Binärbildverarbeitung

Größe: px
Ab Seite anzeigen:

Download "Binärbildverarbeitung"

Transkript

1 Prof. Dr.-Ing. Thomas Zielke " Binärbildverarbeitung SS

2 Anwendungen von Binärbildern" Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte mit dem Wert Null (0) als Hintergrund und Bildpunkte mit dem Wert 1 (bzw. 255 bei 8-Bit-Bildern) als Objektpunkte betrachtet. Wichtige Anwendungen von Binärbildern sind: Übertragung und Speicherung von Textdokumenten in Form von Rasterbildern (Fax, Archivierung von eingescannten Papierdokumenten). Einfache Objektanalyse und Vermessungsaufgaben in der industriellen Bildverarbeitung. Repräsentation bzw. Maskierung von Bildregionen bei der digitalen Bildverarbeitung und bei der Videoproduktion (z.b. Bluebox-Verfahren). SS

3 Entstehung von Binärbildern (1)" Bei der digitalen Verarbeitung von Textdokumenten oder Zeichnungen werden die Rasterbilder oft direkt als Binärbilddateien erzeugt (i.d.r. mit Hilfe eines Scanners). Binärbilder entstehen auch als Zwischenergebnisse in komplexen Bildauswerteprozessen (labeling). Aus Grafikelementen erzeugt man Binärbilder durch Rasterung der Objektregionen. Anwendungsbeispiel: Bildmaskierung. Grafisches Grundelement Positionierung Binäre Maske Maskiertes Originalbild SS

4 Entstehung von Binärbildern (2) Binarisierung" Als Binarisierung bezeichnet man die Anwendung einer Schwellwert-Operation auf ein Graustufenbild (threshholding): Sei B[i,j] ein Binärbild mit i 0...N-1 (N Zeilen) und j 0...M-1 (M Spalten), dann entsteht B[i,j] aus einem Grauwertbild G[i,j] und einem Schwellwert T durch die Operation : 1 wenn G[i,j] T B[i,j] = Alternativ kann die Schwellwert-Operation von zwei Schwellen T 1 und T 2 abhängen: B[i,j] = 0 sonst 1 wenn T 1 G[i,j] T 2 0 sonst SS

5 Beispiele für Schwellwert-Operationen (Binärwert "0" in Blau dargestellt)" Binärbild mit T=48 Binärbild mit T=21 Originalbild, Grauwertbereich: Binärbild mit T1=135 und T2=255 Binärbild mit T1=2 und T2=48 SS

6 Helligkeitshistogramm (1) brightness histogram" Ein Histogramm der Helligkeits- bzw. Intensitätswerte eines Bildes beschreibt die Häufigkeit mit der die einzelnen diskreten Intensitätsstufen im Bild vorkommen. Das Histogramm ist eines der einfachsten und wichtigsten statistischen Analyseverfahren in der Bildverarbeitung. unsigned char image[480][640]; int histo[256]; int i, j, k; for (k=0; k<256; k+=1) histo[k]=0; /* clear array */ for (i=0; i<480; i+=1) for (j=0; j<640; j+=1) histo[ image[i][j] ] += 1; Algorithmus zur Berechnung eines Helligkeitshistogramms in der Programmiersprache C. Das Bild hat max. 256 Graustufen im Bereich von 0 bis 255. SS

7 Helligkeitshistogramm (2) Beispiel" Absolute Häufigkeit der Intensitätsstufen Helligkeitshistogramm von "tools" (Plot erstellt mit Excel) Original- Grauwertbild "tools" Histogramm- Ausgabe von ImageJ Intensitätsstufen: SS

8 Schwellwert-Bestimmung zur objektbezogenen Binarisierung von Grauwertbildern (1)" Mit einem "idealen" Schwellwert sollte man Objekt und Hintergrund exakt trennen können nur selten möglich. Mit einem "optimalen" Schwellwert erreicht man die theoretisch und/oder perzeptiv beste Trennung von Objekt und Hintergrund. Das Histogramm ist das wichtigstes Hilfsmittel für die Bestimmung des "besten" Schwellwerts. Zur Histogrammanalyse gibt es viele z.t. komplexe Verfahren. In Bildern von natürlichen Szenen (normale Lebensumgebungen von Menschen) können Objekte i.d.r. nicht durch Grauwertschwellen vom Hintergrund unterschieden werden! SS

9 Schwellwert-Bestimmung zur objektbezogenen Binarisierung von Grauwertbildern (2)" In Bildern von künstlichen Szenen können Objekte mit homogenen Oberflächen oft durch eine Schwellwertoperation getrennt werden. Übliche Annahme: Die Helligkeitsverteilungen sowohl der Objekte als auch des Hintergrunds ähneln der Normalverteilung. Modell Hintergrund Helligkeitsverteilung des Objekts Histogramm SS

10 Vermessung von binären Bildobjekten (1) Größe / Fläche (size / area)" Es sei B[i,j] ein Binärbild mit dem Wertevorrat {0,1} und den Dimensionen N (Zeilenanzahl) und M (Spaltenanzahl). Die Fläche (Größe) A des Binärbildes berechnet sich als: (0,0) Bsp. "Flugzeug": A=72 (Objektpixel schwarz) j N!1 " i=0 M!1 " j= 0 A = B[i, j] i 20 x 30 Pixel Auflösungsreduktion um Faktor 100 bzw. um Faktor 10 in beiden Dimensionen 200 x 300 Pixel SS

11 Vermessung von binären Bildobjekten (2) Position / Schwerpunkt (position / center of area)" Das Binärbild B[i,j] hat Hintergrund-Pixel mit dem Wert 0 (hier weiß dargestellt) und Objektpixel mit dem Wert 1 (hier schwarz dargestellt). Die Flächenschwerpunkt (y c,x c ) des Binärbildes berechnet sich als: (0,0) i 20 x 30 Pixel j xc = yc = # N "1 # M"1 i=0 j=0 A # N "1 # M"1 i=0 j=0 A j!b [i,j ] i!b[ i, j ] Flächenschwerpunkt des Flugzeugs: y c =10.3, x c =13.4 SS

12 Vermessung von binären Bildobjekten (3) Orientierung (orientation)" Die "Massenträgheitsachse" (axis of least second moment) liefert eine Information über die Orientierung eines Binärbilds. Für die Berechnung der Orientierung wird der Ursprung des Koordinatensystems zunächst in den Flächenschwerpunkt (y c,x c ) des Bildobjekts verschoben. (0,0) r θ Flächenschwerpunkt (y c,x c ) c "Orientierungsachse" SS

13 Vermessung von binären Bildobjekten (4) Berechnung der Orientierung" Flächenschwerpunkt (y c,x c ) c j Der Winkel θ wird von der r-achse gegen den Uhrzeigersinn gemessen. Die Orientierungsachse wird durch den Flächenschwerpunkt und den Winkel θ bestimmt: i! r tan(2!)= 2 # N"1 M "1 # i =0 j= 0 # N"1 # M "1 i =0 j= 0 i j B[i, j] N"1 M "1 # i =0 j= 0 i 2 B[i, j] " j 2 B[i, j] # SS

14 Vermessung von binären Bildobjekten (5) Umfang (perimeter)" Einen einfachen Schätzwert für den Umfang eines binären Bildobjekts erhält man durch Zählen aller Objektpixel, die mindestens ein Hintergrundpixel zum Nachbarn haben. Verschiedene gebräuchliche Definitionen des Umfangs einer digitalen Bildregion liefern zum Teil signifikant unterschiedliche Ergebnisse. Umfang P = 64 "Flugzeug" (Objektpixel weiß und Hintergrundpixel blau dargestellt) Umfang des Objekts "Flugzeug": Die Randpixel (rot) werden gezählt. SS

15 Form (shape) von binären Bildobjekten (1) Rundheit (roundness)" Der Kreis ist die rundeste (kompakteste) geometrische Figur. Langgestreckte Figuren sind weniger rund. Für einen Kreis mit Fläche A und Umfang P gilt: P 2 A! 4" Rundheit (roundness) wird definiert als: R = 4! A P 2 A: 2188 P: 173 Rundheit R: 0.92 A: 3680 P: 250 Rundheit R: 0.74 A: 750 P: 255 Rundheit R: 0.14 A: 2311 P: 260 Rundheit R: 0.43 A: 3422 P: 232 Rundheit R: 0.8 A: 507 P: 129 Rundheit R: 0.38 SS

16 Projektionen (1) (projections)" Horizontale und vertikale Projektionen eines Bildes erhält man durch die Summation der Pixelwerte entlang der Bildzeilen bzw. Bildspalten. Horizontale Projektion Vertikale Projektion SS

17 Projektionen (2) (projections)" Die Projektion H[i] entlang der Zeilen und die Projektion V [j] entlang der Spalten eines Bildes B[i,j] sind definiert als: Horizontale Projektion M!1 " j =0 H[i] = B[i, j] Vertikale Projektion N!1 " i =0 V[ j] = B[i, j] Anwendungsbeispiel für Projektionen: Textsegmentierung SS

18 Bounding Box (Umschließendes Rechteck)" Die "bounding box" ist das kleinste umschließende Rechteck eines Objekts im Bild. Projektionen sind ein Hilfsmittel um eine bounding box zu bestimmen. Das Seitenverhältnis (aspect ratio) der bounding box ist ein "Länglichkeitsmerkmal": c max! c min +1 r max! r min +1 c min c max r min r max Bounding Box für "Flugzeug" SS

19 Nachbarschaften in digitalen Bildern (im quadratischen/rechteckigen Gitter)" 4-Nachbarschaft: [i+1,j], [i-1,j], [i,j+1], [i,j-1] 8-Nachbarschaft: [i+1,j+1], [i+1,j-1], [i-1, j+1], [i-1,j-1] und alle 4-Nachbarn [i,j] Abstand im quadratischen Gitter: 1 [i,j] 2 (im quadratischen Gitter) SS

20 Pfad und Konnektivität (path and connectivity)" Ein Pfad von dem Pixel an Position [i 0,j 0 ] zu dem Pixel an [i n,j n ] ist eine Sequenz von Pixel-Positionen [i 0,j 0 ], [i 1,j 1 ],..., [i n,j n ] so dass der Pixel an [i k,j k ] ein Nachbar des Pixels an [i k+1,j k+1 ] ist, und zwar für alle k mit 0 k n-1. Wenn die Nachbarschaftsrelation 4-verbunden ist (4-Nachbarschaft), dann ist der Pfad ein 4-Pfad; bei einer 8-Nachbarschaft ist der Pfad ein 8-Pfad. Ein Pixel p S wird als verbunden (connected) mit q S bezeichnet, wenn es einen Pfad von p nach q gibt, der vollständig aus Pixeln der Menge S besteht. S kann z.b. die Menge der Pixel mit einem bestimmten Farb- bzw. Grauwert sein. 4-Pfad 8-Pfad SS

21 Connected Components (Zusammenhangskomponenten)" Eine Menge von Pixeln, in der jedes Pixel mit allen anderen Pixeln verbunden ist, bezeichnet man als connected component. In der industriellen Bildverarbeitung (machine vision) ist das Finden von connected components in einem Bild eine häufig verwendete Operation component labeling. In der Literatur werden etliche Connected Components Algorithmen beschrieben, die sich hauptsächlich im Rechenaufwand unterscheiden. Connected Component Algorithmus SS

22 Analyse von Partikeln mit Hilfe von Component Labeling (Beispiel)" Binarisierung Labeling Auswertung (ImageJ: "Analyze Particles") SS

23 Distanzmaße (distance measures)" In vielen Anwendungen muss der Abstand zwischen zwei Pixel- Positionen berechnet werden. In der digitalen Geometrie gibt es hierfür mehrere Distanzmaße. Die wichtigsten sind: Euklidische Distanz zwischen zwei Pixeln p und q: D Euclid (p, q) = (i p!i q ) 2 + ( j p! j q ) 2 Beispiel: D Euclid = 5.83 City-Block Distanz zwischen zwei Pixeln p und q: D City ( p, q) = i p! i q + j p! j q Schachbrett Distanz zwischen zwei Pixeln p und q: D Chess (p, q) = max( i p!i q, j p! j q ) Beispiel: D Chess = max(5,3) = 5 Beispiel: D City = = 8 SS

24 Arithmetische und logische Operationen auf Bildern" Arithmetische und logische Operationen werden pixelweise auf das (die) gesamte(n) Bild(er) angewandt. Es gibt drei Formen von Operationen: Einstellige (unäre) Operation. Beispiel: NOT logische Negation der Pixelwerte. Zweistellige Operation mit einem Bild und einer Konstanten als Operanden. Beispiel: Multiplikation aller Pixelwerte mit dem Faktor 1,2 ( Bild wird 20% heller). Zweistellige Operation mit zwei Bildern als Operanden. Beide Bilder müssen gleiche Dimensionen (Zeilenanzahl und Spaltenanzahl) und den gleichen Pixel-Typ (z.b. Byte oder 24-Bit Integer) haben. Beispiel: Addition zweier Bilder ( Bilder werden "gemischt"). SS

25 Logische Operationen auf Bildern" Logische Operationen sind in erster Linie wichtig zur Maskierung von Bildregionen. Häufig verwendete logische Operationen: AND AND = OR OR = NOT NOT SS

26 Expansion und Schrumpfung (1)" Ein binäres Bildobjekt (connected component) kann systematisch ausgedehnt oder geschrumpft werden. Ein einfaches Verfahren ist: Expansion (expansion) Ändere ein Pixel von '0' zu '1' wenn mindestens ein Nachbarpixel '1' ist. Schrumpfung (shrinking) Ändere ein Pixel von '1' zu '0' wenn mindestens ein Nachbarpixel '0' ist. Geschrumpftes Bild Original ('0': hell, '1': dunkel) Expandiertes Bild SS

27 Expansion und Schrumpfung (2)" Die Expansion ist nicht die Umkehrung der Schrumpfung! Expansion gefolgt von Schrumpfung wird benutzt, um ungewollte "Löcher" in binären Bildobjekten zu füllen. Schrumpfung gefolgt von Expansion kann isolierte Stör-Pixel entfernen. Generell können mit Kombinationen von Expansionen und Schrumpfungen sehr nützliche und scheinbar komplexe Operationen auf binären Bildern realisiert werden. Die Klasse dieser Operationen bezeichnet man als Morphologische Filter. SS

28 Dilatation und Erosion (dilation and erosion) " In der Theorie der Morphologischen* Bildverarbeitung werden die Generalisierungen von Expansion und Schrumpfung als Dilatation bzw. Erosion bezeichnet. Eine Erosion gefolgt von einer Dilatation wird Opening (Öffnung) genannt. Eine Dilatation gefolgt von einer Erosion wird Closing (Schließung) genannt. *Morphologie ist die Wissenschaft von Gestalt, Form, und Struktur von Körpern SS

29 Morphologische Filterung mit Strukturelement (structuring element)" Morphologischer Filterprozess: Der Ursprung des Strukturelements wird sukzessiv über allen Bildpositionen platziert. Nur die mit '1' markierten Felder des Strukturelements werden berücksichtigt. Binärbild (weiß = 0, dunkel = 1) Strukturelement (Ursprung dunkelblau, weiße Felder = don't care) '0' '1' SS

30 Dilatation (dilation) " Die Dilatation wird dadurch ausgeführt, dass ein Strukturelement als eine Art Filtermaske über alle Bildpositionen "geschoben" wird: Wenn der Ursprung des Strukturelements (structuring element) auf einer '0' liegt, dann nehme keine Änderung am Zielbild vor (initial vollständig mit '0' besetzt). Wenn der Ursprung des Strukturelements (structuring element) auf einer '1' liegt, dann führe die logische OR-Operation zwischen Strukturelement und Originalbild aus (Zielbildpixel wird '1' wenn mindestens ein '1'-Pixel von Bild und Strukturelement übereinander liegen). 0 Originalbild 1 Strukturelement: x = Ursprung Bild nach der Dilatation; Originalumrisse gestrichelt = '1' SS

31 Originalbild Erosion (erosion) " Die Erosion wird dadurch ausgeführt, dass ein Strukturelement als "Filtermaske" über alle Bildpositionen "geschoben" wird: Wenn der Ursprung des Strukturelements (structuring element) auf einer '0' liegt, dann nehme keine Änderung am Zielbild vor (initial vollständig mit den Pixelwerten des Originalbilds besetzt). Wenn der Ursprung des Strukturelements (structuring element) auf einer '1' liegt und mindestens ein '1'-Pixel des Strukturelements auf einem '0'- Pixel des Originalbilds liegt, dann setze diese Zielbildposition auf '0'. 0 1 Strukturelement: x = Ursprung Bild nach der Erosion; Originalumrisse gestrichelt = '1' SS

32 Anwendung von Dilatation und Erosion (Beispiele) " Resultat einer Erosion (1 Iteration) Originalbinärbild Resultat einer Dilatation (1 Iteration) Ergebnis nach Sequenz von Dilatation und Erosion (je 2 Iterationen) SS

33 Morphologische Filterung weitere Beispiele" Original-Binärbild Opening (Erosion gefolgt von einer Dilatation) Closing Dilatation gefolgt von einer Erosion Erosion Dilatation SS

Morphologie auf Binärbildern

Morphologie auf Binärbildern Morphologie auf Binärbildern WS07 5.1 Konen, Zielke WS07 5.2 Konen, Zielke Motivation Aufgabe: Objekte zählen Probleme: "Salt-&-Pepper"-Rauschen erzeugt falsche Objekte Verschmelzen richtiger Objekte durch

Mehr

Kapitel 13 Binärisierung und Verarbeitung von Binärbildern p.2/40

Kapitel 13 Binärisierung und Verarbeitung von Binärbildern p.2/40 Kapitel 13 Binärisierung und Verarbeitung von Binärbildern Automatische Schwellwertbestimmung Verarbeitung von Dokumentbildern (Skew- und Slant-Korrektur) Mathematische Morphologie Distanz-Transformation

Mehr

Morphologische Bildoperationen

Morphologische Bildoperationen Morphologische Bildoperationen Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Gürcan Karakoc Betreuer: Suat Gedikli Abgabetermin: 10.04.2006 1 Inhaltsverzeichnis

Mehr

Kapitel 9. Kombination von Vektor- und Rasterdaten. Rasterdaten. 3. Transformationen des Formats. 4. Kombinierte Auswertungen

Kapitel 9. Kombination von Vektor- und Rasterdaten. Rasterdaten. 3. Transformationen des Formats. 4. Kombinierte Auswertungen LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2011/12 Ludwig-Maximilians-Universität

Mehr

Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung

Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Ingmar Gründel HAW-Hamburg 15. Dezember 2006 Ingmar Gründel Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung

Mehr

Inhalt. Bildaufnahme / Digitale Bilder. Kameras CCD Sensoren Auge Sampling / Aliasing Quantisierung

Inhalt. Bildaufnahme / Digitale Bilder. Kameras CCD Sensoren Auge Sampling / Aliasing Quantisierung Inhalt Bildaufnahme / Digitale Bilder Kameras CCD Sensoren Auge Sampling / Aliasing Quantisierung Abtastung, Parameter Aliasing-Beispiel: Unterabtastung einer periodischen Funktion. Rekonstruktion ergibt

Mehr

Industrielle Bildverarbeitung

Industrielle Bildverarbeitung Industrielle Bildverarbeitung Übungen 1. Aufgabe Ein Objektiv mit der Brennweite 12.5mm kann auf Entfernungen zwischen 0.5 m und eingestellt werden. Wie gross ist dann jeweils die Bildweite? Dieses Objektiv

Mehr

Bildverarbeitung Herbstsemester. Binärbildanalyse

Bildverarbeitung Herbstsemester. Binärbildanalyse Bildverarbeitung Herbstsemester Herbstsemester 2010 2012 Binärbildanalyse 1 Inhalt Einführung Partikelfilterung und -analyse Auffinden von Regionen und Konturen Gruppenarbeit Erkennung von geometrischen

Mehr

Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann

Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:

Mehr

Grundlagen der digitalen Bildverarbeitung / Fortsetzung

Grundlagen der digitalen Bildverarbeitung / Fortsetzung Grundlagen der digitalen Bildverarbeitung / Fortsetzung Wir haben bereits zwei Beispiele digitaler Bildfilter gesehen. Es gibt eine große Menge von Filtern mit ganz unterschiedlicher Auswirkung auf das

Mehr

Bildverarbeitung Herbstsemester 2012. Kanten und Ecken

Bildverarbeitung Herbstsemester 2012. Kanten und Ecken Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector

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

Kompression und Datenformate. Grundlagen der Bildspeicherung, Kompressionsverfahren, Datenformate

Kompression und Datenformate. Grundlagen der Bildspeicherung, Kompressionsverfahren, Datenformate Kompression und Datenformate Grundlagen der Bildspeicherung, Kompressionsverfahren, Datenformate Digitale Speicherung von Bildern Digitalisierung Informationsgehalt Speicherbedarf Kompression von Multimediadaten

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

Bildverarbeitung und Mustererkennung

Bildverarbeitung und Mustererkennung Bildverarbeitung und Mustererkennung Prüfung im Modul ET5030 für den Masterstudiengang Systems Design & Production Management Professor Dr.-Ing. Martin Werner Juli 2013 Hinweise zur Bearbeitung der Klausur

Mehr

Digitale Bildverarbeitung (DBV)

Digitale 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

Mehr

Einführung in Bildverarbeitung und Computervision

Einführung in Bildverarbeitung und Computervision Einführung in Bildverarbeitung und Computervision Vorlesung 1: Grundlagen Dipl.-Math. Dimitri Ovrutskiy SS 2010 HTWdS Auf Basis der Vorlesungen von und mit Danksagung an Hr. Prof. Dr. J. Weikert Bildverarbeitung

Mehr

Java Einführung Operatoren Kapitel 2 und 3

Java Einführung Operatoren Kapitel 2 und 3 Java Einführung Operatoren Kapitel 2 und 3 Inhalt dieser Einheit Operatoren (unär, binär, ternär) Rangfolge der Operatoren Zuweisungsoperatoren Vergleichsoperatoren Logische Operatoren 2 Operatoren Abhängig

Mehr

a a b b a a b b c c c c d d b b c c c c d d b b c c e e e e b b c c e e e e b b c c c c c c c c c c c c c c c c

a a b b a a b b c c c c d d b b c c c c d d b b c c e e e e b b c c e e e e b b c c c c c c c c c c c c c c c c 1. Zusammenhangsanalyse Wenden Sie auf das folgende Labelbild eine Zusammenhangsanalyse an! Verwenden Sie kleine Buchstaben als Marken (a,b,c,... )! 1 1 0 0 0 0 2 2 1 1 0 0 0 0 2 2 2 2 2 2 1 1 2 2 2 2

Mehr

Programmiertechnik Operatoren, Kommentare, Ein-/Ausgabe

Programmiertechnik Operatoren, Kommentare, Ein-/Ausgabe Programmiertechnik Operatoren, Kommentare, Ein-/Ausgabe Prof. Dr. Oliver Haase Oliver Haase Hochschule Konstanz 1 Was sind Operatoren? Ein Operator ist eine in die Programmiersprache eingebaute Funktion,

Mehr

Ratsgymnasium Bielefeld Schuljahr 2005/2006. Besondere Lernleistung im Fach Informatik. Thema: Verfahren zur Erkennung präsentierter Objekte

Ratsgymnasium Bielefeld Schuljahr 2005/2006. Besondere Lernleistung im Fach Informatik. Thema: Verfahren zur Erkennung präsentierter Objekte Ratsgymnasium Bielefeld Schuljahr 2005/2006 Besondere Lernleistung im Fach Informatik Thema: Verfahren zur Erkennung präsentierter Objekte Verfasser: Joa Diego Ebert Kurs: Informatik (inf) Kursleiter:

Mehr

Regionen in Binärbildern

Regionen in Binärbildern Regionen in Binärbildern Industrielle Bildverarbeitung, Vorlesung No. 9 1 M. O. Franz 05.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Auffinden

Mehr

Digitale Bildverarbeitung Einheit 8 Lineare Filterung

Digitale Bildverarbeitung Einheit 8 Lineare Filterung Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, wie lineare

Mehr

Digitale Bildverarbeitung (DBV)

Digitale 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

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

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

Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt

Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt TU Bergakademie Freiberg Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt Filter in der Bildverarbeitung. Einleitung Digitale Filter gehören zu den wirkungsvollsten Methoden der Bildverarbeitung. Wir können

Mehr

Digitale Bildverarbeitung Einheit 5 Bilder und Statistik

Digitale Bildverarbeitung Einheit 5 Bilder und Statistik Digitale Bildverarbeitung Einheit 5 Bilder und Statistik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, welche

Mehr

Bildcodierung und -speicherung

Bildcodierung und -speicherung Bildcodierung und -speicherung Allgemeine Datenstruktur zur universellen Bildcodierung: Grundsätzlich als Zeiger: Größen, die zur Compilierungszeit nicht #define LENGTH 80 bekannt sein können typedef char

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

16. All Pairs Shortest Path (ASPS)

16. All Pairs Shortest Path (ASPS) . All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e

Mehr

Digitale Bildverarbeitung Einheit 12 3D-Rekonstruktion

Digitale Bildverarbeitung Einheit 12 3D-Rekonstruktion Digitale Bildverarbeitung Einheit 12 3D-Rekonstruktion Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einen Eindruck davon

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

Projektdokumentation

Projektdokumentation Thema: Bildschärfung durch inverse Filterung von: Thorsten Küster 11027641 Lutz Kirberg 11023468 Gruppe: Ibv-team-5 Problemstellung: Bei der Übertragung von Kamerabildern über ein Video-Kabel kommt es

Mehr

Modul 122 VBA Scribt.docx

Modul 122 VBA Scribt.docx Modul 122 VBA-Scribt 1/5 1 Entwicklungsumgebung - ALT + F11 VBA-Entwicklungsumgebung öffnen 2 Prozeduren (Sub-Prozeduren) Eine Prozedur besteht aus folgenden Bestandteilen: [Private Public] Sub subname([byval

Mehr

Industrielle Bildverarbeitung mit OpenCV

Industrielle Bildverarbeitung mit OpenCV Industrielle Bildverarbeitung mit OpenCV Zhang,Duoyi 6.7.2 Gliederung. Einführung für OpenCV 2. Die Struktur von OpenCV Überblick Funktionsumfang in Ausschnitten mit Beispielen 3. Industrielles Anwendungsbeispiel

Mehr

Praktikum 6. Digitale Bildverarbeitung

Praktikum 6. Digitale Bildverarbeitung Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_06 ImageJ.doc Praktikum 6 Digitale Bildverarbeitung Industrielle Bildverarbeitung (Machine Vision) Fertigungskontrolle von Unterlegscheiben

Mehr

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht

Mehr

Zahlendarstellungen und Rechnerarithmetik*

Zahlendarstellungen und Rechnerarithmetik* Zahlendarstellungen und Rechnerarithmetik* 1. Darstellung positiver ganzer Zahlen 2. Darstellung negativer ganzer Zahlen 3. Brüche und Festkommazahlen 4. binäre Addition 5. binäre Subtraktion *Die Folien

Mehr

Grundlagen der Computer-Tomographie

Grundlagen der Computer-Tomographie Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen

Mehr

Praktikum 7. Industrielle Bildverarbeitung (Machine Vision) Differenzbild-Analyse zur Zahlenerkennung. Digitale Bildverarbeitung

Praktikum 7. Industrielle Bildverarbeitung (Machine Vision) Differenzbild-Analyse zur Zahlenerkennung. Digitale Bildverarbeitung Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_07 ImageJ.doc Praktikum 7 Digitale Bildverarbeitung Industrielle Bildverarbeitung (Machine Vision) Differenzbild-Analyse zur Zahlenerkennung

Mehr

Farbverarbeitung mit Bayer-Mosaic Sensoren

Farbverarbeitung mit Bayer-Mosaic Sensoren Autor: Dipl. Ing. (FH) Uwe Furtner Geschäftsführer BV-Produkte bei MATRIX Vision GmbH Stand: 31.08.2001 Farbverarbeitung mit Bayer-Mosaic Sensoren Einleitung Im Bereich der industriellen Farbbildverarbeitung

Mehr

Wintersemester Maschinenbau und Kunststofftechnik. Informatik. Tobias Wolf http://informatik.swoke.de. Seite 1 von 16

Wintersemester Maschinenbau und Kunststofftechnik. Informatik. Tobias Wolf http://informatik.swoke.de. Seite 1 von 16 Kapitel 5 Arithmetische Operatoren Seite 1 von 16 Arithmetische Operatoren - Man unterscheidet unäre und binäre Operatoren. - Je nachdem, ob sie auf einen Operanden wirken, oder eine Verknüpfung zweier

Mehr

:= Modellabbildung. Bildsynthese (Rendering) Bildsynthese

:= Modellabbildung. Bildsynthese (Rendering) Bildsynthese Geometrisches Modell bestehend aus Datenstrukturen zur Verknüpfung geometrischer Primitive, welche eine Gesamtszene beschreiben Bildsynthese := Modellabbildung Pixelbasiertes Modell zur Darstellung eines

Mehr

Kapitel 2 Grundlegende Konzepte. Xiaoyi Jiang Informatik I Grundlagen der Programmierung

Kapitel 2 Grundlegende Konzepte. Xiaoyi Jiang Informatik I Grundlagen der Programmierung Kapitel 2 Grundlegende Konzepte 1 2.1 Zahlensysteme Römisches System Grundziffern I 1 erhobener Zeigefinger V 5 Hand mit 5 Fingern X 10 steht für zwei Hände L 50 C 100 Centum heißt Hundert D 500 M 1000

Mehr

Wie es Euch gefällt Pixelvorverarbeitung oder RAW-Format

Wie es Euch gefällt Pixelvorverarbeitung oder RAW-Format Wie es Euch gefällt Pixelvorverarbeitung oder RAW-Format Je nach Anwendung werden an die Bilddaten unterschiedliche Anforderungen gestellt. Beim schnellen Schnappschuss möchte Sie ein fertiges Bild von

Mehr

Bildverarbeitung. Modul TA.BA EBV

Bildverarbeitung. Modul TA.BA EBV Bildverarbeitung Modul TA.BA EBV Tobias Plüss 29. Juni 2013 Inhaltsverzeichnis 1 Mathematische Beschreibung von Bildern................................... 5 1.1 Histogramm..............................................................

Mehr

Kapitel 0. Einführung. 0.1 Was ist Computergrafik? 0.2 Anwendungsgebiete

Kapitel 0. Einführung. 0.1 Was ist Computergrafik? 0.2 Anwendungsgebiete Kapitel 0 Einführung 0.1 Was ist Computergrafik? Software, die einen Computer dazu bringt, eine grafische Ausgabe (oder kurz gesagt: Bilder) zu produzieren. Bilder können sein: Fotos, Schaltpläne, Veranschaulichung

Mehr

Inhaltsverzeichnis. 3. Erläuterungen zu den Programmbeispielen 13 3.1 Arbeitsblätter 13

Inhaltsverzeichnis. 3. Erläuterungen zu den Programmbeispielen 13 3.1 Arbeitsblätter 13 Inhaltsverzeichnis 1. Einführung 1 1.1 Ursprünge der Bildverarbeitung 1 1.2 Einordnung und Anwendungen der Bildverarbeitung ] 1.3 Die Bildverarbeitungskette 2 1.4 Aufbau und Inhalt des Buches 3 2. Das

Mehr

Einführung Aufgabe 1 - Bildverarbeitung. Anton Augsburg 2011

Einführung Aufgabe 1 - Bildverarbeitung. Anton Augsburg 2011 Einführung Anton Augsburg 2011 Inhalt 1 - Allgemeine Hinweise 2 - Grundlagen 3 - Aufgabenstellung 4 - C# 5 - Einführendes Beispiel 6 - Aufgabenhinweise Medien und Medienströme SS 2011 - Anton Augsburg

Mehr

Clustering Seminar für Statistik

Clustering Seminar für Statistik Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden

Mehr

die Kunst, mit wenig Farbklexen bunte Bilder zu machen Halftoning, Dithering

die Kunst, mit wenig Farbklexen bunte Bilder zu machen Halftoning, Dithering Farbreduktion die Kunst, mit wenig Farbklexen bunte Bilder zu machen Halftoning, Dithering zwei Schritte: geeignete Farben (Repäsentanten) finden Farbreduktion alle Bildfarben den Repräsentanten zuordnen

Mehr

Objektorientierte Programmierung

Objektorientierte Programmierung Unterlagen zur Veranstaltung Einführung in die Objektorientierte Programmierung Mit Processing Alexis Engelke Sommer 2012 Alexis Engelke Inhalt Level 1: Geometrie Hintergrundfarben Punkte, Linien und deren

Mehr

Grafikformate. Grafikformate. Digitale Bildverarbeitung Bildkompression

Grafikformate. Grafikformate. Digitale Bildverarbeitung Bildkompression Digitale Bildverarbeitung Bildkompression Einleitung Datenmenge für ein unkomprimiertes Bild Verwendungszweck des Bildes Bild soll weiterverarbeitet werden Bild soll archiviert werden Bild soll per E-Mail

Mehr

Geoinformatik I /Geoinformationsysteme

Geoinformatik I /Geoinformationsysteme Geoinformatik I /Geoinformationsysteme SS 2005 1 Georeferenzieren a) Sie haben ein Feature, das mit den Angaben [WGS-1984, UTM-Zone 12N] georeferenziert ist. Was bedeuten die beiden Angaben? (Was ist ein

Mehr

Digitale Bildverarbeitung OPTONET Mastertour bei Allied Vision Technologies

Digitale Bildverarbeitung OPTONET Mastertour bei Allied Vision Technologies Digitale Bildverarbeitung OPTONET Mastertour bei Allied Vision Technologies Technische Universität Ilmenau Fachgebiet Qualitätssicherung Dr.-Ing. Maik Rosenberger 1 Inhalt 1 Grundbegriffe der Bildverarbeitung

Mehr

Kapitel 3: Problemformulierungen in der KI. oder das Problem ist die halbe Lösung

Kapitel 3: Problemformulierungen in der KI. oder das Problem ist die halbe Lösung Kapitel 3: Problemformulierungen in der KI oder das Problem ist die halbe Lösung Lernziele: eine Struktur für die Definition eines problemlösenden Agenten kennen die wichtige Rolle von Abstraktionen in

Mehr

Analyse von Bildmerkmalen zur Identifikation wichtiger Bildregionen

Analyse von Bildmerkmalen zur Identifikation wichtiger Bildregionen University of Mannheim/Computer Science Technical Report TR-2013-004 Analyse von Bildmerkmalen zur Identifikation wichtiger Bildregionen Jakob Huber, Stephan Kopf, Philipp Schaber Department of Computer

Mehr

2D-Transformationen. Kapitel 6. 6.1 Translation. 6.2 Skalierung

2D-Transformationen. Kapitel 6. 6.1 Translation. 6.2 Skalierung Kapitel 6 2D-Transformationen Mit Hilfe von Transformationen ist es möglich, die Position, die Orientierung, die Form und die Größe der grafischen Objekte zu manipulieren. Transformationen eines Objekts

Mehr

Linear Workflow. Linear Workflow. Version 1.0-2011-10-11

Linear Workflow. Linear Workflow. Version 1.0-2011-10-11 Version 1.0-2011-10-11 Verfahren, Bilder unter Rücksichtnahme ihres Farbprofils und der des Ausgabegeräts zu berechnen (3D), bzw. zu bearbeiten (Compositing), um eine mathematisch und physikalisch korrekte

Mehr

Bildtransformationen. Geometrische Transformationen Grauwert-Interpolation

Bildtransformationen. Geometrische Transformationen Grauwert-Interpolation Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an

Mehr

Farbdarstellung. aber mit einem ausgeprägten Empfindlichkeitsmaximum im roten, grünen bzw. blauen Bereich.

Farbdarstellung. aber mit einem ausgeprägten Empfindlichkeitsmaximum im roten, grünen bzw. blauen Bereich. Erinnerung aus dem Biologieunterricht: Das menschliche Auge hat Stäbchen zur Unterscheidung von Helligkeiten drei verschiedene Arten von Zäpfchen, die für rot, grün und blau empfindlich sind. Genauer:

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

Grundlagen der Bildverarbeitung: Übung 1

Grundlagen der Bildverarbeitung: Übung 1 Grundlagen der Bildverarbeitung: Übung 1 Michael Korn Raum: BC 414, Tel.: 0203-379 - 3583, E-Mail: michael.korn@uni-due.de Michael Korn (michael.korn@uni-due.de) GBV: Übung 1 1 / 24 Digitale Bilder Michael

Mehr

Bilddateien. Für die Speicherung von Bilddaten existieren zwei grundsätzlich unterschiedliche Verfahren. Bilder können als

Bilddateien. Für die Speicherung von Bilddaten existieren zwei grundsätzlich unterschiedliche Verfahren. Bilder können als Computerdateien Alle Dateien auf dem Computer, egal ob nun Zeichen (Text), Bilder, Töne, Filme etc abgespeichert wurden, enthalten nur eine Folge von Binärdaten, also Nullen und Einsen. Damit die eigentliche

Mehr

Optische Analyse der Schaumstruktur zur Optimierung von PUR-Systemen und zur Prozesskontrolle

Optische Analyse der Schaumstruktur zur Optimierung von PUR-Systemen und zur Prozesskontrolle Optische Analyse der Schaumstruktur zur Optimierung von PUR-Systemen und zur Prozesskontrolle Dirk Wehowsky, Getzner Werkstoffe GmbH 23.11.05 KTWE / Wed 1 Gliederung Motivation Optische Messtechnik Strukturmerkmale

Mehr

-Pixelgrafik, Rastergrafik Beispiele: bmp (Bitmap) tiff (Tagged Image File Format, u. a. Rastergrafik, aber auch mehr) raw (reine Pixeldaten)

-Pixelgrafik, Rastergrafik Beispiele: bmp (Bitmap) tiff (Tagged Image File Format, u. a. Rastergrafik, aber auch mehr) raw (reine Pixeldaten) Multimediale Werkzeuge, Bildobjekte -Beispiel für ein Programm zur Bearbeitung von Bildern: Adobe Photoshop. Speichern in unterschiedlichen Formaten, Bearbeiten z.b. unscharf filtern, scharf filtern...

Mehr

Tipp 14 Messdaten für die Analyse vorbereiten!

Tipp 14 Messdaten für die Analyse vorbereiten! Der NanoFocus-Expertentipp Tipp 14 Messdaten für die Analyse vorbereiten! NanoFocus AG 1 Die Messdaten sind erfasst und was nun? Jeder Messdatensatz bedarf einer Aufbereitung vor der eigentlichen Analyse.

Mehr

Bildverstehen. Vorlesung an der TU Chemnitz SS 2013

Bildverstehen. Vorlesung an der TU Chemnitz SS 2013 Bildverstehen Vorlesung an der TU Chemnitz SS 2013 Johannes Steinmüller 1/B309 Tel.: 531 35198 stj@informatik.tu-chemnitz.de Seite zur Vorlesung: http://www.tu-chemnitz.de/informatik/ki/edu/biver/ Buch

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

Übersicht der Vorlesung

Übersicht der Vorlesung Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse

Mehr

Hauptdiplomklausur Informatik August 2006: Multimedia Technology

Hauptdiplomklausur Informatik August 2006: Multimedia Technology Universität Mannheim Fakultät für Mathematik und Informatik Lehrstuhl für Praktische Informatik IV Prof. Dr.-Ing. W. Effelsberg Hauptdiplomklausur Informatik August 2006: Multimedia Technology Name: Matrikel-Nr.:

Mehr

"rendern" = ein abstraktes geometrisches Modell sichtbar machen

rendern = ein abstraktes geometrisches Modell sichtbar machen 3. Grundlagen des Rendering "rendern" = ein abstraktes geometrisches Modell sichtbar machen Mehrere Schritte: Sichtbarkeitsberechnung Beleuchtungsrechnung Projektion Clipping (Abschneiden am Bildrand)

Mehr

Computergraphik I. Scan Conversion: Lines & Co. Einordnung in die Pipeline. G. Zachmann Clausthal University, Germany zach@tu-clausthal.

Computergraphik 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

Mehr

Bildrekonstruktion & Multiresolution

Bildrekonstruktion & Multiresolution Bildrekonstruktion & Multiresolution Verkleinern von Bildern? Was ist zu beachten? Es kann aliasing auftreten! Das Abtasttheorem sagt wie man es vermeidet? ===> Page 1 Verkleinern von Bildern (2) Vor dem

Mehr

Begriffe: (grafische) Benutzeroberfläche, (grafische) Benutzerschnittstelle,

Begriffe: (grafische) Benutzeroberfläche, (grafische) Benutzerschnittstelle, Gestaltung der Benutzeroberfläche Begriffe: (grafische) Benutzeroberfläche, (grafische) Benutzerschnittstelle, GUI (graphics user interface), Drei Grundsätze vorab: Halten Sie sich, wo immer möglich, an

Mehr

David Obermann Fragen zu Grundlagen Digitaler Medien SoSe 2012 (Teil II)

David Obermann Fragen zu Grundlagen Digitaler Medien SoSe 2012 (Teil II) Fragen ab ca SU 7 Histogramme: Was kann man an einem Histogramm ablesen, was nicht? Welche Aussagen können Sie zu Belichtung, Kontrast, Dynamik sagen, wenn Ihnen ein Histogramm vorgelegt wird? Skizzieren

Mehr

Fahrzeuglokalisierung anhand visueller Landmarken und einer digitalen Karte

Fahrzeuglokalisierung anhand visueller Landmarken und einer digitalen Karte Fahrzeuglokalisierung anhand visueller Landmarken und einer digitalen Karte Oliver Pink INSTITUT FÜR MESS- UND REGELUNGSTECHNIK KIT - Universität des Landes Baden-Württemberg und nationales Großforschungszentrum

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

Daten, Informationen, Kodierung. Binärkodierung

Daten, Informationen, Kodierung. Binärkodierung Binärkodierung Besondere Bedeutung der Binärkodierung in der Informatik Abbildung auf Alphabet mit zwei Zeichen, in der Regel B = {0, 1} Entspricht den zwei möglichen Schaltzuständen in der Elektronik:

Mehr

5.4 Klassen und Objekte

5.4 Klassen und Objekte 5.4 Klassen und Objekte Zusammenfassung: Projekt Figuren und Zeichner Figuren stellt Basisklassen für geometrische Figuren zur Verfügung Zeichner bietet eine übergeordnete Klasse Zeichner, welche die Dienstleistungen

Mehr

Bildauswertung in UAV

Bildauswertung in UAV Bildauswertung in UAV Prof. Dr. Nailja Luth Prof. N. Luth Emden 2014-1 OTH Ost-Bayerische Technische Hochschule Amberg-Weiden Prof. N. Luth Emden 2014-2 Prof. Dr.-Ing. N. Luth: Vorlesung Bildverarbeitung

Mehr

Computerarithmetik ( )

Computerarithmetik ( ) Anhang A Computerarithmetik ( ) A.1 Zahlendarstellung im Rechner und Computerarithmetik Prinzipiell ist die Menge der im Computer darstellbaren Zahlen endlich. Wie groß diese Menge ist, hängt von der Rechnerarchitektur

Mehr

Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh. www.its-owl.de

Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh. www.its-owl.de Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh www.its-owl.de Agenda Abschlusspräsentation itsowl-tt-kapela Einführung Zielsetzung Ergebnisse Resümee und Ausblick

Mehr

Digitale Bildverarbeitung (DBV)

Digitale 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

Mehr

Elementare Bildverarbeitungsoperationen

Elementare Bildverarbeitungsoperationen 1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf

Mehr

Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen:

Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: 1 Parallele Algorithmen Grundlagen Parallele Algorithmen Grundlagen Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: Dekomposition eines Problems in unabhängige Teilaufgaben.

Mehr

Vortrag Postscript, Einführung, Koordinatgeometrie und Prozeduren

Vortrag Postscript, Einführung, Koordinatgeometrie und Prozeduren Vortrag Postscript, Einführung, Koordinatgeometrie und Prozeduren 03.05.2006 1 2 Punkte und Vektoren Einfache Parallelogramme Vektorprojektion Rotation 3 Variablen Prozeduren 4 3 Grundlegende Fragen zum

Mehr

Vier Gewinnt Nicolas Schmidt Matthias Dietsche Bernhard Weiß Benjamin Ruile Datum: 17.2.2009 Tutor: Prof. Schottenloher Spieltheorie

Vier Gewinnt Nicolas Schmidt Matthias Dietsche Bernhard Weiß Benjamin Ruile Datum: 17.2.2009 Tutor: Prof. Schottenloher Spieltheorie Vier Gewinnt Nicolas Schmidt Matthias Dietsche Bernhard Weiß Benjamin Ruile Datum: 17.2.2009 Tutor: Prof. Schottenloher Spieltheorie Präsentation Agenda I. Einführung 1. Motivation 2. Das Spiel Vier Gewinnt

Mehr

Gemeinsame Tagung 2014 der DGfK, der DGPF, der GfGI und des GiN (DGPF Tagungsband 23 / 2014) Bildqualität

Gemeinsame Tagung 2014 der DGfK, der DGPF, der GfGI und des GiN (DGPF Tagungsband 23 / 2014) Bildqualität Bildqualität KARSTEN JACOBSEN Zusammenfassung: Die effektive Bildqualität kann mittels Kantenanalyse bestimmt werden. Die Ergebnisse der Kantenanalyse können allerdings durch Bildschärfungsoperatoren beeinflusst

Mehr

Kapitel 2. Grundlagen Computer Vision. ,,Even a journey of a thousand miles begins with a small step

Kapitel 2. Grundlagen Computer Vision. ,,Even a journey of a thousand miles begins with a small step Kapitel 2 Kapitel 2 Grundlagen p. 1/40 Grundlagen Computer Vision,,Even a journey of a thousand miles begins with a small step Bildtypen Beleuchtung Bildentstehung Digitale Topologie Globale Charakterisierung

Mehr

Datentypen. Agenda für heute, 4. März, 2010. Pascal ist eine streng typisierte Programmiersprache

Datentypen. Agenda für heute, 4. März, 2010. Pascal ist eine streng typisierte Programmiersprache Agenda für heute, 4. März, 2010 Zusammengesetzte if-then-else-anweisungen Datentypen Pascal ist eine streng typisierte Programmiersprache Für jeden Speicherplatz muss ein Datentyp t (Datenformat) t) definiert

Mehr

Protokoll. Farben und Spektren. Thomas Altendorfer 9956153

Protokoll. Farben und Spektren. Thomas Altendorfer 9956153 Protokoll Farben und Spektren Thomas Altendorfer 9956153 1 Inhaltsverzeichnis Einleitung Ziele, Vorwissen 3 Theoretische Grundlagen 3-6 Versuche 1.) 3 D Würfel 7 2.) Additive Farbmischung 8 3.) Haus 9

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische

Mehr

Informationsverarbeitung im Bauwesen

Informationsverarbeitung im Bauwesen 1/23 Informationsverarbeitung im Bauwesen Einführung in das Programmieren mit C++ Markus Uhlmann Institut für Hydromechanik Karlsruher Institut für Technologie www.ifh.kit.edu WS 2010/2011 Vorlesung 6

Mehr

Repräsentation von Daten: Binär-, Oktal- u. Hexadezimalcodierung von ganzen und rationalen Zahlen

Repräsentation von Daten: Binär-, Oktal- u. Hexadezimalcodierung von ganzen und rationalen Zahlen Großübung 1: Zahlensysteme Repräsentation von Daten: Binär-, Oktal- u. Hexadezimalcodierung von ganzen und rationalen Zahlen Lehrender: Dr. Klaus Richter, Institut für Informatik; E-Mail: richter@informatik.tu-freiberg.de

Mehr

Smart-Grid-Tools Beschleunigen Sie die Erstellung von Bauteilen ZUSAMMENFASSUNG. IM WORKSHOP Tip #14. Die Herausforderung, große Bauteile zu erstellen

Smart-Grid-Tools Beschleunigen Sie die Erstellung von Bauteilen ZUSAMMENFASSUNG. IM WORKSHOP Tip #14. Die Herausforderung, große Bauteile zu erstellen IM WORKSHOP Tip #14 Smart-Grid-Tools Beschleunigen Sie die Erstellung von Bauteilen ZUSAMMENFASSUNG Mai 2007 Autor: Phil Loughhead Die Erstellung von Bauteilen ist ein fundamentaler Bestandteil des Design-

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

Foto und Grafik. Arbeitsheft für den Informatikunterricht. Fotos, Pixel und Vektoren sowie Bildbearbeitung am PC. Name. ... Klasse ...

Foto und Grafik. Arbeitsheft für den Informatikunterricht. Fotos, Pixel und Vektoren sowie Bildbearbeitung am PC. Name. ... Klasse ... Foto und Grafik Arbeitsheft für den Informatikunterricht Fotos, Pixel und Vektoren sowie Bildbearbeitung am PC Name... Klasse... Ausgabe 2011 Redaktion N. Braun, Fachlehrer ICT & Medien Internet: www.jumpcuts.ch

Mehr

3 Rechnen und Schaltnetze

3 Rechnen und Schaltnetze 3 Rechnen und Schaltnetze Arithmetik, Logik, Register Taschenrechner rste Prozessoren (z.b. Intel 4004) waren für reine Rechenaufgaben ausgelegt 4 4-Bit Register 4-Bit Datenbus 4 Kbyte Speicher 60000 Befehle/s

Mehr