Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren

Größe: px
Ab Seite anzeigen:

Download "Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren"

Transkript

1 Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht werden, folgende Objektarten voneinander abzugrenzen: Waldflächen Felder Wasserflächen (Seen bzw. Flußläufe) Straßen bzw. Wege vegetationslose Flächen PCA Problematik: wir haben 7 oder 8 Kanäle können aber immer nur 3 gleichzeitig darstellen Lösung: PCA - Principal Component Analyses Ziel: Reduzieren der Informationen von vielen Kanälen auf wenige Kanäle, damit die Informationen gleichzeitig darstellbar sind Wie geht das? Reduktion ist nur möglich wenn bereits Abhängigkeiten zwischen den einzelnen Kanälen bestehen. Wie sieht man das? Scatterplotts! Zeigen und erklären Was bedeuten Korrelationskoeffizienten mit Beträgen von mehr als 0.9? Welche spektralen Kanäle würden Sie unbedingt für eine Klassifikation verwenden und auf welche würden Sie gegebenenfalls verzichten? Durchführen PCA mit Tools Algorithm Library Image Prozessing Image Transformations PCA Analyse LOG-File List of Midpoint Values: Man hat die Möglichkeit die Richtung der HK vorzudefinieren, machen wir nicht Std Dev range: Man kann die Varianzen der Hauptkomponenten beeinflussen, weglassen Anschauen Scatterplott HK - Hauptkomponenten sind unkorelliert Interpretation des PCA-Logs: Für jeden Kanal Mittelwert und Standardabweichung Was sagt die Deviation aus: Die Werte streuen im Durchschnitt um den Wert X um den Mittelwert. In der Deviation ist auch das Bildrauschen enthalten, was bei allen Kanälen erst mal als gleich angenommen wird. Dementsprechend sind für uns natürlich Kanäle mit hoher STDABW interessanter, da bei diesen der Signalanteil höher ist. (Signal-Rausch-Verhältnis)

2 Kovarianzmatrix der Eingangskanäle: Gleicher Kanal auf gleicher Kanal entspricht 100% = Quadrat der Standardabweichung Kleine Werte = Korrelieren wenig, Große Werte korrelieren stark Tatsächliche Korelation z.b wischen 1 und 4, Wurzel(514,08) x Wurzel(1324,72) entspricht Korr. 100%, d.h. 100% = 825,239 also 438,75 = 53,17 % Variance gibt an wie viel Prozent der Gesamt Streuung man mit dem einen Kanal erklären kann, Spalten sind Kanäle, Zeilen sind Hauptkomponenten Linearkombination (Zusammensetzung der Hauptkomponenten): HK1 = *Ch *Ch *Ch *Ch *Ch *Ch *Ch7 Jetzt soll verglichen werden, ob die Informationen, die in optimierten Bandkombinationen sichtbar werden auch im PCA enthalten sind. Wasser, Geologie 457, Vegetation , 157 Mal die Logdaten anschauen

3 Decorrelation Stretch Falls die zu kombinierenden Kanäle zu stark korrelieren, sollte ein decorrelation stretch durchgeführt werden. Das ist eine Art Hauptkomponentenanalyse, deren Aufgabe es ist die HK zu finden und dann aus den errechneten HK eine Rücktransformation in die Original Kanäle durchzuführen. Es soll Rauschen entfernt werden, indem bei Rücktransformation der oder die höchsten Eigenchannels weggelassen werden, da in diesen das Rauschen steckt. Durchführen Decorrelation stretch mit Tools Algorithm Library Image Prozessing Enhancements Decorr Unüberwachte Klassifizierung Hinweis Sie benötigen den beim ersten Termin erstellten multispektralen Datensatz der Landsat ETM Aufnahme vom Juli 2001 (vgl. Termin 1, dort: Aufgabe 3). Da Sie diesen Datensatz verändern, legen Sie bitte unbedingt vorab eine Sicherungskopie an. Methodik Eine Klassifikation multispektraler Daten basiert auf dem Prinzip Pixel mit ähnlichen spektralen Werten reflektieren elektromagnetische Strahlung in vergleichbarer Weise, weshalb es sich um gleichartige Objekte handelt. Damit läßt sich die Fragestellung auf folgende zwei Aspekte zurückführen: Wie bestimme ich die Ähnlichkeit von Pixeln? Wann betrachte ich zwei Pixel als so ähnlich, daß ich sie einer gemeinsamen Klasse zuordne? Die erste Frage führt zum Konzept des spektralen Merkmalsraumes. Dies besagt: man betrachte die Grauwerte der einzelnen spektralen Kanäle als Koordinaten eines kartesischen Koordinatensystems. Dann ist die Position eines Pixel in diesem Merkmalsraum definiert durch seinen Grauwertvektor. Die Distanz (als Maß für das Verschiedensein ) zweier Pixel läßt sich dann bsw. als der euklidische Abstand ihrer beiden Vektoren berechnen. Zur Beantwortung der zweiten Frage dienen Verfahren der Clusteranalyse. Sie nutzen in dieser Übung das Verfahren K-Means. Ein Pixel wird dabei jener Klasse zugeordnet, zu deren Mittelpunkt es den geringsten euklidischen Abstand aufweist. (Alle weiteren Zusammenhänge sind Gegenstand der Vorlesung...) Spektraler Merkmalsraum Der multispektrale Datensatz umfaßt 6 spektrale Kanäle. Daraus ergibt sich ein 6-dimensionaler Merkmalsraum. Da so etwas schlecht darstellbar ist, betrachten Sie zunächst Projektionen in die Ebene (Scatterplots) von jeweils 2

4 spektralen Kanälen. Übung Geofernerkundung SoSe 2013 Hierfür nutzen Sie in Geomatica die Option Scatterplot (siehe Abbildung 1 links). Dort können Sie die Grauwertverteilung aus jeweils 2 Kanälen gegenüberstellen. Wählen Sie hierzu unter X axis bzw. Y axis jeweils einen Kanal aus und vergleichen Sie die Verteilungen im Plot. (Hinweis: Sie können das Erscheinungsbild über Graph Controls anpassen) Unüberwachte Klassifizierung, k-means Zur Druchführung dieses Klassifikationsverfahrens müssen Sie lediglich angeben, in wie viele Klassen Sie den Bildinhalt einteilen möchten und welche Werte die Klassenmittelpunkte bei der ersten Berechnung haben sollen (Startwerte). Da es sich um ein iteratives Verfahren handelt, benötigt der Rechner zusätzlich noch mind. ein Abbruchkriterium. Hierfür nutzen Sie den Min Threshold (sinnvoll sind hier Werte zwischen 0.1 und 0.01) sowie die maximale Anzahl Iterationen. Umsetzung in Geomatica Zunächst müssen Sie dem Datensatz einen weiteren Layer hinzufügen (vgl. Abbildung 1, rechts). Es reicht hierbei 1 Layer vom Typ 8-bit aus, verwenden Sie bitte keinesfalls 32 bit real. Wählen Sie dann Analysis Image Classification unsupervised Wählen Sie Ihren Datensatz aus und starten Sie eine neue Session. Im daraufhin erscheinenden Session Configurator können Sie jene spektralen Kanäle auswählen, die Sie zur Klassifikation nutzen wollen. Als Output Channel nutzen Sie bitte den neuen Kanal 7 (keinesfalls einen der 6 spektralen Kanäle!!). Weiter mit OK Im Dialog Unsupervised Classification definieren Sie die Parameter Ihrer Klassifikation. Wählen Sie hier als Algorithmus K-Means, geben Sie die gewünschte Anzahl Klassen (sinnvoll sind ca. 15 bis 20), die Maximale Anzahl Iterationen sowie den Min. Threshold an. Wählen Sie zusätzlich die Optionen Show report und Save signatures. Anschließend OK Max Class: Maximale Anzahl der Klassen Max Iteration: Maximale Anzahl der Wiederholungen der Optimierung Min Treshold: Grenzwert für die Maximale Änderung des Klassenschwerpunktes Max Samplesize: Maximale Klassengröße k-means: Minimum Distance Fuzzy k-means: Minimum Distance mit Pufferbereich Iso data: Mix von Minimum Distance und Maximum Likelyhood (Braucht eine Wahrscheinlichkeitsverteilung)

5 Hinweis: Den Report sollten Sie für spätere Auswertungen als *.txt file speichern. Führen Sie die unüberwachte Klassifizierung mit verschiedenen Klassenanzahlen und unterschiedlicher Auswahl an Kanälen durch. Vergleichen Sie Ihre Ergebnisse. Welche Anzahl Klassen erscheint Ihnen zweckmäßig? Welche spektralen Kanäle nutzen Sie? Vergleichen Sie dies mit Ihrer Antwort auf die verzichtbaren Kanäle im Abschnitt zum spektralen Merkmalsraum. Exportieren auch nach Vectordaten, ras2poly

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Statistische Verfahren für das Data Mining in einem Industrieprojekt

Statistische Verfahren für das Data Mining in einem Industrieprojekt Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de

Mehr

Anwendung von Geoinformatik: Entwicklung von Open Source Tools für die automatisierte Analyse von Geoinformationen

Anwendung von Geoinformatik: Entwicklung von Open Source Tools für die automatisierte Analyse von Geoinformationen Anwendung von Geoinformatik: Entwicklung von Open Source Tools für die automatisierte Analyse von Geoinformationen Abschlussprojekt: Klassifizierung von High Definition Panoramabildern Bearbeitung: Johannes

Mehr

Erster Schritt mit Mocha:

Erster Schritt mit Mocha: Was ist Mocha for After Effects CS4? Mocha ist ein Advanced Tracking System das im Gegensatz zu After Effects nicht auf Pixeln und Kontrastkanten basiert, sondern auf Formen die unter Mustererkennung im

Mehr

Workshop Aktuelle Entwicklungen bei der Auswertung von Fernerkundungsdaten für forstliche Aufgabenstellungen

Workshop Aktuelle Entwicklungen bei der Auswertung von Fernerkundungsdaten für forstliche Aufgabenstellungen Workshop Aktuelle Entwicklungen bei der Auswertung von Fernerkundungsdaten für forstliche Aufgabenstellungen Schätzung von Holzvorräten und Baumartenanteilen mittels Wahrscheinlichkeitsmodellen Haruth

Mehr

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder

Mehr

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table(c:\\compaufg\\kredit. Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit

Mehr

Vorbereitungsaufgaben

Vorbereitungsaufgaben Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining. Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später

Mehr

Clustern. Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so dass:

Clustern. Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so dass: Text-Clustern 1 Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so dass: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen

Mehr

Einfache statistische Auswertungen mit dem TI-Nspire

Einfache statistische Auswertungen mit dem TI-Nspire 1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,

Mehr

Update Information. Independence Pro Software Suite 3.0 & Sound Libraries

Update Information. Independence Pro Software Suite 3.0 & Sound Libraries Update Information Independence Pro Software Suite 3.0 & Sound Libraries 2 Yellow Tools Update Information Lieber Kunde, vielen Dank, dass Du Dich für eines unserer Produkte entschieden hast! Falls Du

Mehr

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 6 Endliche Kameras Die Lochkamera Die Projektive Kamera Die projektive Kamera Spalten von P Zeilen von P Hauptpunkt und Hauptachse

Mehr

Clusteranalyse. Clusteranalyse. Fragestellung und Aufgaben. Abgrenzung Clusteranalyse - Diskriminanzanalyse. Rohdatenmatrix und Distanzmatrix

Clusteranalyse. Clusteranalyse. Fragestellung und Aufgaben. Abgrenzung Clusteranalyse - Diskriminanzanalyse. Rohdatenmatrix und Distanzmatrix TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden II SS 00 Fragestellung und Aufgaben Abgrenzung

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

Mehr

Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen

Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen 7. Clusteranalyse (= Häufungsanalyse; Clustering-Verfahren) wird der multivariaten Statistik zugeordnet Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut,

Mehr

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

Mehr

Dynamisch unterrichten mit Excel

Dynamisch unterrichten mit Excel Reimund Albers Dynamisch unterrichten mit Excel Erstellen von Schiebereglern 1 Dynamisch unterrichten mit Excel oder: Wie erstelle ich einen Schieberegler in Excel? Beispiel: Demonstration der Abhängigkeit

Mehr

Lehrveranstaltung Fernerkundung. Digitale Bilder. Mod. 2 p. 1. Typische Schritte in einem Fernerkundungsprojekt. Vorlesungs- und Übungsplan SS 2010

Lehrveranstaltung Fernerkundung. Digitale Bilder. Mod. 2 p. 1. Typische Schritte in einem Fernerkundungsprojekt. Vorlesungs- und Übungsplan SS 2010 Lehrveranstaltung Fernerkundung Vorlesungs- und Übungsplan 07.04.10 Einführung, Strahlung, Sensoren 14.04.10 Digitale Bilder, Bildstatistik& Kontraststreckung 21.04.10 Bild Verbesserung & Indexe 28.05.10

Mehr

Public-Key-Algorithmen WS2015/2016

Public-Key-Algorithmen WS2015/2016 Public-Key-Algorithmen WS2015/2016 Lernkontrollfragen Michael Braun Was bedeuten die kryptographischen Schutzziele Vertraulichkeit, Integrität, Nachrichtenauthentizität, Teilnehmerauthentizität, Verbindlichkeit?

Mehr

SEMINAR AUTOMATISCHE GESICHTSERKENNUNG

SEMINAR AUTOMATISCHE GESICHTSERKENNUNG SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Lösung zu Kapitel 11: Beispiel 1

Lösung zu Kapitel 11: Beispiel 1 Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten

Mehr

Einführung in QtiPlot

Einführung in QtiPlot HUWagner und Julia Bek Einführung in QtiPlot 30. Juni 2011 1/13 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Inhaltsverzeichnis 1 Programmeinführung

Mehr

Origin Tutorial. 1. Einleitung : 2.Importieren von Dateien in Origin :

Origin Tutorial. 1. Einleitung : 2.Importieren von Dateien in Origin : Origin Tutorial 1. Einleitung : Dieses Tutorial soll Einsteigern das Importieren und Plotten von Daten in Origin erklären. Außerdem werden Möglichkeiten zur Durchführung linearer Anpassungen, polynomieller

Mehr

QuickStart. «/ Scores» Kurzanleitung

QuickStart. «/ Scores» Kurzanleitung QuickStart «/ Scores» Kurzanleitung 1. Anwendungsfelder Mit Scores bietet Ihnen onlineumfragen.com eine geniale, exklusive Funktion zur vierfältigen, multivariaten Summierung von antwortabhängigen Punktzahlen.

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Polaroid DMC an DISKUS

Polaroid DMC an DISKUS Carl H. Hilgers Technisches Büro Hauptstraße 82 53693 Königswinter Tel.: 022 23-222 68 Fax: 022 23-275 94 E-Mail: hilgers@hilgers.com Polaroid DMC an DISKUS Die digitale Kamera von Polaroid hat einen SCSI-2

Mehr

Übungen zur Vorlesung Grundlagen der Bilderzeugung und Bildanalyse (Mustererkennung) WS 04/05. Musterlösung 9

Übungen zur Vorlesung Grundlagen der Bilderzeugung und Bildanalyse (Mustererkennung) WS 04/05. Musterlösung 9 ALBERT-LUDWIGS-UNIVERSITÄT FREIBURG INSTITUT FÜR INFORMATIK Lehrstuhl für Mustererkennung und Bildverarbeitung Prof. Dr.-Ing. Hans Burkhardt Georges-Köhler-Allee Geb. 52, Zi -29 D-79 Freiburg Tel. 76-23

Mehr

Kompakte Graphmodelle handgezeichneter Bilder. Einbeziehung in Autentizierung und Bilderkennung

Kompakte Graphmodelle handgezeichneter Bilder. Einbeziehung in Autentizierung und Bilderkennung Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Autentizierung und Bilderkennung Inhaltsverzeichnis 1 Einleitung Das graphische Model.1 Image Thinning................................. 3.

Mehr

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II Eine Einführung in R: Hochdimensionale Daten: n

Mehr

Einführung in QtiPlot

Einführung in QtiPlot HUWagner und Julia Bek Einführung in QtiPlot 1/11 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Bei Fragen und Fehlern: jubech@cup.lmu.de Inhaltsverzeichnis

Mehr

Geometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen

Geometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:

Mehr

Kompakte Graphmodelle handgezeichneter Bilder

Kompakte Graphmodelle handgezeichneter Bilder Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Authentizierung und Bilderkennung Inhaltsverzeichnis Seminar Mustererkennung WS 006/07 Autor: Stefan Lohs 1 Einleitung 1 Das graphische Modell.1

Mehr

Auswertung und Darstellung wissenschaftlicher Daten (1)

Auswertung und Darstellung wissenschaftlicher Daten (1) Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea

Mehr

6.2 Scan-Konvertierung (Scan Conversion)

6.2 Scan-Konvertierung (Scan Conversion) 6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster

Mehr

Teil 2: Ablauf der Analyse festlegen

Teil 2: Ablauf der Analyse festlegen Teil 2: Ablauf der Analyse festlegen 1. Klicken Sie in der Button-Leiste auf den Button Auto, um eine automatisierte Analyse mit einem automatischen Probengeber (Autosampler) zu starten. 2. Überprüfen

Mehr

Auswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro

Auswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen

Mehr

Segmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern

Segmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für

Mehr

3 Fernerkundungsdaten

3 Fernerkundungsdaten Fernerkundungsdaten 31 3 Fernerkundungsdaten Im Rahmen der Arbeit konnten sowohl Daten der Satellitenebene als auch flugzeuggetragenen hyperspektrale Sensoren untersucht werden. Eine Übersicht über grundlegende

Mehr

Linearer Zusammenhang von Datenreihen

Linearer Zusammenhang von Datenreihen Linearer Zusammenhang von Datenreihen Vielen Problemen liegen (möglicherweise) lineare Zusammenhänge zugrunde: Mein Internetanbieter verlangt eine Grundgebühr und rechnet minutenweise ab Ich bestelle ein

Mehr

Einfache statistische Auswertungen mit dem Programm SPSS

Einfache statistische Auswertungen mit dem Programm SPSS Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...

Mehr

Datenauswertung mit Hilfe von Pivot-Tabellen in Excel

Datenauswertung mit Hilfe von Pivot-Tabellen in Excel Datenauswertung mit Hilfe von Pivot-Tabellen in Excel Begleitendes Manual zu den Workshops zur Datenerfassung und verarbeitung im Juni / Juli 2004 Datenauswertung mit Hilfe von Pivot-Tabellen in Excel...3

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

1 Ein Beispiel: Das Berechnen eines Schulzeugnisses

1 Ein Beispiel: Das Berechnen eines Schulzeugnisses Funktionen in Excel 1 Ein Beispiel: Das Berechnen eines Schulzeugnisses Jim hat die folgenden Noten im 1. Trimester: Fach Prüfung 1 Prüfung 2 Prüfung 3 Englisch 35 38 43 Deutsch 44 42 48 Französisch 28

Mehr

Handbuch B4000+ Preset Manager

Handbuch B4000+ Preset Manager Handbuch B4000+ Preset Manager B4000+ authentic organ modeller Version 0.6 FERROFISH advanced audio applications Einleitung Mit der Software B4000+ Preset Manager können Sie Ihre in der B4000+ erstellten

Mehr

3.4 Histogramm, WENN-Funktion

3.4 Histogramm, WENN-Funktion 3.4 Histogramm, WENN-Funktion 3.4.1 Aufgabe Ausgehend von den Lösungen der zum Aufgabenkomplex 3.3, Absenkung (s. S. 106), aufgestellten Tabellen sollen weitere Elemente der MS-Excel-Programmierung genutzt

Mehr

1 Lieferantenbewertung

1 Lieferantenbewertung 1 Lieferantenbewertung Mit Hilfe der Lieferantenbewertung können alle aktiven Lieferanten nach ISO Kriterien bewertet werden. Die zur Bewertung hinterlegten Faktoren können individuell vorgegeben werden.

Mehr

Darstellung der Rotation 2,85 / 0,08 1 / 3,5 3,62 / 0,40. α = 67,76 -1 / -1 -2,08 / 0,23-1,30 / 0,55

Darstellung der Rotation 2,85 / 0,08 1 / 3,5 3,62 / 0,40. α = 67,76 -1 / -1 -2,08 / 0,23-1,30 / 0,55 Darstellung der Rotation 2,85 /,8 1 / 3,5 3,62 /,4 α = 67,76-1 / -1-2,8 /,23-1,3 /,55 Material für die Übungen zur Hauptkomponenten- und Faktoranalyse Principal Components Analysis Analysis Summary Data

Mehr

Mai$ Handbuch - Publisher Tool 1

Mai$ Handbuch - Publisher Tool 1 Mai$ 15 16 Handbuch - Publisher Tool 1 Inhalt 1. Wilkommen... 3 1.1 Anmelden... 3 1.2 Dashboard... 4 2. Bücher... 5 2.1 Bücher hinzufügen... 5 2.2 Buchinformation bearbeiten... 7 3. Anreicherungen... 9

Mehr

Lineare Modelle in R: Einweg-Varianzanalyse

Lineare Modelle in R: Einweg-Varianzanalyse Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der

Mehr

Auswertung Bereitschaftsdienste mit Time-Intelligence Solutions

Auswertung Bereitschaftsdienste mit Time-Intelligence Solutions Auswertung Bereitschaftsdienste mit Time-Intelligence Solutions www.ximes.com - Seite 1 Hintergrund und Ergebnisse Thema Ziel Ergebnisse Weitere Möglichkeiten Beschreibung Es sollen Bereitschaftsdienste

Mehr

Der naldo-offline-handyfahrplan

Der naldo-offline-handyfahrplan Der naldo-offline-handyfahrplan Erste Schritte mit dem neuen naldo-offline-handyfahrplan Bedienungsanleitung Inhaltsverzeichnis: 1. Erster Programmstart 2. Die Programmbedienung 3. Favoriten 4. Meine Fahrten

Mehr

Die Erstellung eigener Strukturprofile

Die Erstellung eigener Strukturprofile Die Erstellung eigener Strukturprofile Manchmal ist es nötig, eigene Profile zu Erstellen, die man dann mittels Gestellgenerator verbaut. Diese Strukturprofile werden in einer Benutzerbezogenen Bibliothek

Mehr

TRANSMETRA. Datenerfassungs-Software für GSV2, 3-Messverstärker Datacapture-Software für GSV2, 3-Instruments. GSV Multi RS, USB.

TRANSMETRA. Datenerfassungs-Software für GSV2, 3-Messverstärker Datacapture-Software für GSV2, 3-Instruments. GSV Multi RS, USB. Beschreibung Die Software GSVMulti eignet sich zur Aufzeichnung von Messdaten mit GSV-2 und GSV-3 Messverstärkern. Es können bis zu 128 Kanäle verarbeitet werden. Die Messwerte werden grafisch dargestellt.

Mehr

Stay here to be there!

Stay here to be there! Datenbankintegration mit pcvisit ProfiSupport Mit pcvisit ProfiSupport ist es Ihnen möglich, Ihre Datenbanksysteme (z.b. das Ticketsystem mit Supportfällen oder Ihre CRM-Datenbank) mit den Daten aus der

Mehr

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe

Mehr

Erstellen von Vector-Icons mit MicroStation V8i

Erstellen von Vector-Icons mit MicroStation V8i Erstellen von Vector-Icons mit MicroStation V8i Wie wir in unseren Administratoren-Schulungen immer wieder feststellen konnten, ist für viele Unternehmen das Erstellen einer benutzerspezifisch eingerichteten

Mehr

Modul GIS und CAD Teilmodul GIS

Modul GIS und CAD Teilmodul GIS Habitateigungsanalyse I (ModelBuilder) Version 10, English Autor: Msc. Tutorial-Version: 2012 Hochschule Anhalt Bachelor Naturschutz und Landschaftsplanung 5. Semester 4. Habitateignungsmodelle (1. Teil)

Mehr

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Ideen der Informatik Maschinelles Lernen Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung

Mehr

Im Original veränderbare Word-Dateien

Im Original veränderbare Word-Dateien Computergrafik Bilder, Grafiken, Zeichnungen etc., die mithilfe von Computern hergestellt oder bearbeitet werden, bezeichnet man allgemein als Computergrafiken. Früher wurde streng zwischen Computergrafik

Mehr

Weka: Software-Suite mit Maschineller Lernsoftware

Weka: Software-Suite mit Maschineller Lernsoftware : Software-Suite mit Maschineller Lernsoftware Computational Linguistics Universität des Saarlandes Sommersemester 2011 21.04.2011 Erste Schritte Waikato Environment for Knowledge Analysis entwickelt von

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3 I Einführung in STATISTICA 1 1 Erste Schritte in STATISTICA 3 2 Datenhaltung in STATISTICA 11 2.1 Die unterschiedlichen Dateitypen in STATISTICA....... 11 2.2 Import von Daten......... 12 2.3 Export von

Mehr

28 Bautagebuch Bautagebuch... 1 28.1 Vorbemerkungen... 2 28.2 Erfassen eines Bautagebuches... 4 28.3 Abrechnung erstellen... 9

28 Bautagebuch Bautagebuch... 1 28.1 Vorbemerkungen... 2 28.2 Erfassen eines Bautagebuches... 4 28.3 Abrechnung erstellen... 9 28 Bautagebuch 28 Bautagebuch... 1 28.1 Vorbemerkungen... 2 28.1.1 Allgemein... 2 28.1.2 Starten des Programms... 2 28.2 Erfassen eines Bautagebuches... 4 28.3 Abrechnung erstellen... 9 28.3.1 Vorbemerkungen...

Mehr

Faktura. IT.S FAIR Faktura. Handbuch. Dauner Str.12, D-41236 Mönchengladbach, Hotline: 0900/1 296 607 (1,30 /Min)

Faktura. IT.S FAIR Faktura. Handbuch. Dauner Str.12, D-41236 Mönchengladbach, Hotline: 0900/1 296 607 (1,30 /Min) IT.S FAIR Faktura Handbuch Dauner Str.12, D-41236 Mönchengladbach, Hotline: 0900/1 296 607 (1,30 /Min) 1. Inhalt 1. Inhalt... 2 2. Wie lege ich einen Kontakt an?... 3 3. Wie erstelle ich eine Aktion für

Mehr

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei

Mehr

GeODin Newsletter: Januar 2012

GeODin Newsletter: Januar 2012 Beyond Geology 25: Ein neues Eingabegitter macht die Datenerfassung- und pflege mit den Proben-, Ausbau- und Sondierungseditoren viel übersichtlicher. Außerdem ein wichtiger Update-Hinweis! Eingabegitter

Mehr

Statische Versuchsplanung (DoE - Design of Experiments)

Statische Versuchsplanung (DoE - Design of Experiments) Statische Versuchsplanung (DoE - Design of Experiments) Übersicht Bei der statistischen Versuchsplanung wird die Wirkung von Steuerparametern unter dem Einfluss von Störparametern untersucht. Mit Hilfe

Mehr

Fotos für DVF Wettbewerbe umrechnen

Fotos für DVF Wettbewerbe umrechnen Fotos für DVF Wettbewerbe umrechnen Aufgrund vieler Nachfragen wie ein digitales Foto für einen DVF Wettbewerb richtig vorbereitet wird, möchten wir Ihnen eine kurze Anleitung geben, wie dies am schnellsten

Mehr

8. Clusterbildung, Klassifikation und Mustererkennung

8. Clusterbildung, Klassifikation und Mustererkennung 8. Clusterbildung, Klassifikation und Mustererkennung Begriffsklärung (nach Voss & Süße 1991): Objekt: wird in diesem Kapitel mit einem zugeordneten Merkmalstupel (x 1,..., x M ) identifiziert (Merkmalsextraktion

Mehr

Preisaktualisierungen via BC Pro-Catalogue

Preisaktualisierungen via BC Pro-Catalogue Preisaktualisierungen via BC Pro-Catalogue 1. Allgemein Seite 1 2. Anwendungsfall : Lieferant mit im System bereits vorhandenen Katalog Seite 2-3 3. Anwendungsfall : Neuer Lieferant Seite 4-8 1. Allgemein

Mehr

PADS 3.0 Viewer - Konfigurationen

PADS 3.0 Viewer - Konfigurationen PADS 3.0 Viewer - Konfigurationen Net Display Systems (Deutschland) GmbH - Am Neuenhof 4-40629 Düsseldorf Telefon: +49 211 9293915 - Telefax: +49 211 9293916 www.fids.de - email: info@fids.de Übersicht

Mehr

Bildbearbeitungstechniken Lehrerinformation

Bildbearbeitungstechniken Lehrerinformation Lehrerinformation 1/9 Arbeitsauftrag Ziel Zwanzig klassische Elemente der Bildbearbeitung werden vorgestellt. Die Sch arbeiten in Zweierteams und erarbeiten sich das Wissen zu je 1 2. Sie bearbeiten Bildausschnitte,

Mehr

Rekonstruktion 3D-Datensätze

Rekonstruktion 3D-Datensätze Rekonstruktion 3D-Datensätze Messung von 2D Projektionsdaten von einer 3D Aktivitätsverteilung Bekannt sind: räumliche Anordnung der Detektoren/Projektionsflächen ->Ziel: Bestimmung der 3D-Aktivitätsverteilung

Mehr

Datenerfassung Datenlogger DL2e Kurzanleitung zu LS2Win

Datenerfassung Datenlogger DL2e Kurzanleitung zu LS2Win Systemvoraussetzungen: Installation der Software New DL2e Control Panel MyLogger DL2ProgramEditor DTImWiz Daten auslesen mit LS2Win alls das nicht möglich ist, suchen Sie im Verzeichnis c:\programme\delta-t\ls2win

Mehr

Verbinden von IBM Informix mit Openoffice mittels JDBC

Verbinden von IBM Informix mit Openoffice mittels JDBC Verbinden von IBM Informix mit Openoffice mittels JDBC Voraussetzungen Installierte und laufende IBM Informixdatenbank. Getestet wurde mit IDS 9.40 und 10.00. Sollte aber auch mit älteren Versionen funktionieren.

Mehr

2 Darstellung von Zahlen und Zeichen

2 Darstellung von Zahlen und Zeichen 2.1 Analoge und digitale Darstellung von Werten 79 2 Darstellung von Zahlen und Zeichen Computer- bzw. Prozessorsysteme führen Transformationen durch, die Eingaben X auf Ausgaben Y abbilden, d.h. Y = f

Mehr

Anhang B (informativ) Beispiel für die Spezifikation eines Klassifizierungsprojektes optischer Fernerkundungsdaten

Anhang B (informativ) Beispiel für die Spezifikation eines Klassifizierungsprojektes optischer Fernerkundungsdaten Anhang B (informativ) Beispiel für die Spezifikation eines Klassifizierungsprojektes optischer Fernerkundungsdaten Formblatt nach DIN 18740-5 für die Anforderungen an die Klassifizierung optischer Fernerkundungsdaten

Mehr

Tipps & Tricks im CRM

Tipps & Tricks im CRM Tipps & Tricks im CRM 1. Mehrere Datensätze gleichzeitig bearbeiten S. 2 2. Änderung der Spaltenreihenfolge S. 3 3. Auto-Vervollständigung S. 3 4. Katalogwert wählen, ohne Katalog zu öffnen S. 4 5. Tastenkombination

Mehr

Anleitung zur Implementierung der KML sowie Excel Daten in ArcGis

Anleitung zur Implementierung der KML sowie Excel Daten in ArcGis Anleitung zur Implementierung der KML sowie Excel Daten in ArcGis 1. Zunächst ist es zwingend notwendig ArcGis in der Version 9.3 mit allen Extensions zu installieren! 2. Jetzt müssen alle gesammelten

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Dossier: Rechnungen und Lieferscheine in Word

Dossier: Rechnungen und Lieferscheine in Word www.sekretaerinnen-service.de Dossier: Rechnungen und Lieferscheine in Word Es muss nicht immer Excel sein Wenn Sie eine Vorlage für eine Rechnung oder einen Lieferschein erstellen möchten, brauchen Sie

Mehr

Funktion «Formulare» in educanet²

Funktion «Formulare» in educanet² Funktion «Formulare» in educanet² Schulen und Bildungsinstitutionen haben vielfältige Ansprüche daran, Meinungen einzuholen, Umfragen durchzuführen oder Anmeldungen zu regeln. Mit der Funktion Formulare

Mehr

Anleitung zur Pflege der Homepage über den Raiffeisen-Homepage-Manager

Anleitung zur Pflege der Homepage über den Raiffeisen-Homepage-Manager Anleitung zur Pflege der Homepage über den Raiffeisen-Homepage-Manager Homepage-Manager Navigation Home Der Homepage-Manager bietet die Möglichkeit im Startmenü unter dem Punkt Home einfach und schnell

Mehr

NÜTZLICHE TIPPS FÜR OPTIMALE SCANS

NÜTZLICHE TIPPS FÜR OPTIMALE SCANS Bedingungen, um gute Scans zu erhalten Die Faktoren, von denen das Ergebnis eines Scans abhängt, sind einerseits die Umgebung sowie die Konfiguration und Kalibrierung des Scanners, aber auch das zu scannende

Mehr

Parallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr

Parallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr Aufgabe 8.1: Zeigerverdopplung Ermitteln Sie an folgendem Beispiel den Rang für jedes Listenelement sequentiell und mit dem in der Vorlesung vorgestellten parallelen

Mehr

Copyright. Rechtliche Vereinbarungen. Einschränkung der Gewährleistung. Impressum

Copyright. Rechtliche Vereinbarungen. Einschränkung der Gewährleistung. Impressum PTVDI MATOOL HANDBUCH Copyright September 2013 PTV AG, D Alle Markenzeichen- oder Produktnamen in dieser Dokumentation sind Warenzeichen oder eingetragene Warenzeichen der jeweiligen Firmen oder Organisationen.

Mehr

Wasserfall-Ansätze zur Bildsegmentierung

Wasserfall-Ansätze zur Bildsegmentierung Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz

Mehr

Praktikum Sensitometrie

Praktikum Sensitometrie 0 Praktikum Sensitometrie Bestimmung des Dichteumfanges eines Scanners Name: Name: Matr.: Nr.: Matr.: Nr.: Datum: Prof. Dr. C. Blendl Stand: Februar 2005 1 1 Einleitung Es soll der Dichteumfang eines Scanners

Mehr

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3

Mehr

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch 1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt

Mehr

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),

Mehr

Vorlesung Text und Data Mining S9 Text Clustering. Hans Hermann Weber Univ. Erlangen, Informatik

Vorlesung Text und Data Mining S9 Text Clustering. Hans Hermann Weber Univ. Erlangen, Informatik Vorlesung Text und Data Mining S9 Text Clustering Hans Hermann Weber Univ. Erlangen, Informatik Document Clustering Überblick 1 Es gibt (sehr viele) verschiedene Verfahren für das Bilden von Gruppen Bei

Mehr

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam. Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging

Mehr

Microsoft Office 2010

Microsoft Office 2010 Microsoft Office 2010 Office-Anpassungstool Author(s): Paolo Sferrazzo Version: 1.0 Erstellt am: 15.06.12 Letzte Änderung: - 1 / 12 Hinweis: Copyright 2006,. Alle Rechte vorbehalten. Der Inhalt dieses

Mehr