Information Retrieval und Multimedia Datenbanken 1
|
|
- Elsa Brauer
- vor 5 Jahren
- Abrufe
Transkript
1 Dr. Wolf-Tilo Balke, Universität Hannover Information Retrieval und Multimedia Datenbanken 1 Vorlesung
2 Retrieval von Bild-Daten
3 Bildmaterial Bilder sind zweidimensionale Arrays Jedes Tupel ist ein Pixel gekennzeichnet durch Koordinaten Farbwert j-te Zeile i-te Spalte
4 Beschreibung von Bildern Low Level Features: Zerlegung in Farbe Textur Formen High Level Features: Das ganze Bild als Eingabesignal Fourier-Transformation Wavelets Etc.
5 Beispiel: Low Level Farbfeatures Annahme: Ähnliche Farben können ähnliche Dinge darstellen Informationsverlust durch Low Level Features Beispiel: Sonnenuntergang (rot, orange, gelb)
6 Aussagekraft Trennt oft recht gut Ein Frosch ist kein Sonnenuntergang Muß aber nicht immer Orange Frösche sind auch kein Sonnenuntergang
7 Abgrenzung Kombination mehrerer Low-Level Features bringt in der Regel bessere Abgrenzung Semantik ist nicht immer ersichtlich Sonnenuntergang vs. Sonnenaufgang Roter Ball am Strand
8 Beispiel: High-level Feature Fouriertransformation Bild als Signal Ortsraum (normales sichtbares Bild) und Frequenzraum (Frequenz und Position der Pixel) Kein Informationsverlust (innerhalb der Rechengenauigkeit) Schwer interpretierbar
9 Orts- und Frequenzraum
10 Farbfeatures
11 Farbfeatures Wichtiger Bestandteil der menschlichen Wahrnehmung Wichtig für Erkennung und Abgrenzung visueller Information Relativ einfach zu extrahieren und zu vergleichen Festlegung eines Farbraums
12 Farbräume Multidimensionale Räume, in denen verschiedene Dimensionen die verschiedenen Farbkomponenten beschreiben Entsprechen der Wahrnehmung von farbigem Licht durch 3 unabhängige Rezeptoren, die bei verschiedenen Wellenlängen stimuliert werden Rot=700 nm, grün=546.1 nm, blau=435.8 nm Sichtbares Licht = [380, 780] nm
13 RGB Farbraum 3-dim euklidischer Vektorraum Jede Komponente entspricht Grad der Stimulierung (0-255) Additive Farbmischung mit den Grundfarben rot, grün und blau (Primärfarben) Vorstellung: Jede Farbe wird durch eine Taschenlampe auf die Oberfläche gestrahlt, je mehr Licht von jeder Lampe desto heller wird die Mischung (deshalb additiv)
14 RGB-Farbraum (0, 0, 0) schwarz (255, 255, 255) weiß (255, 0, 0) rot (0, 255, 0) grün (0, 0, 255) blau (255, 255, 0) gelb (0, 255, 255) cyan (255, 0, 255) magenta
15 RGB Farbe Gute Repräsentation des sichtbaren Lichts Aber schlechte Benutzbarkeit für die Ähnlichkeitssuche Keine gleichmäßige Veränderung der Wahrnehmung von Farb(un-)ähnlichkeit Gleiche Distanzen in verschiedenen Gebieten oder verschiedenen Dimensionen führen nicht zu gleicher Farbähnlichkeit
16 Beispiel Magenta: mehr Rot oder Blau? Im RGB-Raum gleich viel!
17 Optimaler Farbraum Idee: Transformiere RGB Farbinformation, um den Raum besser bezüglich der menschlichen Wahrnehmung zu partitionieren Problem: Es ist kein einziger Farbraum mit gleichförmiger Wahrnehmung bekannt Für Farbfeatures sucht man einen möglichst guten Raum Hoffnung: Abstand im Raum gibt auch den Abstand in der Wahrnehmung wieder
18 YUV Lineare Transformation aus RGB Grundlage für PAL, SECAM Standards Schlechte Perzeption
19 CMYK Subtraktive Farbmischung Druckfarben cyan magenta gelb schwarz (key)
20 Perzeptionelle Farbräume Versuch die Farben bezüglich der menschlichen Wahrnehmung zu sortieren und anzuordnen Streckung der Abstände zwischen perzeptionell unähnlichen Farben Stauchung der Abstände zwischen perzeptionell ähnlichen Farben Erhaltung der Distanzen im Raum als Distanzen in der Wahrnehmung
21 Munsell Amerikanischer Maler Book of Colors, 1905 Diskreter Raum basierend auf empfundener Farbähnlichkeit
22 Munsell Benachbarte Farben haben gleichen perzeptionellen Abstand Belegt durch pschologische Tests Nachteile Abstände von nicht benachbarten Farben sind nicht Wahrnehmungs-erhaltend Keine bekannte Transformation von RGB
23 Weitere Farbräume Commission International de l Eclairage (Int. Standardisierungskommission für Beleuchtung) schlägt bessere perzeptionelle Räume mit nicht-linearen Transformation der RGB- Werte vor CIE 1976(L*a*b*) CIE 1976(L*u*v*) Leider sehr komplex zu berechnen
24 HSV Farbraum Hue, Saturation, Value (Farbtyp, Sättigung, Helligkeit) Nicht-lineare Transformation aus RGB, aber leicht invertierbar
25 HSV Farbraum HSV Farbraum ist intuitiv und einfach verständlich Annähernd Wahrnehmungs-erhaltend Diskretisierung ergibt gutes Farbspektrum für Ähnlichkeitssuchen Im MPEG-7 Standard als einer der Farbräume für Bild-Descriptoren eingesetzt
26 Vergleich von Bildmaterial Jedes Pixel eines Bildes trägt Farbinformation Bilder bestehen aus vielen Pixeln Aggregation für Vergleiche? Durchschnittsfarbe Farbhistogramme Farb-Layout
27 Durchschnittsfarbe Berechne Durchschnitte über die RGB- Werte aller Pixel und normalisiere mit Anzahl der Pixel
28 Durchschnittsfarbe Vergleich von Bildern durch den euklidischen Abstand der Durchschnittsfarbe Sehr schlechtes Ähnlichkeitsmaß Durchschnittsfarben müssen im Bild nicht notwendigerweise vorkommen Bild in rot und blau gibt Durchschnittsfarbe magenta
29 Durchschnittsfarbe Perzeptionell eher fragwürdig Aber: Schnell und leicht zu berechnen/vergleichen Kann zum Ausschluß von Bildern benutzt werden (vorherrschende Farbe bedingt Durchschnittsfarbe, Umkehrung gilt nicht) Z.B. Suche nach weitestgehend blauen Bildern: schließe alle Bilder mit roten, gelben oder grünen Durchschnittsfarben aus
30 Durchschnittsfarbe Spezifikation entweder direkt durch Farbwerte oder Color Wheel, Sliders, etc.
31 Durschnittsfarbe Beispielanfrage (QBIC Tool von IBM) Heron Project, Universität Augsburg
32 Farbhistogramme
33 Farbhistogramme Wesentliches Maß für in Bildmaterial auftretende Farben sind Farbhistogramme Partitionierung des Farbraums z.b. oft 256 unterscheidbare Farben oder 24-Bit Farbbilder ergeben 2 24 Farben (RGB) Eine Histogrammsäule für jede Farbe Höhe der Säule entspricht der normalisierten Anzahl der Pixel mit der Farbe im Bild
34 Farbhistogramme Besser als Durchschnittsfarbe Alle Farben in Histogrammsäulen treten echt im Bild auf (127,0,127) (0,0,254) (254,0,0) Durchschnittsfarbe (127,0,127) (127,0,127) Histogramm 1 1
35 Farbhistogramme Beispiel mit IBM s QBIC Tool (64 Farben) Heron Project, Universität Augsburg
36 Farbquantifikation Disjunkte Partitionierung des Farbraums durch Vektorquantifikation Q C mit Dimension k und Größe M ist die Abbildung von k-dim Vektoren in eine finite Menge C mit M Objekten Q C : R k C, C := {y 0,,y M-1 } Die Menge C heißt Codierung (Codebook) und jedes y i ist ein Codewort Für Farben k = 3 und y i sind Farbpunkte
37 Farbquantifikation Anforderungen an die Partitionierung Möglichst nur perzeptionell ähnliche Farben in jeder Partition Jedes Codewort soll die Farben der Partition möglichst gut repräsentieren (sehr häufig Centroide der Partionsräume als Codeworte) Möglichst geringe Anzahl von Partitionen (Effizienz der Suche)
38 Farbquantifikation im HSV Q C 166 [J.R. Smith, 97] HSV ist zylindrisch Farbtyp (Hue) ist am wichtigsten (geteilt in Segmente) Für Sättigung (Saturation) und Helligkeit (Value) reichen jeweils 3 Stufen 4 zusätzliche Grauwerte
39 Farbquantifikation im HSV Q C 166 ergibt damit 18 * 3 * = 166 verschiedene Farben
40 Farbhistogramme Beispiel: Bild und seine Histogramme [J.R. Smith, 95] Originalbild RGB-Raum HSV-Raum
41 Farbhistogramme Farbhistogramme messen Anzahl von Bildpunkten in jeder Farbpartition Normalisierung (z. B. durch die Gesamtanzahl der Bildpixel) liefert Vergleichbarkeit zu anderen Bildern Vergleich mit anderen Histogrammen mit verschiedenen Metriken
42 Region Color Globale Beschreibung oder auch von einzelnen Bildsegmenten (Color Layout) Vergleich dann als gewichtete Summe der (Un-)Ähnlichkeit der einzelnen Regionen Erste Ansätze mit einfacher Gitteraufteilung [Hsu et al., 95] Später Ansätze für gängige Bildkompositionen (z.b. Vordergrundmotiv)
43 Region Color Z.B. [M. Stricker, A. Dimai, 96/ 97] Fuzzy Regions Weighted Regions
44 Vergleich von Histogrammen Minkowski Metrik für Histogramme h q,ha t M-1 d r q,t = Σ h q [m] h t [m] r m=0 r = 1: Histogramm L 1 -Norm (city block distance) r = 2 : Histogramm L 2 -Norm (euklidisch ) Funktioniert schlecht bei Farbverschiebungen, weil alle Säulen einzeln verglichen werden
45 Minkowski-Metrik h q [m] m h t [m] m
46 Minkowski-Metrik Oft wird statt der Minkowski-L 1 -Norm der sogenannte Histogrammschnitt benutzt M-1 S(h 1,h 2 ) = Σ min (h 1 [m], h 2 [m]) m=0 Im Fall norm. Histogramme direkt aus L 1 -Norm ableitbar d S (h 1,h 2 )= d L1 (h 1,h 2 )/2
47 Minkowski-Metrik Effizient zu berechnen, aber zieht die Ähnlichkeit von Farben nicht in Betracht Der Abstand zwischen einem roten und einem hellroten Bild ist genauso groß wie der zwischen einem roten und einem blauen
48 Vergleich von Histogrammen Quadratische Normen Werten die Beziehungen zwischen verschiedenen Farben im Histogramm Cross-talk Matrix A drückt paarweise Ähnlichkeiten a ij zwischen Farbe i und Farbe j aus (a ii = 1 und a ij = a ji ) d q,t = (h q h t ) t A (h q h t ) (z.b. in QBIC)
49 Quadratische Normen h q [m] m h t [m] m
50 Quadratische Normen Speziell: Histogram Mahalanobis Distanz Cross-talk Matrix ist Kovarianzmatrix einer (repräsentativen) Menge von Histogrammen In einer Bildsammlung häufig zusammen vorkommende Farben (die eher nicht zur Diskriminierung beitragen) werden dadurch beim Matching ignoriert Sind keinerlei Farben korreliert, ist die Kovarianzmatrix diagonal und die Metrik eine gewichtete L 2 -Minkowski Metrik
51 Vergleich von Histogrammen Farbkanalmetriken aggregieren die Werte für den R, B und G Kanal Recht ungenau, aber effizient zu berechnen Mean-Color-Distanz (Durchschnittsfarbe) Auch für höhere Momente möglich Variance-Color-Distanz (σ R2, σ G2, σ B2 ) Skewness-Color-Distanz Vergleich mit euklidischem Abstand
52 Vergleich der Metriken Trade-off: Komplexität der Berechnung vs. Genauigkeit der Beschreibung Z.B. einfache euklidische Distanz von dreidimensionalen Vektoren der Farbkanal- Momente gegenüber der 166x166 Matrixmultiplikation bei quadratischen Normen Aber die Crosstalk-Matrizen enthalten natürlich auch mehr Semantik als die Farbkanal-Momente
53 Experimenteller Vergleich Aus Experimenten in [J.R. Smith, 95] Quadratischer Abstand Farbkanalmetriken Minkowski Abstand
54 Experimentelle Ergebnisse Neuere Experimente für Farbanfragen [J.R. Smith, 02] ergaben Farbkanal-Metriken liefern i.a. ziemlich schlechte Retrieval-Genauigkeit Überraschenderweise war die Genauigkeit der Minkowski Normen und der quadratischen Normen für viele Bildsammlungen recht ähnlich Minkowski Metriken reichen im Normalfall für Multimediadatenbanken aus
55 Zusammenfassung Farbhistogramme sind wesentliche Low- Level Features Leider häufig extrem hochdimensional Arbeitsschritte: Selektion eines Farbraums Quantifikation des Farbraums Berechnung der Histogramme Festlegung der Distanzfunktion (Auswahl einer geeigneten Indexierung)
56 Oberflächenstrukturen und Texturmaße
57 Texturanalyse Texturen beschreiben die Beschaffenheit von Oberflächen Typische, periodisch wiederkehrende Muster auf Bildern Wichtig für die Beschreibung von Bildern Art der Darstellung (gerastertes Bild, etc.) Bildgegenstände (Natürliche Dinge, Gras, Kieselsteine, etc.) Künstliche Dinge (Ziegelsteinmauern, Tapete, etc.)
58 Beispiel Verschiedene geordnete und zufällige Texturen
59 Texturforschung Textursegmentierung Finde Bildbereiche (eine Bildzerlegung) mit homogenen Texturen Texturklassifikation Beschreibe und bezeichne homogene Texturen in Bildregionen (Textursynthese) Erzeuge Texturen für erhöhten Realismus in Bildmaterial (texture mapping, etc.)
60 Textursegmentierung Finde Bildregionen mit einer gewissen Textur Z.B. Wein Scene Decomposition
61 Textursegmentierung Farben und Texturen hängen oft zusammen Texturzerlegung liefert oft keine sinnvollen (semantisch zusammenhängende) Gebiete
62 Texturklassifikation Bezeichne die (segmentierten) Gebiete mit einer vorherrschenden Textur Medizinische Bilder (Tomographien, etc.) Satellitenbilder (Eis, Wasser, etc.) Beschreibe die jeweilige Textur mit geeigneten Features für Vergleiche in Ähnlichkeitsanfragen
63 Texturklassifikation Klassifikation kann semantisch erfolgen Texturen repräsentieren Objekte in der realen Welt Stark von der Anwendung abhängig Oder basiert auf rein beschreibenden Merkmalen Hat für den Menschen oft keine direkte Bedeutung Stellt Vergleichbarkeit zwischen verschiedenen Bildkollektionen sicher Query by Example
64 Texturklassifikation Beispiel: Satellitenbild (semantisch) Wasser Sand
65 Textur-Features Wie beschreibt man Texturen für Ähnlichkeitsmaße? Low-Level Features Grundbausteine (z.b. Julesz Textons) Tamura Maß, etc. High-Level Features Gabor-Filter, Fourier Transformation, etc.
66 Textur-Features Wie unterscheiden Menschen Texturen?
67 Textur-Features [A. Rao und G. Lohse, 93] geben drei wesentliche Kriterien: Wiederholung Orientierung Komplexität Kann man das messen?
68 Low Level Textur-Features 60-70iger Jahre: Grauwert-Analyse Grauwerthistogramme geben Aufschluß über Pixelintensität Können mittels Erwartungswert, Standardabweichung, etc. miteinander verglichen werden Ähnliche Muster erzeugen ähnliche Verteilungen der Grauwerte
69 Low Level Textur-Features Momente erster Ordnung beziehen aber die Position der Pixel nicht mit ein Periodizität schlecht feststellbar
70 Low Level Textur-Features Lösung: Momente höherer Ordnung Pixel an Position s habe Intensität q, I(s)=q Berechne die empirische Wahrscheinlichkeitsverteilung für die Intensitätsänderung auf m bei Verschiebung des Pixels um r P(q,m,r) :=Prob( I(s) = q und I(s+r) = m) Berechne die Grauwert-Co-Occurrence- Matrix als Moment höherer Ordnung [B. Julesz, 61]
71 Low Level Textur-Features Grauwert-Co-Occurrence-Matrix Betrachte alle Pixelpaare (x 1,y 1 ), (x 2,y 2 ) mit eukl. Abstand d := ((x 1 -x 2 ) 2 +(y 1 -y 2 ) 2 ) Punkt (x 1,y 1 ) habe Grauwert i, (x 2,y 2 ) habe Grauwert j und i, j {1,,N} Dann definiert man die Matrix C d := [c(i, j)] mit c(i, j) als Anzahl der Pixelpaare die Abstand d und Intensität i, bzw. j haben
72 Low Level Textur-Features Kompliziert zu berechnende NxN Matrix für verschiedene Abstände d Viele Maße wurden aus diesen Grauwert- Co-Occurrence-Matrizen abgeleitet These von Julesz: Menschen können Texturen nicht unterscheiden, falls diese in Momenten höherer Ordnung übereinstimmen Perzeptionspsychologie: Leider falsch!
73 Das Tamura-Texturmaß
74 Tamura-Maß Das Tamura-Maß [Tamura et al., 78] Bild-Texturen werden entlang sechs verschiedener Dimensionen bewertet Granularität (Kiesel vs. Sand) Kontrast (klar abgegrenzte Formen, Schatten) Direktionalität (vorherrschende Richtungen) Geradlinigkeit Regularität Rauhheit Die letzten 3 werden selten betrachtet und scheinen zu den ersten 3 korreliert zu sein
75 Granularität Granularität (Grobkörnigkeit) Bildauflösung z.b. Luftaufnahmen aus verschiedener Höhe
76 Extraktion der Granularität Extraktion durch Abtastung des Bildes mit beweglichem Operatorfenster Wähle Fenstergrößen 2 k x2 k (z.b. 1x1 bis 32x32 in IBM s QBIC) Bewege das Fenster über das Bild Für jeden Bildausschnitt berechne das gleitende Mittel über die Helligkeitsverteilung
77 Extraktion der Granularität Für jedes Pixel berechne mit wobei die Differenz der Mittel zwischen dem linken und rechten horizontal angrenzenden Fenstern der Größe ixi ist (analog zwischen den vertikal angrenzenden Fenstern) Bestimme für jedes Pixel die maximale Ausschnittgröße jxj, deren die maximale Differenz aufweist (oder noch innerhalb einer gewissen Toleranz vom größten der liegt)
78 Extraktion der Granularität Die Granularität G des Gesamtbildes ist der Durchschnitt über die maximalen Ausschnittsgrößen aller Pixel Statt dem Durchschnitt kann auch ein Histogramm genommen werden, das die Anzahl der Pixel der jeweiligen maximalen Größe zuordnet Damit lassen sich Bilder mit verschiedenen Granularitäten besser vergleichen
79 Extraktion der Granularität Problem: Bildausschnitte, deren Granularität bestimmt werden soll, könnten zu klein sein, um sinnvolle Durchschnitte in großen Operatorfenstern zu berechnen. Kleine Ausschnitte hätten also immer kleine Granularität Schätzung der höheren aus den Werten der kleineren [W. Equitz and W. Niblack, 94]
80 Kontrast Kontrast bewertet die Klarheit eines Bildes Schärfe der Farbübergänge Belichtung, Schattenwurf Niedriger Kontrast Hoher Kontrast
81 Extraktion des Kontrast Extraktion der Kontrastwerte Betrachte höhere Momente in der Helligkeitsverteilung im Graustufen Histogramm Der Kontrast ist Mit σ als Standardabweichung über die Bildkollektion und α 4 als Wölbung, also mit μ 4 als vierten zentralen Moment Wölbungen können sogar uni-/bi-modale Verteilungen unterscheiden
82 Direktionalität Direktionalität Spürt vorherrschende Richtungen von Gegenständen im Bild auf stark direktional schwach direktional
83 Extraktion der Direktionalität Direktionalität Bestimme in jedem Pixel die Stärke (Betrag) und Richtung (Winkel) der Gradienten, z.b. Sobel edge detector (IBM s QBIC unterscheidet 16 Richtungen)
84 Extraktion der Direktionalität Erstelle Histogramme die jedem Winkel die Anzahl der Pixel mit Gradienten über einem gewissen Betrag in diesen Winkel zuordnen Wird eine Richtung im Bild bevorzugt, ist in derselben Richtung ein Peak im Histogramm Will man das Maß rotationsinvariant, nutzt man nicht den Ort (Winkel), sondern nur die Anzahl und Höhe solcher Peaks für die Berechnung der durchschnittlichen Direktionalität D
85 Matching mit dem Tamura-Maß Zwischen den ersten drei Tamura- Features wurden keine Korrelationen festgestellt, also kann man Ähnlichkeit als Abstandsmessung in einem 3-dim Raum realisieren G G G
86 Beispiel Muster (Pelzwerk) auf Wappenbildern Heron Project, Universität Augsburg
87 Nächste Vorlesung Retrieval mit Texturmaßen Random Field Modelle Stochastische Modelle Retrieval von Formen Segmentierung und Beschreibung
Objekterkennung durch Vergleich von Farben. Videoanalyse Dr. Stephan Kopf HWS2007 Kapitel 5: Objekterkennung
Objekterkennung durch Vergleich von Farben 48 Farbräume (I) Definitionen: Farbe: Sinnesempfindung (keine physikalische Eigenschaft), falls Licht einer bestimmten Wellenlänge auf die Netzhaut des Auges
MehrLicht und Farben. Andreas Spillner. Computergrafik, WS 2018/2019
Licht und Farben Andreas Spillner Computergrafik, WS 2018/2019 Farbwahrnehmung des Menschen im Auge Das Verständnis, wie Farbeindrücke entstehen, ist ein wesentlicher Bestandteil der Computergrafik. Der
MehrFarbtechnik und Raumgestaltung/EDV
Abb. 1 Das RGB-Farbmodell Über die additive Farbmischung werden durch die 3 Grundfarben Rot, Grün und Blau alle Farben erzeugt. Im RGB Modell werden ihre Werte je von 0 bis 1 festgelegt. R = G = B = 1
MehrFarben. Spektrale Zerlegung der sichtbaren Lichtes. Folie 2
Farben Spektrale Zerlegung der sichtbaren Lichtes Folie 2 1 Additive und subtraktive Farbmischung Additives Modell Primäre Grundfarben: Rot, Grün, Blau Subreaktives Modell Primäre Grundfarben: Cyan, Magenta,
MehrDigitale Bilder. Ein Referat von Jacqueline Schäfer und Lea Pohl Am
Digitale Bilder Ein Referat von Jacqueline Schäfer und Lea Pohl Am 06.05.2015 Inhaltsverzeichnis Einheiten Grafiktypen Bildformate Farbtiefe Farbbilder/ Farbräume Quellen Einführung in die Bildverarbeitung
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
MehrAjdovic/Mühl Farbmodelle FARBMODELLE
FARBMODELLE Grundlagen: Gegenstände, die von einer Lichtquelle beleuchtet werden, reflektieren und absorbieren jeweils einen Teil des Lichts. Dabei wird das von den Gegenständen reflektierte Licht vom
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
MehrFarbmodelle. MBV5 Werner Backfrieder FH-Hagenberg. Spektrale Zerlegung der sichtbaren Lichtes
Farbmodelle MBV5 FH-Hagenberg Spektrale Zerlegung der sichtbaren Lichtes 1 Additive und subtraktive Farbmischung Chromatizitätsdiagramm X=r/(r+g+b) Y=g/(r+g+b) Z=b/(r+g+b) X+Y+Z=1 2 RGB-Modell Farbe wird
MehrFarbmodelle. Erinnerung an Einführung: Farbsehen durch drei Arten von Zäpfchen. Alle Farbeindrücke simulierbar durch drei Farben
Farbmodelle Erinnerung an Einführung: Farbsehen durch drei Arten von Zäpfchen Alle Farbeindrücke simulierbar durch drei Farben Oliver Deussen Farbmodelle 1 RGB-Farbmodell für additive Farbmischung (Bildschirm)
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
MehrFarbe in der Computergraphik
Farbe in der Computergraphik 1 Hernieder ist der Sonnen Schein, die braune Nacht fällt stark herein. 2 Gliederung 1. Definition 2. Farbwahrnehmung 3. Farbtheorie 4. Zusammenfassung 5. Quellen 3 1. Definition
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:
MehrMultimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 Farb- und Textur-Extraktion und -Deskription nach MPEG-7 Wolfgang Spießl Gliederung 1. Einführung zu Farbdeskriptoren 2. Extraktion und Deskription von
MehrKapitel 31 Bild- und Tonretrieval. HHU Düsseldorf, WS 2008/09 Information Retrieval 483
Kapitel 31 Bild- und Tonretrieval HHU Düsseldorf, WS 2008/09 Information Retrieval 483 Multimedia Information Retrieval Content-based Information Retrieval gesprochene Sprache Musik und weitere Audio-Dokumente
MehrFarbräume. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Farbräume Industrielle Bildverarbeitung, Vorlesung No. 13 1 M. O. Franz 16.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 RGB- und HSV-Farbraum
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
MehrMultimedia-Datenbanken im SS 2010 Ähnlichkeitsmaße II
Multimedia-Datenbanken im SS 2010 Ähnlichkeitsmaße II Dr.-Ing. Marcin Grzegorzek 22.06.2010 Inhalte und Termine 1. Einführung in MMDB 1.1 Grundlegende Begriffe 1.2 Suche in einem MMDBS 1.3 MMDBMS-Anwendungen
MehrU9: FARBCODIERUNG FARBCODIERUNG NACH VERSCHIEDENEN FARBMODELLEN
U9: FARBCODIERUNG FARBCODIERUNG NACH VERSCHIEDENEN FARBMODELLEN Für die Darstellung von Farben gibt es unterschiedliche Farbmodelle: einfache Modelle für additivergb) und subtraktive Mischung CMYK) von
MehrBILDBEARBEITUNG IM UNTERRICHT
BILDBEARBEITUNG IM UNTERRICHT Grundlagen Farbtiefe Farbmodelle CYMK, RGB Patrick Meier, Wilmatt 2, 637 Root, msib.ch GRUNDLAGEN PHOTOSHOP Ein zentraler Begriff bei Pixelgrafiken ist die Bildauflösung.
MehrFarben. Grundlagen und Farbräume. Spektrale Zerlegung der sichtbaren Lichtes
Farben Grundlagen und Farbräume Spektrale Zerlegung der sichtbaren Lichtes 1 Additive und subtraktive Farbmischung Additives Modell, Grundfarben: Rot, Grün, Blau Subraktives Modell, Grundfarben: Cyan,
MehrFARBTIEFE / KANÄLE 1 5
1 5 FARBTIEFE Die Farbtiefe gibt an, wieviel bit an Informationen pro Pixel gespeichert werden. Je mehr bits gespeichert werden, desto mehr verschiedene Farbabstufungen können dargestellt werden. Farbtiefe
MehrDigitale Bildbearbeitung und Fotografie. Dozenten: Arne Scheffer
Dozenten: Arne Scheffer Wiederholung: Kompression: Einführung zum Verständnis Teil 1: nicht fertig, Teil 2: nicht fertig, Teil 3: nicht fertig, Teil 4: nicht fertig Fortsetzung Teil 2: Teil 2.2: blau!
MehrMultimediatechnik / Video
Multimediatechnik / Video Video-Farben Pixel, Farben, RGB/YUV http://www.nanocosmos.de/lietz/mtv Helligkeits- und Farb-Pixel s/w-pixel: Wert = Helligkeit Beispiel 8 Bit/Pixel = 256 Stufen 0=schwarz, 255=weiß
Mehr2. Schnitterkennung Video - Inhaltsanalyse
2. Schnitterkennung Video - Inhaltsanalyse Stephan Kopf Definition: Schnitt Schnitte (cut) liefern Informationen über den Produktionsprozess eines Filmes. trennen kontinuierliche Aufnahmen, die als Kameraeinstellungen
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
MehrWinter 2011/ Projekt kd- Trees. achsenparallelen Farbwürfel angeordnet. Die beiden schwarz- weiß- Ecken verbindet eine Graulinie.
Praktikum Algorithmik Prof. Dr. Heiner Klocke Winter 2011/2012 12.11.2011 1. Erläuterung des Umfeldes Projekt kd- Trees Bei der Bildanalyse sollen Farbpunkte eines Bildes klassifiziert werden. Die Farbe
MehrInformation Retrieval und Multimedia Datenbanken 1
Dr. Wolf-Tilo Balke, Universität Hannover Information Retrieval und Multimedia Datenbanken 1 Vorlesung 09.06.06 Stochastische Modelle - Random Field Modelle Random Field Modelle Beobachtung: Texturen sind
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
MehrMultimediatechnik / Video
Multimediatechnik / Video Licht und Farbe http://www.nanocosmos.de/lietz/mtv Inhalt Was ist Farbe? Lichtwellen Farbspektrum Farbmodelle Licht und Farbe Licht = Elektromagnetische Welle Farbton = Wellenlänge/Frequenz
MehrTeil 6: Farbe. Einleitung. Farbreiz vs. Farbwahrnehmung. Farbräume, Verwendung von Farbe
Farbräume, Verwendung von Farbe Einleitung Farbe: Wichtiger Bestandteil d. vis. Wahrnehmung Mehrdimensional (Farbton, Helligkeit, etc.) Rechnen mit Farben: Farbmetrik Was ist Farbe überhaupt? Eigenschaft
MehrTeil 6: Farbe Farbräume, Verwendung von Farbe
Farbräume, Verwendung von Farbe Einleitung Farbe: Wichtiger Bestandteil d. vis. Wahrnehmung Mehrdimensional (Farbton, Helligkeit, etc.) Rechnen mit Farben: Farbmetrik Was ist Farbe überhaupt? Eigenschaft
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
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
MehrFarbmodelle in Photoshop
Farbmodelle in Photoshop Der Farbmodus RGB (Rot Grün und Blau) beschreibt eine Farbe über bestimmte Werte für jede der drei Primärfarben. Diese Informationen sind in drei Kanälen gespeichert, jeweils einem
MehrFarbmomente. 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
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,
MehrScannen. 1. Hardware 2. Farbsysteme 3. Farbtiefe 4. Auflösung 5. Einstellungsoptionen 6. Quellen Referat: Scannen
Scannen 1. Hardware 2. Farbsysteme 3. Farbtiefe 4. Auflösung 5. Einstellungsoptionen 6. Quellen 1. Hardware Flachbettscanner Trommelscanner Kleinbild- Diascanner APS- Filmscanner Digital- Kompaktkamera
Mehr(query by image content)
Proseminar Multimedia Information-Retrieval-Systeme (query by image content) Das QBIC Projekt 1. Einleitung 1.1 Was ist QBIC 1.2 Wo wird es verwendet 2. QBIC im Detail 2.1 technische Grundlagen 2.2 Aufbau
MehrDigitale Bildbearbeitung und Fotografie. Dozenten: Arne Scheffer, Olaf Glaser
Dozenten: Arne Scheffer, Olaf Glaser Wiederholung: Kompression: Einführung zum Verständnis Teil 1: nicht fertig, Teil 2: nicht fertig, Teil 3: nicht fertig, Teil 4: nicht fertig Fortsetzung Teil 2: Teil
MehrInhaltsbasierte Bildersuche
Inhaltsbasierte Bildersuche Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche
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,
MehrBoole'sches Modell <is web>
Boole'sches Modell basiert auf Mengentheorie und Boole'scher Algebra sehr einfaches Modell mit klarer Semantik Dokumente als Mengen von Indextermen Termgewichte sind binär: im Dokument enthalten oder nicht
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
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
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
Mehr1 Einführung. Bildformate Analyse der LSB-Ersetzung Weitere steganographische Algorithmen. Syndromkodierung in der Steganographie
Gliederung Einführung 1 Einführung 2 3 4 WS 2012/2013 Steganographie und Multimedia-Forensik Folie 121 Farbwahrnehmung Blau: 435,8 nm Grün: 546,1 nm Rot: 700 nm (445 nm) (535 nm) (575 nm) Empfindlichkeit
MehrGrundlagen digitaler Bildbearbeitung
Grundlagen digitaler Bildbearbeitung Folie 2 Inhaltsübersicht Bitmaps und Vektorgrafiken Grafikformate Farbräume und Farbmodelle Farbmodus (Farbtiefe) Bildauflösung Webfarben Folie 3 Bitmaps und Vektorgrafiken
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrGrundlagen der Farbenlehre
Farben in einem System darzustellen ist nicht möglich! Ordnungsmöglichkeit wären: Farbmischsysteme Farbmustersysteme Farbmaßsysteme Farbauswahlsysteme Seite 1 Was sind Farbmischsysteme? Farbmischsysteme
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
MehrChapter 2 Image Similarity. Chapter 2 Image Similarity
Chapter 2 Image Similarity Distributed Algorithms for Ähnlichkeit von Bildern Inhalt Pixelbasierte Verfahren Histogramme Aggregierte Bilddaten Kantenbasierte Verfahren (Canny) Anwendung: Schnitterkennung
Mehrden Farbton (hue), der bestimmt ist durch die dominanten Lichtwellenlängen;
3 Bildsynthese In diesem Kapitel werden wir über Farben, Beleuchtung und Schattierung sowie über Texturen sprechen. Außerdem werden wir kurz auf das Anti-Aliasing eingehen. 3.1 Wahrnehmung, Licht und Farbe
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
MehrBased on material by Werner Purgathofer, TU Wien, and Horst Bischof, TU Graz Hearn/Baker
Based on material by Werner Purgathofer, TU Wien, and Horst Bischof, TU Graz Hearn/Baker 12.1-12.8 Was ist Licht? Licht = begrenztes Frequenzband des elektromagnetischen Wellenspektrums Rote Farbe: 3.8x10
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
Mehr6 Distanzfunktionen. Quadratische Pseudo. 1. Eigenschaften und Klassifikation
6 Distanzfunktionen 1. Eigenschaften und Klassifikation 2. Distanzfunktionen auf Punkten Minkowski Distanzfunktion L m Gewichtete Minkowski Distanzfunktion L m w Quadratische Distanzfunktion d q Quadratische
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41. : x i R, 1 i n x n
Kapitel Vektorräume Josef Leydold Mathematik für VW WS 07/8 Vektorräume / 4 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit x R n =. : x i R, i n x n und wird als n-dimensionaler
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41
Kapitel 3 Vektorräume Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit R n = x 1. x n : x i R, 1 i n und
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrBilder: Eigenschaften
Bilder: Eigenschaften Images M. Thaler TG208 tham@zhaw.ch Juni 17 1 1 Um was geht es? Juni 17 2 Was ist ein Bild? - hier sehen sie verschiedene Ausschnitte eines digitalen Bildes -das Bild besteht aus
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrMessen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo
Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophysiologie Kognitive Psychologie Digitale
MehrVorlesung 1. (April 11, 2008)
Vorlesung 1. (April 11, 2008) Einführung: Visualisierung 1) eine Verbindung zwischen einem abstrakten (mathematischen) Objekt und einem Gegenstand der realen Welt 2) wesentliche Vorstufe der Interpretation
MehrMorphologische Operationen (12 Punkte)
05.10.2015 186.822 VU Einführung in Visual Computing 3. Test Gruppe A Matrikelnummer: Nachname: Punkte Studienkennzahl: Vorname: Bitte tragen sie Ihre Matrikelnummer, Studienkennzahl sowie Vor- und Nachname
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
Mehr21.Vorlesung. IV Optik. 23. Geometrische Optik Brechung und Totalreflexion Dispersion 24. Farbe 25. Optische Instrumente
2.Vorlesung IV Optik 23. Geometrische Optik Brechung und Totalreflexion Dispersion 24. Farbe 25. Optische Instrumente Versuche Lochkamera Brechung, Reflexion, Totalreflexion Lichtleiter Dispersion (Prisma)
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
Mehr2D Graphik: Bildverbesserung. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005
2D Graphik: Bildverbesserung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005 Themen heute Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert Was ist
MehrNützliches Hilfsmittel (um Schreiberei zu reduzieren): 'Erweiterte Matrix': Gauß- Verfahren
L5.4 Inverse einer Matrix Ausgangsfrage: Wie löst man ein lineares Gleichungsystem (LSG)? Betrachte n lineare Gleichungen für n Unbekannte: Ziel: durch geeignete Umformungen bringe man das LSG in folgende
MehrÜbung zu Einführung in die Informatik # 14
Übung zu Einführung in die Informatik # 14 Tobias Schill tschill@techfak.uni-bielefeld.de 12. Februar 2016 Aktualisiert am 12. Februar 2016 um 11:13 Erstklausur: Mi, 24.02.2016 von 10-12Uhr Antworten von
MehrProtokoll. Farben und Spektren. Thomas Altendorfer 9956153
Protokoll Farben und Spektren Thomas Altendorfer 9956153 1 Inhaltsverzeichnis Einleitung Ziele, Vorwissen 3 Theoretische Grundlagen 3-6 Versuche 1.) 3 D Würfel 7 2.) Additive Farbmischung 8 3.) Haus 9
Mehr(21. Vorlesung: III) Elektrizität und Magnetismus 21. Wechselstrom 22. Elektromagnetische Wellen )
. Vorlesung EP (. Vorlesung: III) Elektrizität und Magnetismus. Wechselstrom. Elektromagnetische Wellen ) IV) Optik = Lehre vom Licht. Licht = sichtbare elektromagnetische Wellen 3. Geometrische Optik
Mehr1.2.1 Analoges Speichern auf Vinyl Erläutern Sie die prinzipielle Funktionsweise von Langspielplatten bzw. Plattenspielern.
1 Digitalisierung https://de.wikipedia.org/wiki/digitalisierung 1.1 Was versteht man unter Digitalisierung 1.2 Digital vs. Analog 1.2.1 Analoges Speichern auf Vinyl Erläutern Sie die prinzipielle Funktionsweise
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
MehrWie lautet das Lichtsteuerprotokoll? Was bedeutet DMX? Wie viel Kanäle besitzt eine DMX-Verbindung und wie wird sie als ganzes bezeichnet?
Was bedeutet DMX? Wie lautet das Lichtsteuerprotokoll? Wie viel Kanäle besitzt eine DMX-Verbindung und wie wird sie als ganzes bezeichnet? Wie viel Byte bzw. mögliche Werte können über einen DMX-Kanal
MehrNützliches Hilfsmittel (um Schreiberei zu reduzieren): 'Erweiterte Matrix': Gauß- Verfahren
L5.4 Inverse einer Matrix Ausgangsfrage: Wie löst man ein lineares Gleichungsystem (LSG)? Betrachte n lineare Gleichungen für n Unbekannte: Ziel: durch geeignete Umformungen bringe man das LSG in folgende
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
Mehr6 Distanzfunktionen (2) 6 Distanzfunktionen. 6.1 Eigenschaften und Klassifikationen. Einführung
6 en 6 en (2) 1. Eigenschaften und Klassifikation 2. en auf Punkten Minkowski L m Gewichtete Minkowski L m w Quadratische d q Quadratische Pseudo Dynamical Partial Semi Pseudo Chi Quadrat Semi Pseudo Kullback
Mehr2D Graphik: Pixel-Graphik Grundlagen
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 28.10.2005 Folie 1 2D Graphik: Pixel-Graphik Grundlagen Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges 28.10.2005 LMU München Medieninformatik
Mehr18.Elektromagnetische Wellen 19.Geometrische Optik. Spektrum elektromagnetischer Wellen Licht. EPI WS 2006/7 Dünnweber/Faessler
Spektrum elektromagnetischer Wellen Licht Ausbreitung von Licht Verschiedene Beschreibungen je nach Größe des leuchtenden (oder beleuchteten) Objekts relativ zur Wellenlänge a) Geometrische Optik: Querdimension
MehrMP - U9 - FARBCODIERUNGEN
RGB - Farbmodell additive Farbmischung (alle 3 Farben addieren sich zu weiß) auch physiologische Farbmischung genannt / oder auch Lichtfarben für jede Farbe (Rot, Grün, Blau) wird ein Wert von 0-255 angegeben
Mehrachsenparallele Stauchung und Streckung durch Gewichte :
Gewichtete Minkowski-Distanzfunktion achsenparallele Stauchung und Streckung durch Gewichte : Forderung: staab@uni-koblenz.de 1 Einheitskreis Translationsinvarianz keine Skalierungsinvarianz keine Rotationsinvarianz
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
Mehranleitung farben Farb-Auswahl und Mischung Farbbearbeitung von ausgewähltem Bildmaterial (Vektoren) Menüleiste: Bearbeiten -> Farben bearbeiten
1. Farbmenüs auf einen Blick Da Illustrator ein sehr leistungsstarkes Tool zur Farbbearbeitung ist, bietet es entsprechend viele Möglichkeiten und Menüs. Farb-Auswahl und Mischung Farbbearbeitung von ausgewähltem
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
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
MehrVisual Computing Theoretische Übung Light & Colors
Eidgenössische Technische Hochschule Zürich Swiss Federal Institute of Technology Zurich Prof. M. Gross Remo Ziegler / Chistian Voegeli / Daniel Cotting ) Definitionen Visual Computing Theoretische Übung
MehrFarbumfänge. Arbeiten mit Farbe
Farbumfänge Beim Farbumfang bzw. Farbraum eines Farbsystems handelt es sich um den Farbbereich, der angezeigt oder gedruckt werden kann. Das vom menschlichen Auge wahrnehmbare Farbspektrum ist größer als
MehrFarbe in der Computergraphik
Farbe in der Computergraphik Farbe in der Computergraphik Gliederung: Licht und Farbe Farbspezifikation Farbmodelle Gamma und Gammakorrektur B. Preim AG Visualisierung Farbe 2 Farbe in der Computergraphik
MehrFarbe. Licht Farbmodelle Farbsysteme
Farbe Licht Farbmodelle Farbsysteme Übungsblatt 5 http://www.uni-koblenz.de/~ugotit Organisatorisches Übung am 13.07. fällt aus. Neuer Termin 06.07. Übung am 06.07. ist damit auch letzte Übung vor der
MehrFARBEN IM INTERNET FARBWERTE, FARBTIEFEN IN DER BILDBEARBEITUNG
FARBEN IM INTERNET FARBWERTE, FARBTIEFEN IN DER BILDBEARBEITUNG Unter dem Begriff Farbtiefe versteht man die Anzahl der pro Pixel zur Verfügung stehenden Bits zur Speicherung der Farbinformationen. Die
MehrKennen, können, beherrschen lernen was gebraucht wird
Grundlegendes zu Bitmaps und Vektorgrafiken Zusammenfassung der Unterschiede zwischen Vektorgrafiken und Bitmaps Bitmaps Es können einzelne Pixel bearbeitet werden Größe und Position der Pixel können nicht
MehrProjektgruppe. Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten
Projektgruppe Jennifer Post Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten 2. Juni 2010 Motivation Immer mehr Internet-Seiten Immer mehr digitale Texte Viele Inhalte ähnlich oder gleich
Mehr