Inhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
|
|
- Ina Kirchner
- vor 7 Jahren
- Abrufe
Transkript
1 Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004
2 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung Evaluation Autokorrelationskoeffizienten Wavelet Analyse Feature-Erzeugung Evaluation Kombination der beiden Methoden
3 Einleitung Was sind Kanten? Was sind Kanten? Kanten sind Übergänge zwischen Gebieten verschiedener Helligkeit Kanten bilden die Kontur von Objekten eignen sich daher gut zur inhaltsbasierten Bildsuche
4 Teil I Kantenrichtungs-Histogramm
5 Kantenrichtungs Histogramm Kantenrichtungs Histogramm Idee: extrahiere die Kanten aus einem Bild bestimme die Richtung der Kanten erstelle ein Histogramm über den Kantenrichtungen benutze dieses Histogramm zur Bildsuche
6 Kantenrichtungs Histogramm Warum ein Histogramm? invariant gegenüber Translation invariant gegenüber Skalierung (wenn Normalisiert) einfach zu berechnen einfach zu vergleichen
7 Kantenrichtungs Histogramm Der Canny-Algorithmus Der Canny-Algorithmus 1. Gauss-Filterung Herausfiltern von Rauschen
8 Kantenrichtungs Histogramm Der Canny-Algorithmus Der Canny-Algorithmus 2. Bilden des Gradienten Faltung mit Sobel-Operator: C B G x G y 1 C A Summieren der beiden Richtungsgradienten: G = G x + G y
9 Kantenrichtungs Histogramm Der Canny-Algorithmus Der Canny-Algorithmus 3. Berechnen der Kantenrichtung θ = atan ( Gy 4. Diskretisierung der Kantenrichtung G x )
10 Kantenrichtungs Histogramm Der Canny-Algorithmus Der Canny-Algorithmus 5. Ausdünnung der Kanten 6. Schwellwertbildung
11 Kantenrichtungs Histogramm Feature-Erzeugung Feature-Erzeugung Betrachte alle Pixel mit Wert 1 nach der Schwellwertbildung und deren Kantenrichtung Bilde ein Histogramm über den Kantenrichtungen. Originalbild Histogramm 0, 45, 90, 135
12 Kantenrichtungs Histogramm Ergebnisse
13 Kantenrichtungs Histogramm Lokale Features keine örtliche Informationen Unterteilung des Bildes in fünf Teilbereiche ein Histogramm für jeden Teilbereich benutze die fünf lokalen und das globale Histogramm zur Suche
14 Kantenrichtungs Histogramm Evaluation Ergebnis mit lokalen und globalen Features
15 Kantenrichtungs Histogramm Evaluation Histogramm-Vergleich Metriken zum Histogramm-Vergleich: p-norm: d(h, G) = ( i (H i G i ) p ) 1 p Histogramm-Intersection: d(h, G) = 1 χ 2 -Metrik: d(h, G) = i (H i G i ) 2 H i +G i P i (min(h i,g i )) min( P i H i, P i G i )
16 Kantenrichtungs Histogramm Evaluation Evaluation Metrik Features χ 2 HI L2-Norm global lokal beide Tabelle: Metriken für den Vergleich von Kantenrichtungshistogrammen
17 Kantenrichtungs Histogramm Evaluation Ergebnisse
18 Kantenrichtungs Histogramm Evaluation Ergebnisse
19 Kantenrichtungs Histogramm Evaluation Ergebnisse Kantenhistogramm SIMBA
20 Autokorrelationskoeffizienten Teil II Autokorrelationskoeffizienten
21 Autokorrelationskoeffizienten Wavelet Analyse Wavelet Analyse Filtern eines Signals mit zwei Filtern H 0 = 1 2 (1, 1) Tiefpass H 1 = 1 2 (1, 1) Hochpass für 2-Dimensionale Signale (Bilder): Filtern der Zeilen, danach Filtern der Spalten je nach Reihenfolge von Hoch- und Tiefpass, Orientierung der Kanten
22 Autokorrelationskoeffizienten Wavelet Analyse Wavelet Analyse Hochpass Tiefpass ergibt horizontale Kanten Tiefpass Hochpass ergibt vertikale Kanten
23 Autokorrelationskoeffizienten Wavelet Analyse Wavelet Analyse Kantenbild: e m,n = (v m,n ) 2 + (h m,n ) 2
24 Autokorrelationskoeffizienten Feature-Erzeugung Feature-Erzeugung Benutze Autokorrelationskoeffizienten als Merkmale Autokorrelationskoeffizient: R N (a 1,..., a N ) = P I (r)i (r + a 1 )... I (r + a N ) mit a i Verschiebungsvektor, N Grad des Autokorrelationskoeffizienten große Zahl von Autokorrelationskoeffizienten benutze nur Koeffizienten vom Grade 2
25 Autokorrelationskoeffizienten Feature-Erzeugung Feature-Erzeugung Autokorrelationskoeffizienten Beispiel: f 7 = x y (e x,y )(e x 1,y+1 )(e x+1,y 1 )
26 Autokorrelationskoeffizienten Feature-Erzeugung Feature-Erzeugung Die erhaltenen 25 Koeffizienten sind noch abhängig von Größe und Intensität des Bildes: Invarianz gegenüber Größe: Teile durch die Anzahl der Pixel Invarianz gegenüber Intensität: Nimm die (N + 1)-te Wurzel jedes Koeffizienten f = 1 N+1 I (r)i (r + a 1 )... I (r + a N ) wh P
27 Autokorrelationskoeffizienten Feature-Erzeugung Ergebnisse
28 Autokorrelationskoeffizienten Feature-Erzeugung Lokale Features Einteilung des Bildes in fünf Teilbilder analog zum Kantenrichtungs-Histogramm Berechnung der 25 Autokorrelationskoeffizienten für jedes der fünf Teilbilder
29 Autokorrelationskoeffizienten Feature-Erzeugung Ergebnis mit lokalen und globalen Features
30 Autokorrelationskoeffizienten Evaluation Evaluation Metrik Grad Features χ 2 L2-Norm 0 g l b g l b g l b Tabelle: Metriken für den Vergleich der Autokorrelationskoeffizienten
31 Autokorrelationskoeffizienten Evaluation Ergebnisse
32 Autokorrelationskoeffizienten Evaluation Ergebnisse
33 Autokorrelationskoeffizienten Evaluation Ergebnisse Autokorrelation SIMBA
34 Teil III Kombination der beiden Methoden
35 Kombination der beiden Methoden Kombination der beiden Methoden berechne für jedes Bild sowohl die Kantenrichtungshistogramme, als auch die Autokorrelationskoeffizienten Metrik Grad Features χ 2 L2-Norm 0 g l b g l b g l b
36 Kombination der beiden Methoden Ergebnisse Autokorrelation SIMBA
37 Kombination der beiden Methoden Vergleich mit SIMBA
38 Kombination der beiden Methoden Vergleich mit SIMBA
39 Kombination der beiden Methoden Vergleich mit SIMBA
40 Kombination der beiden Methoden Vergleich mit SIMBA
41 Kombination der beiden Methoden Ergebnisse
42 Kombination der beiden Methoden Ergebnisse
43 Kombination der beiden Methoden Ergebnisse
44 Kombination der beiden Methoden Ergebnisse
45 Kombination der beiden Methoden Ergebnisse
46 Kombination der beiden Methoden Ergebnisse
47 Kombination der beiden Methoden Ergebnisse
48 Kombination der beiden Methoden Ergebnisse
49 Kombination der beiden Methoden Ergebnisse
50 Kombination der beiden Methoden Ergebnisse
51 Kombination der beiden Methoden Ergebnisse
52 Kombination der beiden Methoden Ergebnisse
53 Kombination der beiden Methoden Ergebnisse
54 Kombination der beiden Methoden Ergebnisse
55 Kombination der beiden Methoden Ergebnisse
56 Kombination der beiden Methoden Ergebnisse
57 Kombination der beiden Methoden Ergebnisse
Farbmomente. Christoph Sommer Seminar Inhaltsbasierte Bildsuche
Farbmomente Seminar Inhaltsbasierte Bildsuche Farbmomente Einleitung und Motivation Statistische Momente Geometrische Momente Macht der Momente Hu-Momente Orthogonale Basen für Momente Generalisierte Farbmomente
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
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
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
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
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
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
MehrHauptklausur zur Vorlesung Bildverarbeitung WS 2002/2003
Name:........................................ Vorname:..................................... Matrikelnummer:.............................. Bitte Studiengang ankreuzen: Computervisualistik Informatik Hauptklausur
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
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
MehrInvariante Merkmale. Seminar Inhaltsbasierte Bildsuche 22. Dezember 2004 Marei Hopert
Invariante Merkmale Seminar Inhaltsbasierte Bildsuche 22. Dezember 2004 Marei Hopert Übersicht Motivation Invariante Merkmale Idee Berechnung Kernfunktionen Ergebnisse Ausblick Motivation Gedrehtes oder
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
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
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
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,
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
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
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
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
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
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
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
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
MehrKanten und Konturen. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Kanten und Konturen Industrielle Bildverarbeitung, Vorlesung No. 6 1 M. O. Franz 14.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Kanten und
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
MehrObjekterkennung mit SIFT-Merkmalen
Hochschule für Angewandte Wissenschaften Hamburg 06. Januar 2010 Gliederung Problemstellung SIFT-Verfahren Merkmalsvergleich zur Identifikation von Gegenständen Zusammenfassung und Ausblick Problemstellung
MehrIst das Bild noch das Bild?
Ist das Bild noch das Bild? Authentizität digitaler Objekte unter Formattransformationen in Kooperation mit dem Thüringischen Hauptstaatsarchiv Veronika Krauß, Arefeh Bahrami Bauhaus-Universität Weimar
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
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
MehrMathematische Bildverarbeitung
Kristian Bredies Dirk Lorenz Mathematische Bildverarbeitung Abbildungen und Zusatzmaterial Kapitel 1 3 In dieser PDF-Datei befindet sich eine Auswahl der Abbildungen aus dem Buch, vor allem solche, die
MehrDebayeringverfahren. 19. Mai Thomas Noack, Nikolai Kosjar. SE Computational Photography - Debayeringverfahren
Debayeringverfahren Thomas Noack, Nikolai Kosjar 19. Mai 2010 Was bisher geschah... Reduktion der Herstellungskosten durch Einsatz von nur noch einem CCD-Sensor mit Bayer-Filter Problem: Bayer Image Full
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, wie lineare
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,
MehrBildverarbeitung. Fachschaftsrat Informatik. Professor Fuchs. Fragen TECHNISCHE UNIVERSITÄT DRESDEN. Unterteilung der Filter in Klassen
Professor Fuchs Unterteilung der Filter in Klassen Wie erstellt man bei der Segmentierung objektumschreibende Formen? Eigenschaften der Zellkomplextopologie Was ist ein Histogramm? Wozu ist es gut? Unterschied
MehrScene Reconstruction with Multiple View Geometry
Scene Reconstruction with Multiple View Geometry Anwendungen 2 16.06.2010 Nikolaus Rusitska nikolausrusitska@gmx.de Inhalt Rückblick Techniken Related Work Fazit 1 Rückblick Techniken Related Work Fazit
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:
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
MehrBildverarbeitung Herbstsemester
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Filter Filter 1 Inhalt Lineare und nichtlineare Filter Glättungsfilter (z.b. Gauss-Filter) Differenzfilter (z.b. Laplace-Filter) Lineare Faltung
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
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
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
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
MehrDarstellung als Filterbank. Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge.
Darstellung als Filterbank Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge. - Trifft in bestimmten Maße auch auf das Original zu, da
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
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
MehrAffine Koordinatentransformationen
Affine Koordinatentransformationen Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 017/18 Andreas Unterweger (FH Salzburg) Affine Koordinatentransformationen
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
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Aufgabe 1 Ein Fahrzeugpark enthält 6 Fahrzeuge. Jedes Fahrzeug hat die Wahrscheinlichkeit p = 0.1 (bzw. p = 0.3), dass es kaputt geht. Pro Tag kann nur
MehrInformatik I. Matthias Geel Büro: IFW A Blog:
Informatik I Matthias Geel Büro: IFW A45.2 E-Mail: geel@inf.ethz.ch Blog: http://blogs.ethz.ch/infitet09/ Übersicht 1. Nachbesprechung Übung 5 2. Theorie: Ein- und Ausgabe 3. Vorbesprechung Übung 7 09.11.2009
MehrDigitale Bildverarbeitung Einheit 10 Merkmalsextraktion
Digitale Bildverarbeitung Einheit 10 Merkmalsextraktion Lehrauftrag SS 2006 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass das
MehrTheorie und Praxis geometrischer Algorithmen Seminarvortrag. Resultanten. von. Manuel Caroli
Theorie und Praxis geometrischer Algorithmen Seminarvortrag Resultanten von Manuel Caroli Motivation Schnittkurve zweier "quadrics": Menge der gemeinsamen Wurzeln ihrer Polynome Fragestellung: Finde die
MehrMorphologische Filter
Morphologische Filter Industrielle Bildverarbeitung, Vorlesung No. 8 1 M. O. Franz 28.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Morphologische
MehrFilter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale
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
MehrDigitale Bildverarbeitung Einheit 10 Merkmalsextraktion
Digitale Bildverarbeitung Einheit 10 Merkmalsextraktion Lehrauftrag WS 06/07 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass das
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
MehrDigitale Bildverarbeitung Einheit 10 Merkmalsextraktion
Digitale Bildverarbeitung Einheit 10 Merkmalsextraktion Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass das
MehrSeminar: Multi-Core Architectures and Programming. Viola-Jones Gesichtsdetektor
Seminar: Multi-Core Architectures and Programming Viola-Jones Gesichtsdetektor Hardware-Software-Co-Design Universität Erlangen-Nürnberg 1 Übersicht Einleitung Viola-Jones Gesichtsdetektor Aufbau Blockmerkmale
MehrWas ist Robotik? Robotik heute:
Grundlagen Was ist Robotik? Das Wort Robot / Roboter entstand 92 in einer Geschichte von Karel Ċapek und geht auf das tschechische Wort robota (rbeit, Fronarbeit) zurück. Dessen Ursprung ist das altkirchenslawische
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
MehrEntwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen
Entwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen Seminar - Wintersemester 2010/2011 Fakultät Technik und Informatik Department Informatik Gregory Föll Übersicht Rückblick Stereo
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
Mehr9 Differentialrechnung für Funktionen in n Variablen
$Id: diff.tex,v.7 29/7/2 3:4:3 hk Exp $ $Id: ntaylor.tex,v.2 29/7/2 3:26:42 hk Exp $ 9 Differentialrechnung für Funktionen in n Variablen 9.6 Lagrange Multiplikatoren Die Berechnung von Maxima und Minima
MehrVom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Vom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrGeometrische Deutung linearer Abbildungen
Geometrische Deutung linearer Abbildungen Betrachten f : R n R n, f(x) = Ax. Projektionen z.b. A = 1 0 0 0 1 0 0 0 0 die senkrechte Projektion auf die xy-ebene in R 3. Projektionen sind weder injektiv
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)
Mehrcompressed domain image retrieval
Compressed domain image retrieval Christian Ott Seminar Inhaltsbasierte Bildsuche - Universität reiburg - 4. ebruar 25 4. ebruar 25, C.Ott Seite 1 Übersicht 1. Einleitung 2. JPEG 3. Merkmalsextraktion
MehrForm: Gradient. Informationsgewinnung
Form: Gradient Motivation: Wenn Objekte homoen bezülich dem Grauwert oder einem Teturmerkmal sind dann treten an den Objektrenzen starke Gradienten auf. Grauwertbild Gradientenbetrasbild Computer Vision
MehrData Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 12. Übungsblatt
Data Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 12. Übungsblatt 9. Februar 2016 1 Aufgabe 1: RelieF (1) Gegeben sind folgende 12 Beispiele der Wetter-Daten: ID outlook
MehrBachelorverteidigung Marco Franke
Bachelorverteidigung Java EE Webservice basiert auf RESTlet, JaxB und JPA/Hibernate zur Bilderkennung mit Hilfe der SURF-Merkmalsextraktion Verantwortlicher Professor: Prof. Dr. rer. nat. Klaus Hering
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
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
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
MehrA = A A
Musterlösung - Aufgabenblatt 8 Aufgabe 1 Gegeben ist das Polytop P = conv {±e i ± e j : 1 i, j 3, i j} = conv {e 1 + e 2, e 1 e 2, e 1 + e 2, e 1 e 2, e 1 + e 3, e 1 e 3, e 1 + e 3, e 1 e 3, e 2 + e 3,
MehrSuche nach korrespondierenden Pixeln in zwei Bildern
Suche nach korrespondierenden Pixeln in zwei Bildern Seminar Algorithmen zur Erzeugung von Panoramabildern von Philip Mildner April 2008 Universität Mannheim Lehrstuhl Praktische Informatik IV Prof. Dr.
MehrProgrammierpraktikum WS 16/17
Programmierpraktikum in Rasterbildern Fakultät für Mathematik und Informatik Datenbanksysteme für neue Anwendungen FernUniversität in Hagen 8.Oktober 2016 c 2016 FernUniversität in Hagen Übersicht 1 Raster-
MehrSegmentierung. Seminar: Medizinische Visualisierung. Daniel Lange
Segmentierung Daniel Lange 06.05.2004 Seminar: Medizinische Visualisierung Segmentierung 2 Überblick Einführung / Begriffsdefinition Punktorientierte Verfahren Kanten-/Konturorientierte Verfahren Regionenorientierte
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
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)
MehrÜbungen zum Ferienkurs Analysis II
Übungen zum Ferienkurs Analysis II Differenzierbarkeit und Taylor-Entwicklung Übungen, die mit einem Stern markiert sind, werden als besonders wichtig erachtet.. Jacobi-Matrix Man bestimme die Jacobi-Matrix
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
MehrABC ABC. Affine Abbildungen. Definition und Anwendungsbeispiele. Prof. Dr. Andreas de Vries. Fachhochschule Südwestfalen, Standort Hagen
ABC ABC Affine Abbildungen Definition und Anwendungsbeispiele Prof. Dr. Andreas de Vries Fachhochschule Südwestfalen, Standort Hagen 22. März 2017 1 / 30 Übersicht 1 Einführung Motivation Mathematische
MehrTotale Ableitung und Jacobi-Matrix
Totale Ableitung und Jacobi-Matrix Eine reelle Funktion f : R n R m ist in einem Punkt x differenzierbar, wenn f (x + h) = f (x) + f (x)h + o( h ) für h 0. Totale Ableitung 1-1 Totale Ableitung und Jacobi-Matrix
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"
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrInverse Probleme und Maschinelles Lernen
Inverse Probleme und Maschinelles Lernen Simon Hawe 1 Inverse Probleme und Maschinelles Lernen Was sind Inverse Probleme? 2 Ursache/ Anregung Inverse Probleme Allgemein System/ Prozess Wirkung/ Messung
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
MehrBildregistrierung in der Medizin. Fethi KAYA - Yusuf ÖZBEK
Bildregistrierung in der Medizin Fethi KAYA - Yusuf ÖZBEK 30.05.2011 1 Inhalt 1. Einführung zur Registrierung 2. Registrierungsalgorithmen 3. Transformationen 4. Mutual Information 5. Demo 2 1- Registrierung
MehrWiederholungsklausur zur Analysis I
Wiederholungsklausur zur Analysis I Prof. Dr. C. Löh/M. Blank 5. Oktober 2011 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen Sie, ob Sie alle Seiten erhalten
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dr.-Ing. Markus Kowarschik Numerisches Programmieren,
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).
Mehr