Morphologische Bildverarbeitung II
|
|
- Ferdinand Winter
- vor 7 Jahren
- Abrufe
Transkript
1 FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER AUTOR: BARBARA PANZER SS
2 Inhalt Grundlagen: Bilder Begriff der Morphologischen Transformation Lineare Distanztransformation Lineare Distanztransformation entlang von Parallelen der Koordinatenachsen Lineare Distanztransformation entlang von beliebigen Geraden Grundlagen: Erosion Sehnenlängenverteilung Star Volume Exakte Definition Schätzer für das Star Volume Sehnenlängentransformation Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS
3 Grundlagen: Bilder () Bilder sind Funktionen, die meist über einem rechteckigen Rahmen, dem sog. Definitionsbereich D (D ½ Z n ) definiert werden: Hier ausschließlich Verwendung von D-Bildern Der Definitionsbereich ist eine Ebene Binärbild: Wertebereich: W = {,} Definition Binärbild f: Pixel gehört zum Objekt Wert Darstellung: Pixel gehört zum Hintergrund Wert Darstellung: Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS
4 Grundlagen: Bilder () Grauwertbild: Wertebereich: endliche Menge nichtnegativer ganzer Zahlen Definition: Grauwertbild f Bei einem Bild mit n Bit codierten Pixeln gilt: t max = n - Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 4
5 Morphologische Transformationen Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 5
6 Morphologische Transformationen Mathematische Morphologie Entwickelt von J. Serra in Zusammenarbeit mit G. Matheron an der Ecole des Mines in Paris ab 965 Bilder werden als Mengen von Pixeln bzw. Pixelkoordinaten betrachtet Proben der Bilder mit strukturierenden Elementen, um bestimmte Merkmale in Bildern hervorzuheben oder zu entfernen Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 5
7 Morphologische Transformationen Mathematische Morphologie Entwickelt von J. Serra in Zusammenarbeit mit G. Matheron an der Ecole des Mines in Paris ab 965 Bilder werden als Mengen von Pixeln bzw. Pixelkoordinaten betrachtet Proben der Bilder mit strukturierenden Elementen, um bestimmte Merkmale in Bildern hervorzuheben oder zu entfernen Morphologische Transformationen sind Bild-zu-Bild-Transformationen Bild-zu-Bild-Transformation: Das transformierte Bild und das Originalbild besitzen denselben Definitionsbereich Das transformierte Bild ist immer noch eine Abbildung in die Menge nichtnegativer ganzer Zahlen Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 5
8 Lineare Distanztransformation () Die DistanztransformationDangewendet auf ein Binärbild f, verbindet jedes Pixel p des Definitionsbereichs D f von f mit der Distanz zum nächsten Hintergrund-Pixel. Bei der linearen Distanztransformation lässt sich d hierbei besonders einfach berechnen, denn es wird nur der Abstand zum nächsten nullwertigen Pixel entlang einer Gerade durch das Bild berücksichtigt. z.b. Gerade parallel zur x-achse Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 6
9 Barbara Panzer SS 7 Lineare Distanztransformation () Problem: Distanztransformation am Bildrand es fehlt die lokale Information für die Pixel außerhalb des Bildes Konsistente Lösung: Pixel außerhalb des Bildes werden als Hintergrund angesehen?
10 Lineare Distanztransformation () Algorithmus zur Berechnung der linearen Distanztransformation (nach Rosenfeld u. Pfaltz 966) Benötigt eine sequentielle Vorwärts- und eine sequentielle Rückwärts-Bildabtastung Rückwärtsnachbarn N - G werden beim Vorwärtsabtasten und Vorwärtsnachbarn N + G beim Rückwärtsabtasten berücksichtigt. Rückwärtsnachbar bei der linearen Distanztransformation: Bereits bearbeiteter Vorgänger entlang der betrachteten Gerade bei der Vorwärtsabtastung Vorwärtsnachbar: Bereits bearbeiteter Nachfolger entlang der betrachteten Gerade bei Rückwärtsabtastung aktuelles Pixel Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 8
11 Lineare Distanztransformation () Algorithmus zur Berechnung der linearen Distanztransformation (nach Rosenfeld u. Pfaltz 966) Benötigt eine sequentielle Vorwärts- und eine sequentielle Rückwärts-Bildabtastung Rückwärtsnachbarn N - G werden beim Vorwärtsabtasten und Vorwärtsnachbarn N + G beim Rückwärtsabtasten berücksichtigt. Rückwärtsnachbar bei der linearen Distanztransformation: Bereits bearbeiteter Vorgänger entlang der betrachteten Gerade bei der Vorwärtsabtastung Vorwärtsnachbar: Bereits bearbeiteter Nachfolger entlang der betrachteten Gerade bei Rückwärtsabtastung aktuelles Pixel Rückwärtsnachbar N - G Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 8
12 Lineare Distanztransformation () Algorithmus zur Berechnung der linearen Distanztransformation (nach Rosenfeld u. Pfaltz 966) Benötigt eine sequentielle Vorwärts- und eine sequentielle Rückwärts-Bildabtastung Rückwärtsnachbarn N - G werden beim Vorwärtsabtasten und Vorwärtsnachbarn N + G beim Rückwärtsabtasten berücksichtigt. Rückwärtsnachbar bei der linearen Distanztransformation: Bereits bearbeiteter Vorgänger entlang der betrachteten Gerade bei der Vorwärtsabtastung Vorwärtsnachbar: Bereits bearbeiteter Nachfolger entlang der betrachteten Gerade bei Rückwärtsabtastung aktuelles Pixel Rückwärtsnachbar N - G Vorwärtsnachbar N + G Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 8
13 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild
14 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
15 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
16 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
17 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
18 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
19 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
20 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
21 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
22 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
23 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
24 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
25 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
26 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
27 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
28 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
29 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten
30 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
31 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
32 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
33 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
34 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
35 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
36 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
37 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
38 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
39 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
40 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
41 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten
42 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten Ergebnis (Grauwertbild)
43 Barbara Panzer SS 9 Lineare Distanztransformation (4) Algorithmus:. Für alle Parallelen h i der Geraden g, die sich im Bild befinden: Vorwärtsabtasten aller Pixel p D f entlang der Geraden h i. Für alle Parallelenp i der Geraden g, die sich im Bild befinden: Rückwärtsabtasten aller Pixel p D f entlang der Geraden h i ursprüngliches Bild Vorwärtsabtasten Rückwärtsabtasten Ergebnis (Grauwertbild)
44 Lineare Distanztransformation (5) Transformation entlang einer beliebigen Gerade Problem: Wie kann man eine Gerade mit beliebiger Steigung diskretisieren? Mögliche Lösung (nach Bresenham 977): Auswahl der Pixel durch Distanzkriterium Fiktive vertikale Linien durch die Pixelmittelpunkte ziehen Für jede vertikale Linie gehört das Pixel entlang der kontinuierlichen Linie, dessen Mittelpunkt der vertikalen Linie am nächsten liegt, zu der entsprechenden diskreten Linie. Bei Geraden mit Steigung m > werden die Abstände zu den horizontalen Linien berücksichtigt. Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS
45 Lineare Distanztransformation (6) Achtung: Die Winkelauflösung eines diskreten Liniensegmentes ist von der Länge des Segments abhängig. In einem quadratischen Gitter gibt es nur k- mögliche Richtungen für ein Liniensegment, das eine ungerade Anzahl von k Pixeln enthält. Beispiel: 8 mögliche Orientierungen für k=5 Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS
46 Lineare Distanztransformation (7) Vorgehen bei linearer Distanztransformation entlang einer beliebigen Linie: (analog zu Erosion mit linienförmigen strukturierenden Elementen nach Breen & Soille (99) und Soille et al. (996)) Linie diskretisieren Je nach Steigung der diskreten Linie wird diese von einer geeigneten Bildecke aus gezeichnet. m: Steigung der Linie Auf diese Weise kann man durch Verschiebung der Linie in einer Richtung alle Bildpunkte abdecken, ohne dass Überlappungen entstehen. Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS
47 Lineare Distanztransformation (8) Erweiterter Algorithmus für Linien mit beliebiger Richtung:. Zu Beginn des Algorithmus wird die Linie von der passenden Ecke aus gezeichnet. Anwendung der Transformation entlang der Linie. Verschiebung der Linie um ein Pixel in der geeigneten Richtung 4. Weiter bei. Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS
48 Lineare Distanztransformation (9) Anzahl der von der Distanztransformation betroffenen Pixel auf der Linie: steigend steigend konstant fallend steigend und fallend fallend (a) Es gibt eine vollständige Überdeckung der Linie mit dem Bild (b) Es gibt keine vollständige Überdeckung der Linie mit dem Bild Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 4
49 Grundlagen: Erosion () Erosion mit einem linearen strukturierenden Element (SE): Ein SE ist eine kleine Menge, die zum Proben eines zu untersuchenden Bildes verwendet wird. Frage bei der Erosion an jedem Punkt des Bildes: Passt das SE, wenn sein Bezugspunkt das aktuelle Pixel ist, vollständig in die Menge? Erodierte Menge: Alle Punkte, an denen diese Frage mit JA beantwortet werden kann B X Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 5
50 Grundlagen: Erosion () Die Erosion einer Menge X durch ein strukturierendes Element B wird mit ε B (X) bezeichnet Intuitiv: Menge aller Pixel x, so dass B vollständig in X enthalten ist, wenn sich sein Bezugspunkt am Pixel x befindet. Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 6
51 Sehnenlängenverteilung () Gegeben: ein linearer Schnitt Φ:=Ξ Åe ω durch eine Mikrostruktur Ξ, wobei e ω eine Linie mit Richtung ω ist. Dieser lineare Schnitt bildet nun ein System von Sehnen. Ein Liniensegment s r,ω =[o,(r,ω)] der Länge r als SE, das eine Untermenge der Testlinie e ω ist, also s r,ω ½e ω. Φ ªs r,ω stellt das System von Sehnen dar, aber erodiert um das lineare strukturierende Element s r,ω Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 7
52 Sehnenlängenverteilung () Gegeben: ein linearer Schnitt Φ:=Ξ Åe ω durch eine Mikrostruktur Ξ, wobei e ω eine Linie mit Richtung ω ist. Dieser lineare Schnitt bildet nun ein System von Sehnen. Ein Liniensegment s r,ω =[o,(r,ω)] der Länge r als SE, das eine Untermenge der Testlinie e ω ist, also s r,ω ½e ω. Φ ªs r,ω stellt das System von Sehnen dar, aber erodiert um das lineare strukturierende Element s r,ω verwendetes linienförmiges SE (vergrößert) Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 7
53 Sehnenlängenverteilung () Gegeben: ein linearer Schnitt Φ:=Ξ Åe ω durch eine Mikrostruktur Ξ, wobei e ω eine Linie mit Richtung ω ist. Dieser lineare Schnitt bildet nun ein System von Sehnen. Ein Liniensegment s r,ω =[o,(r,ω)] der Länge r als SE, das eine Untermenge der Testlinie e ω ist, also s r,ω ½e ω. Φ ªs r,ω stellt das System von Sehnen dar, aber erodiert um das lineare strukturierende Element s r,ω verwendetes linienförmiges SE (vergrößert) Bezugspunkt des SE Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 7
54 Sehnenlängenverteilung () Gegeben: ein linearer Schnitt Φ:=Ξ Åe ω durch eine Mikrostruktur Ξ, wobei e ω eine Linie mit Richtung ω ist. Dieser lineare Schnitt bildet nun ein System von Sehnen. Ein Liniensegment s r,ω =[o,(r,ω)] der Länge r als SE, das eine Untermenge der Testlinie e ω ist, also s r,ω ½e ω. Φ ªs r,ω stellt das System von Sehnen dar, aber erodiert um das lineare strukturierende Element s r,ω verwendetes linienförmiges SE (vergrößert) Bezugspunkt des SE Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS um SE erodiertes System von Sehnen 7
55 Sehnenlängenverteilung () Definition: Verteilungsfunktion F L (r) der Sehnenlängen χ L (x): Anzahl der Sehnen entlang der Linie x Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 8
56 Star Volume Star S x am Pixel x: Menge aller Punkte in einem Bild, die man vom Punkt x aus direkt sehen kann, d.h. ohne durch ein Vordergrundobjekt hindurch sehen zu müssen. Definition: Die Fläche von S x ist das sog. Star Volume. Beispiele: Abb.: Beispiele für das Star Volume (aus [Ohser, Mücklich] S.9) Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 9
57 Schätzer für das Star Volume () Das Star Volume an einem bestimmten Pixel eines Bildes kann mit Hilfe eines Polygons angenähert werden. Fläche des Polygons um P = Schätzer für das Star Volume am Punkt P Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS
58 Schätzer für das Star Volume () Schätzer für das Star-Volume wird an jedem Punkt des Bildes berechnet Ergebnis: Grauwertbild Originalbild Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS Star Volume in 8 Richtungen Zwischenwinkel θ = 45
59 Schätzer für das Star Volume () Originalbild Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS Star Volume in 6 Richtungen Zwischenwinkel θ =,5
60 Schätzer für das Star Volume (4) Originalbild Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS Star Volume in Richtungen Zwischenwinkel θ =,5
61 Schätzer für das Star Volume (5) Originalbild Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS Star Volume in 64 Richtungen Zwischenwinkel θ = 5,65 4
62 Barbara Panzer SS 5 Sehnenlängentransformation Die SehnenlängentransformationCh ω, angewendet auf ein Binärbild f, verbindet jedes Pixel p des Definitionsbereichs D f von f mit der Länge der Sehne entlang der Geraden e ω an diesem Pixel. Hierbei ist e ω wiederum eine Gerade mit Richtung ω. Beispiel: Richtung der Geraden e ω ch w (x): Sehne am Pixel x mit Richtung ω
63 Literatur Soille, Pierre: Morphologische Bildverarbeitung Grundlagen, Methoden, Anwendungen Berlin: Springer 998 Ohser, J.; Mücklich, F.: Statistical Analysis of Microstuctures in Materials Science Torquato, S.; Lu, B.: Chord-length distribution of two-phase random media Phys. Rev. E 47 no.4 (99) S.95- Seminar: Simulation und Bildanalyse mit Java Barbara Panzer SS 6
Morphologische Bildverarbeitung I
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Abteilung Stochastik Abteilung Angewandte Informationsverarbeitung SS 03 Morphologische Bildverarbeitung I Vortrag mit Programmvorstellung
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
MehrWasserscheiden-Ansätze zur Bildsegmentierung I
Seminar Bildsegmentierung und Computer Vision Wasserscheiden-Ansätze zur Bildsegmentierung I Stefan Sugg 19.12.2005 Gliederung 1. Einführung 2. Morphologische Grundlagen 3. Simulation durch Überflutung
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
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
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Morphologische Operatoren Graphische DV und BV, Regina Pohle, 5. Morphologische Operatoren Einordnung in die Inhalte der Vorlesung
MehrComputergrafik 2: Übung 9. Morphologische Operationen
Computergrafik 2: Übung 9 Morphologische Operationen Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Besprechung Übung 8 Anmerkungen? Computergrafik 2 SS2012 3 Quiz Watershed-Algorithmus
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrInformatik II Vorlesung am D-BAUG der ETH Zürich. Vorlesung 7, Fallstudie Point-In-Polygon Algorithmus Diskretisierung: Linien zeichnen
Informatik II Vorlesung am D-BAUG der ETH Zürich Vorlesung 7, 11.4.2016 Fallstudie Point-In-Polygon Algorithmus Diskretisierung: Linien zeichnen Fallstudie: Point-In-Polygon Algorithmus Annahme: abgegrenztes
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
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
MehrEinführung in die linearen Funktionen. Autor: Benedikt Menne
Einführung in die linearen Funktionen Autor: Benedikt Menne Inhaltsverzeichnis Vorwort... 3 Allgemeine Definition... 3 3 Bestimmung der Steigung einer linearen Funktion... 4 3. Bestimmung der Steigung
Mehrunabhängigen Variablen Eine Funktion dient der Beschreibung von Zusammenhängen zwischen mehreren verschiedenen Faktoren.
Funktionsbegriff 2.1 2 Funktionen mit einer unabhängigen Variablen 2.1 Funktionsbegriff Eine Funktion dient der Beschreibung von Zusammenhängen zwischen mehreren verschiedenen Faktoren. In den Wirtschaftswissenschaften
MehrSpezialgebiet: "mathematische Morphologie" (Begr. v. G. Matheron & J. Serra in Frankreich, Analyse poröser Materialien)
Fortsetzung zu Kap. 3: Bildoperationen 3.5 Morphologische Operationen Morphologie = Formenlehre Idee: über flexible Festlegung eines strukturierenden Elements (Maske) Einfluss auf zu extrahierende Formen
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
MehrDie Steigung m ist ein Quotient zweier Differenzen und heißt daher Differenzenquotient.
Seite Definition lineare Funktion Eine Funktion f mit dem Funktionsterm f(x) = m x + b, also der Funktionsgleichung y = m x + b, heißt lineare Funktion. Ihr Graph G f ist eine Gerade mit der Steigung m
MehrMathematische Theorien im kulturellen Kontext. Fläche eines Parabelsegments nach Archimedes
Seminar: Mathematische Theorien im kulturellen Kontext Thema: Fläche eines Parabelsegments nach Archimedes von: Zehra Betül Koyutürk Studiengang Angewandte Mathematik 27.01.2016 ARCHIMEDES Über das Leben
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
MehrLogarithmusfunktion zur Basis 2, Aufgaben. 7-E Vorkurs, Mathematik
Logarithmusfunktion zur Basis 2, Aufgaben 7-E Vorkurs, Mathematik Logarithmusfunktion zur Basis 2: Aufgaben 7-9 Aufgabe 7: Bestimmen Sie eine vertikale Asymptote für die folgenden Funktionen: f ( x) =
MehrErkennung von Olivenhainen im Luftbild
Erkennung von Olivenhainen im Luftbild Gliederung 1. Morphologische Grundlagen Erosion / Dilatation Öffnung / Schließung Zylinderhut-Transformationen 2. Motivation / Gründe für die Anwendung 3. Datenbeschreibung
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
Mehr9. Kombination von Vektor- und Rasterdaten
9. Kombination von Vektor- und Rasterdaten 1. Vergleich von Vektor- und Rasterdaten 2. Morphologische Operationen 3. Transformationen des Formats 4. Kombinierte Auswertungen Geo-Informationssysteme 224
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,
Mehr12.2 Grauwertmorphologie
12.2 Grauwertmorphologie 735 12.2 Grauwertmorphologie 12.2 12.2.1 Punktmenge eines Grauwertbildes Die Punktmenge eines Binärbildes besteht aus allen Pixeln vom Wert 1.Wie lässt sich nun ein Bild, das mehr
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrBildverarbeitung: 3D-Geometrie. D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13
Bildverarbeitung: 3D-Geometrie D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrExponentialfunktionen. Eigenschaften, graphische Darstellungen 1-E1 Vorkurs, Mathematik
e Exponentialfunktionen Eigenschaften, graphische Darstellungen 1-E1 Vorkurs, Mathematik Exponentialfunktionen Potenzfunktion: y = x 9 Exponentialfunktion: y = 9 x Die Potenz- und die Exponentialfunktionen
MehrEinleitung 2. 1 Koordinatensysteme 2. 2 Lineare Abbildungen 4. 3 Literaturverzeichnis 7
Sonja Hunscha - Koordinatensysteme 1 Inhalt Einleitung 2 1 Koordinatensysteme 2 1.1 Kartesisches Koordinatensystem 2 1.2 Polarkoordinaten 3 1.3 Zusammenhang zwischen kartesischen und Polarkoordinaten 3
MehrTechnische Universität Dresden
Technische Universität Dresden Institut für Photogrammetrie und Fernerkundung Übung 1 Entzerrung von digitalen Bildern Bearbeiter: Janin Wach Anke Heidenreich Seminargruppe: Geodäsie 99/1 Datum: 10.05.01
MehrUrs Wyder, 4057 Basel Funktionen. f x x x x 2
Urs Wyder, 4057 Basel Urs.Wyder@edubs.ch Funktionen f 3 ( ) = + f ( ) = sin(4 ) Inhaltsverzeichnis DEFINITION DES FUNKTIONSBEGRIFFS...3. NOTATION...3. STETIGKEIT...3.3 ABSCHNITTSWEISE DEFINIERTE FUNKTIONEN...4
MehrMathematik I Herbstsemester 2018 Kapitel 4: Anwendungen der Differentialrechnung
Mathematik I Herbstsemester 2018 Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 55 4. Anwendungen der Differentialrechnung Monotonie Krümmung Linearisierung einer Funktion Extremwerte
MehrLineare Transformationen und Determinanten. 10-E Ma 1 Lubov Vassilevskaya
Lineare Transformationen und Determinanten 10-E Ma 1 Lubov Vassilevskaya Lineare Transformation cc Definition: V und W sind zwei Vektorräume. Eine Funktion T nennt man eine lineare Transformation von V
MehrMathematik für Ingenieure 2
Mathematik für Ingenieure 2 Funktionen mit mehreren Veränderlichen 1 (Grundlagen) 1 Einführung Einführung und Beispiele 2 Einführung (1) - Beispiele Bisher haben wir ausschließlich Funktionen mit einer
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrGeometrische Spannbäume minimalen Durchmessers
Aroximationsschemata in Ablauflanung, Grahentheorie und Geometrie (engl.: Geometric Minimum-Diameter Sanning Tree, GMDST) SS 2004 Überblick Begriffsdefinitionen Eigenschaften von GMDSTs Exakter Algorithmus
MehrMarkierte Punktprozesse und zufällige Tesselationen
und zufällige Tesselationen Seminar stochastische Geometrie und ihre Anwendungen 7. Dezember 2009 und zufällige Tesselationen Gliederung 1 2 3 und zufällige Tesselationen Gliederung 1 2 3 und zufällige
MehrMathematische Grundlagen der dynamischen Simulation
Mathematische Grundlagen der dynamischen Simulation Dynamische Systeme sind Systeme, die sich verändern. Es geht dabei um eine zeitliche Entwicklung und wie immer in der Informatik betrachten wir dabei
Mehr13. Funktionen in einer Variablen
13. Funktionen in einer Variablen Definition. Seien X, Y Mengen. Eine Funktion f : X Y ist eine Vorschrift, wo jedem Element der Menge X eindeutig ein Element von Y zugeordnet wird. Wir betrachten hier
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
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag WS 2007/2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrPrüfung Grundlagen der digitalen Bildbearbeitung
Prüfung Grundlagen der digitalen Bildbearbeitung 14.06.2005 1) Gegeben sind 24 Bilder, die als Eingabe als auch als Ergebnis einer der 10 Bildoperationen auftreten können. (14 Punkte) 10 folgenden Bildoperationen,
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
MehrDie komplexe Halbebene faktorisiert nach einer Fuchsschen Gruppe
Die komplexe Halbebene faktorisiert nach einer Fuchsschen Gruppe Matthias Nagel Riemannsche Flächen Stets sei X eine 2-dimensionale Mannigfaltigkeit (Fläche). Definition. ) Eine komplexe Karte auf X ist
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
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
MehrMATHE KLASSE 11. Funktionen Extremwerte lineare Funktionen WOLFGANG STILLER
MATHE KLASSE Funktionen Etremwerte lineare Funktionen FUNKTION Def.: Funktionen sind eindeutige Zuordnungen. (Mathe eine Menge X [Definitionsbereich] wird einer Menge Y [Wertebereich] zugeordnet. Jedem
MehrAbb. 5.10: Funktion und Tangentialebene im Punkt ( ) ( ) ( ) 3.) Die Zahlenwerte und in Gleichung (Def. 5.11) berechnen sich durch ( ) ( )
Abb. 5.0: Funktion und Tangentialebene im Punkt Aus der totalen Differenzierbarkeit folgt sowohl die partielle Differenzierbarkeit als auch die Stetigkeit von : Satz 5.2: Folgerungen der totalen Differenzierbarkeit
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
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
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrD-MAVT/D-MATL Analysis I HS 2017 Dr. Andreas Steiger. Lösung - Serie 6. (n+1)!. Daraus folgt, dass e 1/x < (n+
D-MAVT/D-MATL Analysis I HS 2017 Dr. Andreas Steiger Lösung - Serie 6 1. MC-Aufgaben (Online-Abgabe) 1. Für alle ganzen Zahlen n 1 gilt... (a) e 1/x = o(x n ) für x 0 + (b) e 1/x = o(x n ) für x 0 + (c)
MehrMathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung
Mathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrMathematische Modellierung Lösungen zum 3. Übungsblatt
Mathematische Modellierung Lösungen zum Klaus G. Blümel Lars Hoegen 12. November 25 Aufgabe 1 (a) Die Schadstoffkonzentration zum Zeitpunkt t = beträgt s =, 8% = 8 =, 8. Es werden pro Monat 5% der jeweiligen
MehrEinführungsbeispiel Kostenfunktion
Einführungsbeispiel Kostenfunktion Sie bauen eine Fabrik für Luxusautos auf und steigern die Produktion jeden Monat um 1000 Stück. Dabei messen Sie die jeweiligen Kosten und stellen sie grafisch dar. Die
Mehr9 Arrangements und Dualität
9 Arrangements und Dualität 9.1 Strahlenverfolgung und Diskrepanz Wir betrachten eine Anwendung aus der Computergraphik: realistische Bilder von 3D- Szenen lassen sich durch ray tracing berechnen. Für
Mehr15. Bereichsintegrale
H.J. Oberle Analysis III WS 212/13 15. Bereichsintegrale 15.1 Integrale über uadern Ziel ist die Berechnung des Volumens unterhalb des Graphen einer Funktion f : R n D R, genauer zwischen dem Graphen von
MehrEinführung. Ablesen von einander zugeordneten Werten
Einführung Zusammenhänge zwischen Größen wie Temperatur, Geschwindigkeit, Lautstärke, Fahrstrecke, Preis, Einkommen, Steuer etc. werden mit beschrieben. Eine Zuordnung f, die jedem x A genau ein y B zuweist,
MehrSeminararbeit Zahlentheorie. Gitter und der Minkowskische Gitterpunktsatz
Seminararbeit Zahlentheorie Gitter und der Minkowskische Gitterpunktsatz Natascha Bilkic und Andreas Welling 4. Dezember 2007 Inhaltsverzeichnis I. Einführung 3 8.1. Definition: Gitter................................
MehrKapitel 9 Kombination von Vektor- und Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2014/15
MehrLineare Funktionen Arbeitsblatt 1
Lineare Funktionen Arbeitsblatt 1 Eine Funktion mit der Gleichung y = m x + b heißt lineare Funktion. Ihr Graph ist eine Gerade mit der Steigung m. Die Gerade schneidet die y-achse im Punkt P(0 b). Man
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,
MehrJurij-Andrei Reichenecker 21. Juni Tessellationen
Jurij-Andrei Reichenecker 21. Juni 2010 Tessellationen Seite 2 Tessellationen 21. Juni 2010 Jurij-Andrei Reichenecker Inhalt Einführung Voronoi Tessellation Algorithmus zur Erstellung von Voronoi Tessellationen
MehrKombinatorik. Dr. Lucia Draque Penso. Universität Ulm. Dr. Lucia Draque Penso (Universität Ulm) Kombinatorik 1 / 26
Kombinatorik Dr. Lucia Draque Penso Universität Ulm Dr. Lucia Draque Penso (Universität Ulm) Kombinatorik 1 / 26 Erste Vorlesung Dr. Lucia Draque Penso (Universität Ulm) Kombinatorik 2 / 26 Formales Vorlesung:
MehrOberflächenrekonstruktion aus Punktwolken
Oberflächenrekonstruktion aus Punktwolken Betreuer: Dominik Fritz Seminar Medizinische Simulationssysteme SS 2005 Gliederung 1 2 Der - 3 Der von Hoppe 4 Der - Gliederung 1 2 Der - 3 Der von Hoppe 4 Der
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 8. September 2011 Für die Mathematik zentral sind Abbildungen und Funktionen. Häufig wird zwischen beiden Begriffen nicht unterschieden.
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
MehrLineare Funktionen y = m x + n Sekundarstufe I u. II Funktion ist monoton fallend, verläuft vom II. in den IV.
LINEARE FUNKTIONEN heißt Anstieg oder Steigung heißt y-achsenabschnitt Graphen linearer Funktionen sind stets Geraden Konstante Funktionen Spezialfall Graphen sind waagerechte Geraden (parallel zur x-achse)
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 26 1. Folgen R. Steuding (HS-RM)
MehrKompaktheit und Überdeckungen. 1 Überdeckungskompaktheit
Vortrag zum Proseminar zur Analysis, 17.05.2010 Min Ge, Niklas Fischer 1 Überdeckungskompaktheit Einleitung P T Q A R S U B (a) (b) Abbildung 1: Beispiele verschiedener Überdeckungen (1.1) Definition (Überdeckung)
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
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
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
Mehr6 Metrische Klassifikation der Quadriken
6 Metrische Klassifikation der Quadriken A Wiederholung von Kap V, 5 Sei A = (a ij ) eine symmetrische n n Matrix. n x 1 q(x) := x t Ax = a ij x i x j, x =. i,j=1 ist dann ein quadratisches Polynom in
MehrBetragsfunktion 6-E1. Vorkurs, Mathematik
Betragsfunktion 6-E1 Betragsfunktionen: Aufgabe 6 a) Zeichnen Sie folgende Betragsfunktionen f (x) = x 2, g (x) = x + 1 Bestimmen Sie den Definitionsbereich und den Wertebereich dieser Funktionen. b) Wie
Mehr5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
MehrProbeklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 21717 Fakultät 4 - Mathematik und Naturwissenschaften Prof N V Shcherbina Dr T P Pawlaschyk wwwkanauni-wuppertalde Probeklausur zur Analysis 2, SoSe 217 Hinweis Die Lösungen
MehrVoronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
MehrA3.2 Quadratische Funktionen
A. Quadratische Funktionen Die Quadratfunktion Definition: Eine reelle Funktion f: = a + b + c, D = R (a, b, c R a 0) heißt quadratische Funktion. Beispiele:. f: =. f: = 0,5 - + Die Quadratfunktion f:
Mehrmit. Wir definieren (Skalarprodukt = Winkel).
1 Grundidee des Simplexverfahrens (von George Dantzig): Man bestimmt eine beliebige Ecke (Extremalpunkt) einer Lösungsmenge eines Ungleichungssystems. Nun geht man an den Kanten vom Punkt entlang und kontrolliert
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
MehrParallele FFT-Algorithmen
Parallele FFT-Algorithmen Jörg Haeger 11. Juli 1996 1 Die diskrete Fourier-Transformation (DFT) 2 2 Permutationen und Graphen 2 2.1 Permutationen.............................. 2 2.2 Graphen..................................
MehrAnalysis 1 für Informatiker (An1I)
Hochschule für Technik Rapperswil Analysis 1 für Informatiker (An1I) Stand: 2012-11-13 Inhaltsverzeichnis 1 Funktionen 3 1.1 Gerade, ungerade und periodische Funktionen..................... 3 1.2 Injektive,
MehrKlassische Theoretische Physik II (Theorie B) Sommersemester 2016
Karlsruher Institut für Technologie Institut für Theorie der Kondensierten Materie Klassische Theoretische Physik II (Theorie B Sommersemester 6 Prof. Dr. Alexander Mirlin Musterlösung: Blatt. PD Dr. Igor
MehrFolgen und Reihen. Folgen. Inhalt. Mathematik für Chemiker Teil 1: Analysis. Folgen und Reihen. Reelle Funktionen. Vorlesung im Wintersemester 2014
Inhalt Mathematik für Chemiker Teil 1: Analysis Vorlesung im Wintersemester 2014 Kurt Frischmuth Institut für Mathematik, Universität Rostock Rostock, Oktober 2014... Folgen und Reihen Reelle Funktionen
MehrD-MATH, D-PHYS, D-CHAB Analysis II FS 2018 Prof. Manfred Einsiedler. Lösung 11
D-MATH, D-PHYS, D-CHAB Analysis II FS 218 Prof. Manfred Einsiedler Lösung 11 Hinweise 1. Kehren Sie die Integrationsreihenfolge um. Um dabei die korrekten Grenzen zu finden, skizzieren Sie den Integrationsbereich.
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Antialiasing Graphische DV und BV, Regina Pohle, 5. Antialiasing 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrDemo: Mathe-CD. Prüfungsaufgaben Mündliches Abitur. Analysis. Teilbereich 1: Ganzrationale Funktionen 1. März 2002
Prüfungsaufgaben Mündliches Abitur Analysis Teilbereich : Ganzrationale Funktionen Hier nur Aufgaben als Demo Datei Nr. 9 März 00 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK Vorwort Die in dieser Reihe von
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrComputergraphik I. Scan Conversion: Lines & Co. Einordnung in die Pipeline. G. Zachmann Clausthal University, Germany zach@tu-clausthal.
11/4/10 lausthal omputergraphik I Scan onversion of Lines. Zachmann lausthal University, ermany zach@tu-clausthal.de Einordnung in die Pipeline Rasterisierung der Objekte in Pixel Ecken-Werte interpolieren
MehrMathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1. 1 Grundlagen 2. 2 Der Graph einer Funktion 4. 3 Umkehrbarkeit 5
Universität Basel Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1 Inhaltsverzeichnis 1 Grundlagen 2 2 Der Graph einer Funktion
MehrMathematische Werkzeuge für Computergrafik 2016/17. Gleitkommzahlen
Mathematische Werkzeuge für Computergrafik 2016/17 Gleitkommzahlen 1 Grundlagen 1 Da im Computer nur endliche Ressourcen zur Verfügung stehen, können reelle Zahlen in vielen Fällen nicht exakt dargestellt
MehrAllgemeine Kräftesysteme
3 Allgemeine Kräftesysteme Allgemeine Kräftesysteme Allgemeine Kräftesysteme Was ist neu? Zwei Kräfte, die nicht an einem zentralen Punkt angreifen Ist das System im Gleichgewicht? A ja B ja, horizontal
MehrF u n k t i o n e n Zusammenfassung
F u n k t i o n e n Zusammenfassung Johann Carl Friedrich Gauss (*1777 in Braunschweig, 1855 in Göttingen) war ein deutscher Mathematiker, Astronom und Physiker mit einem breit gefächerten Feld an Interessen.
Mehr