Grundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
|
|
- Ina Holst
- vor 7 Jahren
- Abrufe
Transkript
1 Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
2 Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung Bewegungsanalyse im Sport Grundlagen: Bildbearbeitung/Objekterkennung 2
3 Überblick Grundlagen und Techniken der Videoanalyse: 2. Aufteilung von Bildern in Bereiche 3. Suchen von Merkmalen 4. Arbeiten mit Bildsequenzen Grundlagen: Bildbearbeitung/Objekterkennung 3
4 1. Segmentierung Definition: Vollständige überdeckungsfreie Zerlegung von Bildern Techniken Histogramm-basiert Interaktive Suche Vollständige Suche Grundlagen: Bildbearbeitung/Objekterkennung 4
5 Thresholding Histogramm-basiert Grauwertbild Binärbild Gut für Echtzeitanwendungen Grundlagen: Bildbearbeitung/Objekterkennung 5
6 Thresholding Schwellwert finden: Minimalstelle im Histogramm Manuell Multi-Thresholding Grauwertbild Bild mit n Farben Adaptive-Thresholding Beleuchtungsunterschiede ausgleichen Grundlagen: Bildbearbeitung/Objekterkennung 6
7 Region Growing Startpixel interaktiv wählen oder mit random-startpixel beginnen Ähnlichkeitswert interaktiv setzen Leicht, verständlich, flexibel Grundlagen: Bildbearbeitung/Objekterkennung 7
8 Klassifizierung Einteilung von Objekten in Klassen oder Kategorien Über Merkmale Grundlagen: Bildbearbeitung/Objekterkennung 8
9 Klassifizierung 1. Referenzdatensatz auswerten 2. Echte Daten klassifizieren Grundlagen: Bildbearbeitung/Objekterkennung 9
10 Klassifizierung Ziele: Zusammenhänge erkennen besseres Verständnis erlangen Grundlagen: Bildbearbeitung/Objekterkennung 10
11 2. Merkmale Grundlagen: Bildbearbeitung/Objekterkennung 11
12 Merkmale Farben Kanten Ecken Muster Form Größe Winkel Grundlagen: Bildbearbeitung/Objekterkennung 12 A A
13 Kantendetektoren Kanten bilden meist den Abschluss eines Objektes Intensitätsunterschied Ablauf allgemein: 1. Intensitätsgradienten 2. Thresholding 3. Daten zu Kanten verbinden Grundlagen: Bildbearbeitung/Objekterkennung 13
14 Canny Edge Detection 1. Rauschen unterdrücken 2. Intensitätsgradienten: Sobel 3. Ausdünnen von weichen Kanten 4. Thresholding für sehr niedrige Gradienten 5. Hysterese für mittelstarke Gradienten Grundlagen: Bildbearbeitung/Objekterkennung 14
15 Eckendetektoren Harris Corner Detector 1. Taylor-Entwicklung 2. Gewichteter Kreis 3. E x, y C A 4. Eigenwerte α,β der Matrix nutzen um zwischen Ecke, Kante und Fläche zu entscheiden Grundlagen: Bildbearbeitung/Objekterkennung 15 = A (x, y) C x y
16 Eckendetektoren Grundlagen: Bildbearbeitung/Objekterkennung 16
17 Templatematching Jedes mögliche Teilbild mit dem gesuchten Template vergleichen Vergleichsmaße durchschnittliche quadratische Abstand durchschnittliche Abstand der Beträge Korrelationskoeffizient Vergleichsergebnisse skalieren Grundlagen: Bildbearbeitung/Objekterkennung 17
18 Templatematching II Grundlagen: Bildbearbeitung/Objekterkennung 18
19 3. Bildsequenzen Grundlagen: Bildbearbeitung/Objekterkennung 19
20 Kalman Filter Folge von Messwerten z Bewegungsmodell H Vertrauen K Fehler P Grundlagen: Bildbearbeitung/Objekterkennung 20
21 Kalman Filter 1. Algorithmus liefert Messwert 2. Kalman-Gain-Matrix berechnen 3. Schätzung 4. Fehler berechnen 5. Vorhersage machen 6. Fehler vorhersagen Grundlagen: Bildbearbeitung/Objekterkennung 21
22 Kalman Filter Grundlagen: Bildbearbeitung/Objekterkennung 22
23 Grundlagen: Bildbearbeitung/Objekterkennung 23
24 Optical-Flow Material: 2D Bildsequenz Ausgangspunkt: 3D Bewegung von Objekten Ziel: Feld von Geschwindigkeitsvektoren die die 3D Bewegung abbilden u 1 = v t x y Grundlagen: Bildbearbeitung/Objekterkennung 24
25 Ansätze Optical-Flow Feature-basierte Methoden Feature finden Feature verfolgen Nicht relevant für Echtzeitanwendungen Intensitäts-basierte Methoden Intensität pro Pixel pro Zeit Intensitätsunterschiede E( x, y, t) E( x, y, t) Grundlagen: Bildbearbeitung/Objekterkennung 25
26 Optical-Flow 1. Berechung der Gradienten E, E, für je 2 aufeinander folgende Bilder x y E t Grundlagen: Bildbearbeitung/Objekterkennung 26
27 Optical-Flow 2. OF Bedingung: ( E 3. Blendproblem x, E y ) u v = E t Grundlagen: Bildbearbeitung/Objekterkennung 27
28 Optical-Flow Ansätze zum Lösen des Blendproblems 1. Zweite Ableitung der Intensitäten Ähnlichkeit von Gradienten in Nachbarschaft 2. Minimieren über die Methode der gewichteten kleinsten Quadrate Ähnlichkeit der Gradienten in enger Nachbarschaft 3. Minimierung des Summe aus OF- Bedingung und Glättungs-Bedingung Glätten der Geschwindigkeitsvektoren Grundlagen: Bildbearbeitung/Objekterkennung 28
29 Optical-Flow Grundlagen: Bildbearbeitung/Objekterkennung 29
30 Optical Flow Video Grundlagen: Bildbearbeitung/Objekterkennung 30
31 Optical Flow Video Grundlagen: Bildbearbeitung/Objekterkennung 31
32 Segmentierung Thresholding Region-Growing Merkmale Kanten Ecken Templates Klassifikation Bildsequenzen Kalman-Filter Optical Flow Zusammenfassung Grundlagen: Bildbearbeitung/Objekterkennung 32
33 Ende Danke für Ihre Aufmerksamkeit Grundlagen: Bildbearbeitung/Objekterkennung 33
Grundlagen: Bildverarbeitung / Objekterkennung. Technische Universität München. Fakultät für Informatik. Seminar Thesis. Betreuer: Jan Bandouch
Grundlagen: Bildverarbeitung / Objekterkennung Technische Universität München Fakultät für Informatik Seminar Thesis Betreuer: Jan Bandouch Abgabedatum: 05.07.2006 von Julia Peterwitz Grundlagen der Bildverarbeitung
MehrWie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler
Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen? /Anwendungsgebiete Wenn man sie denn gefunden
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
MehrComputergrafik 2: Übung 8. Corner-Detektoren, Bildsegmentierung
Computergrafik 2: Übung 8 Corner-Detektoren, Bildsegmentierung Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Besprechung Übung 7 Anmerkungen? Computergrafik 2 SS2012
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
MehrInteraktive Lokalisierung durch Objekterkennung
Interaktive Lokalisierung durch Objekterkennung Bachelor Thesis Adrian Batzill Motivation GPS Abweichungen - Guter Tag: ~5m - Wahrscheinlicher: >15m Kompass Abweichungen: - Normal ~3-10 Für Augmented Reality
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Kurze Wiederholung Gradienten 1. und 2. Ableitung grad( f ( x, y) ) = f ( x, y) = f ( x, y) x f ( x, y) y 2 f ( x, y) = 2 f ( x,
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
MehrSegmentierung 1 Segmentation
Segmentierung Segmentation M. Thaler, TG08 tham@zhaw.ch Juni 7 Um was geht es? Bis jetzt vor allem Transformation Bild Bild Neu Transformation Bild? Feature, Aussage, etc. Bild Aussage "it's a circle"
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
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
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
MehrLU Grundlagen der digitalen Bildverarbeitung Abgabe 2. Gruppe 25 peter holzkorn andreas bretschneider martin tintel
LU Grundlagen der digitalen Bildverarbeitung Abgabe 2 Gruppe 25 peter holzkorn 0426262 andreas bretschneider 0327444 martin tintel 0402913 Beispiel 6 Texturanalyse und Texturklassifikation Texturklassen
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
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
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
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,
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
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 : col 1 col
MehrKamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen
Kamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen Vortragender: Studiengang: Betreuer: Yeyi Qiu Fahrzeugtechnik Prof. Dr. rer. nat. Toralf Trautmann M. Sc. Patrick Richter Seite 01 von
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
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:
MehrFilter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Wozu Filter? Wozu Filter? Beispiel 3 Teil1: Filter anwenden (verschiedene Filter anwenden um diverse Effekte zu erzeugen)
MehrComputergrafik 2: Segmentierung 2
Computergrafik 2: Segmentierung 2 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
MehrSegmentierung von Bilddaten
Segmentierung von Bilddaten Hendrik Horn und Jörgen Kosche 3. Juni 2004 Seminarvortrag Seminar: Effiziente Darstellung von Daten Dozent: Oliver Boldt 1 Inhaltsverzeichnis 1 Einführung 3 2 Definition 5
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
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf
MehrDer Einbau im Auto. Stereo: Beispiel Fahrzeug. Einbau im Rückspiegel Erfassung von. Reichweite: bis 30 m
Stereo: Beispiel Fahrzeug Der Einbau im Auto Sichtbereich Sichtbereich Kameras Einbau im Rückspiegel Erfassung von anderen Fahrzeugen (Pkw,Lkw) Zweiradfahrern Fußgängern und Kindern Reichweite: bis 30
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
MehrDistributed Algorithms. Image and Video Processing
Chapter 7 High Dynamic Range (HDR) Distributed Algorithms for Quelle: wikipedia.org 2 1 High Dynamic Range bezeichnet ein hohes Kontrastverhältnis in einem Bild Kontrastverhältnis bei digitalem Bild: 1.000:1
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
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
MehrPeter Pichlmaier SS 2006
Recovering 3D Human Body Configurations Using Shape Contexts Hauptseminar Bildverstehen: Videobasierte Erkennung und Analyse menschlicher Aktionen SS 2006 Gliederung 1. Grundprinzip exemplarbasierter Verfahren
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Segmentierung Graphische DV und BV, Regina Pohle, 13. Segmentierung 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Filtern im Frequenzraum Segmentierung Organisatorisches Klausuranmeldung
Mehr"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"
"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs" Ning Liu HAW-Hamburg Seminarvortrag December 15, 2006 Ning Liu Kanten- und Linienerkennung
MehrSupport Vector Machines, Kernels
Support Vector Machines, Kernels Katja Kunze 13.01.04 19.03.2004 1 Inhalt: Grundlagen/Allgemeines Lineare Trennung/Separation - Maximum Margin Hyperplane - Soft Margin SVM Kernels Praktische Anwendungen
MehrQualitätsüberwachung von automatisch verfolgten Merkmalen in Bildsequenzen
Qualitätsüberwachung von automatisch verfolgten Merkmalen in Bildsequenzen J. Shi und C. Tomasi Good features to Track (CVPR94 Seattle, Juni 1994) Dozent: Dr. Felix v. Hundelshausen Referenten: Philipp
MehrIndoor Location Tracking and Information System
Master Thesis Indoor Location Tracking and Information System Thomas Blocher tblocher@ee.oulu.fi TU Graz Österreich IMST GmbH Deutschland Indoor Location Tracking and Information System p. 1/14 Gliederung
MehrTEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
MehrSegmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden
Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal GEODÄTISCHES INSTITUT HANNOVER Session: Laserscanning
MehrTracking. Einführung. Allgemeiner Systemaufbau. Objektlokalisation: Template-Matching. Prädiktionsfilter: Kalman
Tracking Einführung Allgemeiner Systemaufbau Objektlokalisation: Template-Matching Prädiktionsfilter: Kalman Birgit Möller & Denis Williams AG Bioinformatik & Mustererkennung Institut für Informatik Martin-Luther-Universität
MehrHuman Detection Based On Part Models
Human Detection Based On Part Models Seminar: Mobile Human Detection Systems William Basilien Kom MatrNr: 3098186 Institute of Computer Engineering 13. März 2017 1 / 25 Motivation 2 / 25 Inhaltsverzeichnis
Mehr1 Einleitung Einordnung des Gebietes Aufbau des Buches Philosophie Inhalte Einige Lehrbücher...
Inhaltsverzeichnis 1 Einleitung... 1 1.1 Einordnung des Gebietes... 1 1.2 Aufbau des Buches... 3 1.2.1 Philosophie... 3 1.2.2 Inhalte... 5 1.3 Einige Lehrbücher... 6 2 Allgemeine Begriffe... 11 2.1 Einige
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
MehrProjektionen für f r die Scanregistrierung mit Hilfe von Bildmerkmalen
Projektionen für f r die Scanregistrierung mit Hilfe von Bildmerkmalen Prof. Dr. Andreas Nüchter Jacobs University Bremen Campus Ring 1 28759 Bremen 1 Hintergrund (1) Automatisierung von terrestrischen
MehrRingvorlesung Bildverarbeitung
Ringvorlesung Bildverarbeitung D. Schlesinger Institut für Künstliche Intelligenz, Professur Intelligente Systeme 6. Juli 2012 D. Schlesinger (Institut Ringvorlesung für Künstliche Bildverarbeitung Intelligenz,
MehrDer Einbau im Auto. Stereo: Beispiel Fahrzeug. Einbau im Rückspiegel Erfassung von. Reichweite: bis 30 m
Der Einbau im Auto Sichtbereich Sichtbereich Kameras Einbau im Rückspiegel Erfassung von anderen Fahrzeugen (Pkw,Lkw) Zweiradfahrern Fußgängern und Kindern Reichweite: bis 30 m Digitale Bildverarbeitung
MehrComputergrafik 2: Übung 7. Hough Transformation
Computergrafik 2: Übung 7 Hough Transformation Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Quiz Berechnung der ersten Ableitung eines Bildes? Berechnung der zweiten
MehrTutorial Laserscanning: Automatisierung der Modellierung
Tutorial Laserscanning: Automatisierung der Modellierung Dr.-Ing. Fredie Kern Univ.-Prof. Dr.-Ing. habil. Wolfgang Niemeier Dipl.-Ing. Martin Zumstrull 1 Inhaltsverzeichnis 1. Was kann modelliert werden
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrMathematik Vergleichsarbeit 2010 Baden-Württemberg Gymnasium Bildungsstandard 6.Klasse
Mathematik Vergleichsarbeit 2010 Baden-Württemberg Gymnasium Bildungsstandard 6.Klasse Gesamte Bearbeitungszeit: 60 Minuten Diese Aufgaben sind ohne Taschenrechner zu bearbeiten! Aufgabe 1: Berechne 5
MehrSegmentierung. Vorlesung FH-Hagenberg SEM. Digitale Bildverarbeitung in der Medizin. Schwellenwerte
Segmentierung g Vorlesung FH-Hagenberg SEM Schwellenwerte Globaler Schwellenwert Lokale Schwellenwerte Mehrfache Schwellenwerte Semi-Schwellenwerte Optimale Schwellenwerte 1 Optimal Threshold optimal zu
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrRechtwinklige Dreiecke
Rechtwinklige Dreiecke 1. a) Verschiebe die Ecke C 1, bis du den grünen Winkel bei C 1 auf 90 schätzt. b) Verschiebe die Ecken C 2 bis C 9 ebenso, bis du die Winkel auf 90 schätzt. c) Kontrolliere deine
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
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
MehrTag der Mathematik 2015
Tag der Mathematik 2015 Einzelwettbewerb Allgemeine Hinweise: Als Hilfsmittel dürfen nur Schreibzeug, Geodreieck und Zirkel benutzt werden Taschenrechner sind nicht zugelassen Teamnummer Die folgende Tabelle
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Objekterkennung
INTELLIGENTE DATENANALYSE IN MATLAB Objekterkennung Objekterkennung Problemstellung Gegeben: Ein Bild. Fragestellungen: Klassifikationsproblem Ist ein bestimmtes Objekt (z.b. Flugzeug) auf dem Bild? Welches
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,
MehrObjektbeschreibung 1
Objektbeschreibung Description and Representation Markus Thaler, TG208 Martin Weisenhorn, TB427 tham@zhaw.ch weie@zhaw.ch www.zhaw.ch/~tham August 8 August 8 2 what is this? wh do ou know that? - descriptors
MehrGestaltgesetze. Grundlagen der Gestaltung. bbw Berlin Internet Grundlagen Seite 1 / 21
bbw Berlin Internet Grundlagen Seite 1 / 21 Das Ganze ist mehr als die Summe seiner Teile Die Gestaltgesetze dienen in der menschlichen Wahrnehmung der Raumaufteilung in Figur und (Hinter-)Grund. bbw Berlin
MehrKantenextraktion. Klassische Verfahren. Christoph Wagner. 30. Januar Vortrag zum Seminar Bildsegmentierung und Computer Vision
Klassische Verfahren 30. Januar 2006 Vortrag zum Seminar Bildsegmentierung und Computer Vision Gliederung Grundlagen 1 Grundlagen Aufgabenstellung Anforderungen an Kantenfilter Lineare Filter 2 3 Gliederung
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
MehrGeometrie 2. Julian Fischer Julian Fischer Geometrie / 30
Geometrie 2 Julian Fischer 6.7.2009 Julian Fischer Geometrie 2 6.7.2009 1 / 30 Themen 1 Bereichssuche und kd-bäume 1 Bereichssuche 2 kd-bäume 2 Divide and Conquer 1 Closest pair 2 Beispiel: Points (IOI
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrSignalverarbeitung g für audiovisuelle Kommunikation
University of Applied Science Signalverarbeitung g für audiovisuelle Kommunikation 3. Segmentierung - Morphologische Operationen Morphologische Operationen Morphologie: die Gestalt betreffend Gestalt in
MehrSpace Usage Rules. Neele Halbur, Helge Spieker InformatiCup 2015 19. März 2015
Space Usage Rules? InformatiCup 2015 1 Agenda 1. Vorstellung des Teams 2. Entwicklungsprozess und Umsetzung 3. Verbesserung der Strategien 4. Auswertung der Strategien 5. Ausblick 6. Fazit 2 Vorstellung
MehrV!SUELLER JOURNALISMUS
Sommersemester Illustrator 17. Mai Andreas Lamm Programmfenster A. Dokumentfenster mit Registerkarten B. Anwendungsleiste C. Arbeitsbereich-Umschalter D. Bedienfeld-Titelleiste E. Steuerungsbedienfeld
MehrLineare Regression. Volker Tresp
Lineare Regression Volker Tresp 1 Die Lernmaschine: Das lineare Modell / ADALINE Wie beim Perzeptron wird zunächst die Aktivierungsfunktion gewichtete Summe der Eingangsgrößen x i berechnet zu h i = M
MehrProbabilistisches Tracking mit dem Condensation Algorithmus
Probabilistisches Tracking mit dem Condensation Algorithmus Seminar Medizinische Bildverarbeitung Axel Janßen Condensation - Conditional Density Propagation for Visual Tracking Michael Isard, Andrew Blake
MehrGestaltgesetze Figur-Grund-Beziehung
Figur-Grund-Beziehung Die Wahrnehmung unserer Umwelt geschieht nach der Gestaltpsychologie durch die Wahrnehmung von Formen. Nur so kann die unbestimmte Komplexität der Sinneswahrnehmungen aufgelöst und
MehrErinnerung an die "Bildanalyse- (Bildverarbeitungs-) Pipeline":
5. Segmentierung Erinnerung an die "Bildanalyse- (Bildverarbeitungs-) Pipeline": Segmentierung: Vorgang, das Bild in sinnvolle Bildteile aufzuteilen (es zu segmentieren) "Fernziel": Objekterkennung; Trennung
MehrAnalyse zur automatischen Klassifizierung von Bildern
Analyse zur automatischen Klassifizierung von Bildern 29. Januar 2008 Gliederung Einleitung Bemerkungen zum Bildbegriff Verwendete Bildklassen Eigenschaften von Bildern Klassifizierung Ergebnisse ImageJ-Plugin
MehrTEIL 13: DIE LINEARE REGRESSION
TEIL 13: DIE LINEARE REGRESSION Dozent: Dawid Bekalarczyk GLIEDERUNG Dozent: Dawid Bekalarczyk Lineare Regression Grundlagen Prognosen / Schätzungen Verbindung zwischen Prognose und Zusammenhang zwischen
MehrComputergrafik 2: Kanten, Linien, Ecken
Computergrafik 2: Kanten, Linien, Ecken 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
MehrInhaltsverzeichnis. Aufbau eines Bildverarbeitungssystems
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................378 Aufbau
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
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrSymmetrische Figuren. 1 Welche Figuren sind symmetrisch? Überprüfe. 2 Suche symmetrische Gegenstände im Klassenzimmer. AOL-Verlag
Symmetrische Figuren 1 1 Welche Figuren sind symmetrisch? Überprüfe. 2 Suche symmetrische Gegenstände im Klassenzimmer. Symmetrie 1 2 1 Zeichne die Spiegelachsen ein. Symmetrie 2 3 1 Zeichne die Spiegelachsen
MehrBewegungsanalyse auf Basis von Blockvergleichsverfahren zur MPEG-7 Visual-Descriptor Extraktion. DA II von Dominik Ströhlein
Bewegungsanalyse auf Basis von Blockvergleichsverfahren zur MPEG-7 Visual-Descriptor Extraktion DA II von Dominik Ströhlein Überblick Einleitung Ziele der Arbeit Lösungsansatz Aufbau des Systems Bisherige
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrKrümmungsapproximation auf 3D-Modellen
Krümmungsapproximation auf 3D-Modellen Mathematische Grundlagen und Approximation Christian Cyrus Matrikelnummer 157707 Fakultät für Informatik Otto-von-Guericke-Universität Magdeburg Diese Ausarbeitung
MehrVorlesung Datenbanken II SS 2006
Vorlesung Datenbanken II SS 2006 1 Vorlesung Datenbanken II SS 2006 Sven Wachsmuth, Technische Fakultät, AG Angewandte Informatik Vorlesung Datenbanken II SS 2006 2 Suche in Bilddatenbanken Verschlagwortete
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrBildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science
Bildmerkmalssuche Seminar Computational Photography EINFÜHRUNG 2 Einführung Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand
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
MehrLernen mit Laptops Erfahrungen mit dem Einsatz der Geräte im Fach Mathematik
Lernen mit Laptops Erfahrungen mit dem Einsatz der Geräte im Fach Mathematik Übersicht -Dynamische Geometriesoftware Euklid -Lernprogramm Geraden und Winkel am Kreis 8. Jgst. - Ähnlichkeit - Kongruenz
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
MehrExtrema multivariater Funktionen
Extrema multivariater Funktionen Ist f (x ) ein Minimum (Maximum) einer stetig differenzierbaren skalaren Funktion f auf einer Umgebung U von x, so gilt grad f (x ) = (0,..., 0) t. Extrema multivariater
MehrEntscheidungen bei der Durchführung einer Cluster-Analyse
7712Clusterverfahren Entscheidungen bei der Durchführung einer Cluster-Analyse nach: Eckes, Thomas, und Helmut Roßbach, 1980: Clusteranalysen; Stuttgart:Kohlhammer A. Auswahl der Merkmale Festlegung des
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
MehrNützliche Bildverarbeitungs- Verfahren
MIN-Fakultät Fachbereich Informatik Arbeitsbereich SAV/BV (KOGS) Nützliche Bildverarbeitungs- Verfahren BV-Praktikum im Sommersemester 2017 Leonie Dreschler-Fischer, David Mosteller und Benjamin Seppke
Mehr