt: Parseval-Identität. Speziell:
Parseval-Identität: Seien zwei Funktionen v. mit Fourier-Reihen: dann gilt: (kühnes Vertauschen von Integral und Summe!) Parseval-Identität Speziell: Anmerkung: beide Seiten kann man als Skalarprodukt
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
MehrAnmerkung: Falls f(x) nicht ganz glatt ist, sondern nur stückweise stetig differenzierbar ist (d.h. Sprünge hat), gilt (Satz v.
Fourier-Reihen für periodische Funktionen Sei periodisch, mit Periode L: Auch für diesen Fall gilt die Fourier- Reihen-Darstellung (b.3), mit : (b.3) (und stückweise stetig differenzierbar) (c.5) Integral
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
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
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung Ludwig-Maximilians-Universität München Prof. Hußmann Digitale Medien
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
MehrComputergraphik I. Das Abtasttheorem. Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1
Das Abtasttheorem Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1 Problem bei zeitlicher Abtastung: Oliver Deussen Abtasttheorem 2 Darstellung auf Monitor Was geschieht eigentlich, wenn
Mehr5. Fourier-Transformation
5. Fourier-Transformation 5.1 Definition 5.2 Eigenschaften 5.3 Transformation reeller Funktionen 5.4 Frequenzbereich und Zeitbereich 2.5-1 5.1 Definition Definition: Die Fourier-Transformation einer Funktion
MehrFourier Optik. Zeit. Zeit
Fourier Optik Beispiel zur Fourier-Zerlegung: diskretes Spektrum von Sinus-Funktionen liefert in einer gewichteten Überlagerung näherungsweise eine Rechteckfunktion Sin t Sin 3t Sin 5t Sin 7t Sin 9t Sin
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrRelevante Frequenztransformationen
Relevante Frequenztransformationen Medientechnologie IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Sommersemester 206 Andreas Unterweger (FH Salzburg) Relevante Frequenztransformationen
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
Mehr3.3 Das Abtasttheorem
17 3.3 Das Abtasttheorem In der Praxis kennt man von einer zeitabhängigen Funktion f einem Signal meist nur diskret abgetastete Werte fn, mit festem > und ganzzahligem n. Unter welchen Bedingungen kann
MehrSchnelle Fouriertransformation (FFT)
Schnelle Fouriertransformation (FFT) Inhaltsverzeichnis 1 Schnelle Fouriertransformation (FFT)... 3 1.1 Das Realtime-Konzept der Goldammer-Messkarten... 3 1.2 Das Abtasttheorem oder Regeln für die Abtastung
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrSYS_A - ANALYSIEREN. Statistik. NTB Druckdatum: SYS A. Histogramm (Praxis) Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100
SYS_A - ANALYSIEREN Statistik Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100 Histogramm (Praxis) Realisierung Lage Streuung Zufallsvariable Dichte der Normalverteilung Verteilungsfunktion Fläche
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
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrAnwendungen der Fourier-Entwicklung in der Elektrotechnik 1 / 22
Anwendungen der Fourier-Entwicklung in der Elektrotechnik 1 / Unser heutiges Ziel Reaktion eines Netzwerks auf ein periodisches Eingangssignal oder speziell Wie reagiert ein RC-Glied auf periodische Erregung?
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
MehrHertz ), also 1 Schwingung pro Sekunde. Der Vorfaktor A ist die Amplitude, er misst die Lautstärke des Tons.
1 Vorbereitungen 1.1 Was ist und wofür braucht man Fourieranalysis? Anwendungsgebiete der Fourier-Analysis sind z.b. Signalverarbeitung, Bildverarbeitung, Schaltkreisentwurf, Elektrodynamik, Optik, Akustik,
Mehr18 Kontinuierliche Fourier-Transformation. Laplace-Transformation
18 Kontinuierliche Fourier-Transformation. Laplace-Transformation Jörn Loviscach Versionsstand: 28. März 2015, 21:30 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen beim Ansehen der Videos:
MehrProgrammierung und Angewandte Mathematik
Programmierung und Angewandte Mathematik C++ /Scilab Programmierung und Einführung in das Konzept der objektorientierten Anwendungen zu wissenschaftlichen Rechnens SS 2012 Inhalt Steckbrief der Funktion
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
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrInterpretation: f(x) wird zerlegt als Summe von unendlich vielen Funktionen
C6.3 Fourier-Transformation Entspricht Fourier-Reihe für 'Fourier-Integral' Für endliches L: (C6.1b.3) Für stellt eine kontinuierliche Funktion dar: und Fourier-Summe wird ein Integral: 'Fourier-Transformation'
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 6
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrLineare Approximation
Lineare Approximation Yasemin Hafizogullari 9. Januar 2009 Yasemin Hafizogullari () Lineare Approximation 9. Januar 2009 1 / 49 Übersicht 1 Erster Abschnitt: Lineare Approximation in beliebiger orthonormal
MehrAngewandte Mathematik und Programmierung
Angewandte Mathematik und Programmierung Einführung in das Konzept der objektorientierten Anwendungen zu mathematischen Rechnens SS2013 Inhalt Fourier Reihen Sehen wir in 2 Wochen Lösung der lin. Dgln.
MehrRobert Denk Proseminar Analysis WS 2016/17
1. Inhalt des Proseminars 1 Robert Denk 21.07.2016 Proseminar Analysis WS 2016/17 1. Inhalt des Proseminars Die Grundidee einer Fourierreihe besteht darin, eine Funktion als Überlagerung von Schwingungen,
MehrErgebnis einer globalen Op. im Punkt (x, y): abhängig vom gesamten Eingabebild hoher Rechenaufwand (bis zu O(n 4 )!)
4.3. Globale Operationen Ergebnis einer globalen Op. im Punkt (x, y): abhängig vom gesamten Eingabebild hoher Rechenaufwand (bis zu O(n 4 )!) globale Op. spielen wichtige Rolle in techn. Signalverarbeitung
MehrHauptklausur zur Vorlesung Bildverarbeitung WS 2002/2003
Name:........................................ Vorname:..................................... Matrikelnummer:.............................. Bitte Studiengang ankreuzen: Computervisualistik Informatik Hauptklausur
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
MehrLösungskizze zu Übungsblatt 2 (Funktionentheorie und gewöhnliche Differentialgleichungen für Lehramt Gymnasium)
Mathematisches Institut der Universität München skizze zu Übungsblatt 2 (Funktionentheorie und gewöhnliche Differentialgleichungen für Lehramt Gymnasium) Aufgabe 166 (1 Punkte) Berechnen Sie in den folgenden
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
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:
Mehr10. Periodische Funktionen, Fourier Reihen
H.J. Oberle Analysis II SoSe 212 1. Periodische Funktionen, Fourier Reihen Jean Baptiste Joseph Fourier: Joseph Fourier wurde am 21.3.1768 bei Auxerre (Burgund) geboren und starb am 16.5.183 in Paris.
MehrSignale, Transformationen
Signale, Transformationen Signal: Funktion s(t), t reell (meist t die Zeit, s eine Messgröße) bzw Zahlenfolge s k = s[k], k ganzzahlig s reell oder komplex s[k] aus s(t): Abtastung mit t = kt s, s[k] =
MehrVerlustbehaftete Kompression. JPEG: Joint Photographic Experts Group
Verlustbehaftete Kompression JPEG: Joint Photographic Experts Group ITU T8.1 definiert Zusammenarbeit von ITU, IEC, ISO Verfahren zur verlustbehafteten Bildkodierung (auch Verlustloser Modus vorhanden)
Mehr13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN
13. ABBILDUNGEN in EUKLIDISCHEN VEKTORRÄUMEN 1 Orthogonale Abbildungen im R 2 und R 3. Eine orthogonale Abbildung ist eine lineare Abbildung, die Längen und Orthogonalität erhält. Die zugehörige Matrix
MehrZeitreihenanalyse. H.P. Nachtnebel. Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau. Definitionen und Anwendung
.. Zeitreihenanalyse H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Definitionen und Anwendung Definition Zeitreihe zeitliche Abfolge von Messwerten, deren Auftreten
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation 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
MehrVorwort. I Einführung 1. 1 Einleitung Signale Systeme Signalverarbeitung Struktur des Buches 9. 2 Mathematische Grundlagen 11
Vorwort V I Einführung 1 1 Einleitung 3 1.1 Signale 4 1.2 Systeme 4 1.3 Signalverarbeitung 6 1.4 Struktur des Buches 9 2 Mathematische Grundlagen 11 2.1 Räume 11 2.1.1 Metrischer Raum 12 2.1.2 Linearer
MehrRunde 9, Beispiel 57
Runde 9, Beispiel 57 LVA 8.8, Übungsrunde 9,..7 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 3..7 Angabe Seien y, z C N und c, d C N ihre Spektralwerte. Außerdem bezeichne (x k ) k die N - periodische
MehrInformation Retrieval und Multimedia Datenbanken 1
Dr. Wolf-Tilo Balke, Universität Hannover Information Retrieval und Multimedia Datenbanken 1 Vorlesung 26.05.06 Retrieval von Bild-Daten Bildmaterial Bilder sind zweidimensionale Arrays Jedes Tupel ist
MehrEinführung in die Physik I. Schwingungen und Wellen 1
Einführung in die Physik I Schwingungen und Wellen O. von der Lühe und U. Landgraf Schwingungen Periodische Vorgänge spielen in eine große Rolle in vielen Gebieten der Physik E pot Schwingungen treten
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
MehrDie Fourier-Transformation
1/20 Die Fourier-Transformation 2/20 Die FT ermittelt aus dem Signal von überlagerten Schwingungen welche Frequenzen enthalten sind FT 3/20 Von der folgenden Schwingung soll die Frequenz ermittelt werden
MehrMathematik für Anwender II
Prof. Dr. H. Brenner Osnabrück SS 212 Mathematik für Anwender II Vorlesung 58 Der Satz von Green Wir betrachten eine kompakte eilmenge R 2, deren Rand R sich stückweise durch reguläre Kurven parametrisieren
Mehr:. (engl.: first harmonic frequency)
5 Fourier-Reihen 5.1 Schwingungsüberlagerung 5.2 "Oberschwingungen" f 0 :. (engl.: fundamental frequency) :. (engl.: first harmonic frequency) Jede ganzzahlige (n) vielfache Frequenz von f 0 nennt man
MehrZusammenfassung : Fourier-Reihen
Zusammenfassung : Fourier-Reihen Theorem : Jede (nicht-pathologische) periodische Funktion läßt sich schreiben als "Fourier-Reihe" der Form: Vorzeichen ist Konvention, in Mathe : + Fourier-Transformation
MehrPrimzahlen Darstellung als harmonische Schwingung
Primzahlen Darstellung als harmonische Schwingung Die natürliche Sinusschwingung wird hier in Zusammenhang mit der Zahlentheorie gebracht um einen weiteren theoretischen Ansatz für die Untersuchung der
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung Ludwig-Maximilians-Universität München Prof. Hußmann Digitale Medien
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
Mehrfalls falls Tiefpassfilter lässt tiefe Frequenzen durch und dämpft hohe Frequenzen.
Anwendung v. Faltungstheorem: Tiefpassfilter Wähle so, dass Dann: Somit: Tiefpassfilter lässt tiefe Frequenzen durch und dämpft hohe Frequenzen. Zusammenfassung habe Periode, mit stückweise stetig und
MehrMerkmale von Bildregionen, Einführung in Spektraltechniken
Merkmale von Bildregionen, Einführung in Spektraltechniken Industrielle Bildverarbeitung, Vorlesung No. 10 1 M. O. Franz 12.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger
Mehr11 Fourier-Analysis Grundlegende Begriffe
11 Fourier-Analysis 11.1 Grundlegende Begriffe Definition: Eine Funktion f : R R (oder f : R C) heißt periodisch mit der Periode T (oder T-periodisch), falls f(t + T) = f(t) für alle t R. Ziel: Entwicklung
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
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
MehrOrthogonale Waveletbasen
Orthogonale Waveletbasen Johannes Stemick 12.12.08 Johannes Stemick () Orthogonale Waveletbasen 12.12.08 1 / 46 Übersicht 1 Multiskalenanalyse und Skalierungsfunktion Haar-Basis Multiskalenanalyse Konstruktion
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
MehrPartielle Differentialgleichungen
Partielle Differentialgleichungen Definition. Eine partielle Differentialgleichung ist eine Dgl., in der partielle Ableitungen einer gesuchten Funktion z = z(x 1, x 2,..., x n ) mehrerer unabhängiger Variabler
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
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
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrFilterung von Bildern (2D-Filter)
Prof. Dr. Wolfgang Konen, Thomas Zielke Filterung von Bildern (2D-Filter) SS06 6. Konen, Zielke Aktivierung Was, denken Sie, ist ein Filter in der BV? Welche Filter kennen Sie? neuer Pixelwert bilden aus
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
Mehrcos(kx) sin(nx)dx =?
3.5 Fourierreihen 3.5.1 Vorbemerkungen cos(kx) sin(nx)dx =? cos gerade Funktion x cos(kx) gerade Funktion sin ungerade Funktion x sin(nx) ungerade Funktion x cos(kx) sin(nx) ungerade Funktion Weil [, π]
MehrComputergraphik 1 2. Teil: Bildverarbeitung. Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation
Computergraphik 1 2. Teil: Bildverarbeitung Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation LMU München Medieninformatik Butz/Hoppe Computergrafik 1 SS2009 1 2 Repräsentation
Mehr,Faltung. Heavisidefunktion σ (t), Diracimpuls δ (t) Anwendungen. 1) Rechteckimpuls. 2) Sprungfunktionen. 3) Schaltvorgänge
Heavisidefunktion σ (t), Diracimpuls δ (t),faltung Definition Heavisidefunktion, t > 0 σ ( t) = 0, t < 0 Anwendungen ) Rechteckimpuls, t < T r( t) = = σ ( t + T ) σ ( t T ) 0, t > T 2) Sprungfunktionen,
MehrZusammenfassung der 1. Vorlesung
Zusammenfassung der. Vorlesung Einordnung und Motivation Grundlegende Definitionen Kontinuierliches Signal Quantisiertes Signal Zeitdiskretes Signal Digitales Signal Auflösung der A/D- Umsetzer der MicroAutoBox
MehrPeriodische Funktionen, Fourier Reihen
Kapitel 1: Periodische Funktionen, Fourier Reihen 1.1 Grundlegende Begriffe Periodische Funktionen Definition: Eine Funktion f : R R oder f : R C) heißt periodisch mit der Periode T, falls für alle t R
MehrHarmonische Analysis
Seminar Harmonische Analysis Vortrag von Reidar Janssen 2. & 27. Oktober 211 Diese Übersetzung des ersten Kapitels von Anton Deitmars A First Course in Harmonical Analysis [] dient als Grundlage für meinen
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 3067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum:.08.006 Uhrzeit: 09:00 Uhr Zeitdauer: Stunden Hilfsmittel:
MehrT2 Quantenmechanik Lösungen 3
T2 Quantenmechanik Lösungen LMU München, WS 1/18.1. Wellenfunktion und Wahrscheinlichkeit Prof. D. Lüst / Dr. A. Schmidt-May version: 2. 11. Es seien x 1, x 2, N drei reelle Konstanten und x 2 > x 1 >.
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
MehrHarmonische Schwingungen und komplexe Zeiger
Harmonische Schwingungen und komplexe Zeiger Eine harmonische Schwingung wird durch eine allgemeine sinusartige Funktion beschrieben (Grafik siehe unten: y = y (t = sin (ω t + ϕ Dabei ist die mplitude,
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
Mehr