Binärbildverarbeitung

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Binärbildverarbeitung

Binärbildverarbeitung Prof. Dr. Wolfgang Konen, Thomas Zielke Binärbildverarbeitung SS06 4.1 Konen, Zielke Anwendungen von Binärbildern Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte

Mehr

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

Morphologische Filter

Morphologische 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

Mehr

Graphische Datenverarbeitung und Bildverarbeitung

Graphische 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

Mehr

Computergrafik 2: Morphologische Operationen

Computergrafik 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

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

Distributed Algorithms. Image and Video Processing

Distributed Algorithms. Image and Video Processing Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben

Mehr

Digitalisierung. Vorlesung FH-Hagenberg DSB

Digitalisierung. Vorlesung FH-Hagenberg DSB Digitalisierung Vorlesung FH-Hagenberg DSB Abbildungssysteme Camera obscura einfachstes Abbildungssystem bekannt seit dem Altertum Licht fällt durch eine Lochblende in das Innere einer abgedunkelten Kammer

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

Übersicht der Vorlesung

Übersicht der Vorlesung Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse

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

Morphologische BV. Morphological Image Processing. M. Thaler, TG208 Bildverarbeitung ZHAW, BV HS17, M. Thaler.

Morphologische BV. Morphological Image Processing. M. Thaler, TG208 Bildverarbeitung ZHAW, BV HS17, M. Thaler. Morphologische BV Morphological Image Processing M. Thaler, TG208 tham@zhaw.ch Juni 7 Um was geht es? threshold Binärbild region fill egdes Juni 7 2 2 ... um was geht es? Morphologie in der Biologie Beschäftigung

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

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

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

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

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

Übersicht der Vorlesung

Übersicht der Vorlesung Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse

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

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

Parallele Algorithmen in der Bildverarbeitung

Parallele 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

Mehr

Morphologische Bildverarbeitung I

Morphologische Bildverarbeitung I Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Abteilung Stochastik Abteilung Angewandte Informationsverarbeitung SS 03 Morphologische Bildverarbeitung I Vortrag mit Programmvorstellung

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

Modul 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 Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften

Mehr

EVC Repetitorium Blender

EVC Repetitorium Blender EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Filter Transformationen

Mehr

4. Segmentierung von Objekten Video - Inhaltsanalyse

4. 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

Mehr

Morphologische Bildverarbeitung II

Morphologische Bildverarbeitung II FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER

Mehr

Digitale Bildverarbeitung Einheit 9 Morphologische Operationen

Digitale 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,

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

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

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

Morphologische Filter. Vorlesung FH-Hagenberg DSB

Morphologische Filter. Vorlesung FH-Hagenberg DSB Morphologische Filter Vorlesung FH-Hagenberg DSB Mathematische Morphologie Binäre Morphologie Strukturelement Grundlegende Operatoren Erosion, Dilation Abgeleitete Operatoren Open, close Grauwert-Morphologie

Mehr

Digitale Bildverarbeitung Einheit 9 Morphologische Operationen

Digitale 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,

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

LU 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 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

Mehr

Bildverarbeitung in R

Bildverarbeitung in R Bildverarbeitung in R Tobias Klinke Proseminar R Fachbereich Informatik Fakultät für Mathematik, Informatik und Naturwissenschaften Universität Hamburg Betreuer: Jakob Lüttgau 2016-07-13 Tobias Klinke

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

Digitale Bildverarbeitung Einheit 9 Morphologische Operationen

Digitale 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,

Mehr

9. Kombination von Vektor- und Rasterdaten

9. 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

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

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

Wasserscheiden-Ansätze zur Bildsegmentierung I

Wasserscheiden-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

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

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

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

Digitale Bildverarbeitung Einheit 7 Bildarithmetik

Digitale Bildverarbeitung Einheit 7 Bildarithmetik Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit

Mehr

Was bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch

Was bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col

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

Digitale Bildverarbeitung Einheit 7 Bildarithmetik

Digitale Bildverarbeitung Einheit 7 Bildarithmetik Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit

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

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

1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.

1. 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

Mehr

Kapitel 9 Kombination von Vektor- und Rasterdaten

Kapitel 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

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

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

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

Verarbeitung von Volumenbildern wichtige Werkzeuge

Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen

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

Prof. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004

Prof. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004 zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau

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

2. Schnitterkennung Videoanalyse

2. Schnitterkennung Videoanalyse 2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte

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

Bildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17

Bildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen

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

Graphische Datenverarbeitung

Graphische Datenverarbeitung Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Prof. Dr. Elke Hergenröther Übersicht Maße zur Beurteilung von Bildern: Histogramm Entropie GDV: Bildbearbeitung für Rasterbilder Punktoperationen:

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

FARBTIEFE / KANÄLE 1 5

FARBTIEFE / KANÄLE 1 5 1 5 FARBTIEFE Die Farbtiefe gibt an, wieviel bit an Informationen pro Pixel gespeichert werden. Je mehr bits gespeichert werden, desto mehr verschiedene Farbabstufungen können dargestellt werden. Farbtiefe

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

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

Graphische Datenverarbeitung

Graphische Datenverarbeitung Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Übersicht l Neu Folien:, 28 und ab 56 l Maße zur Beurteilung von Bildern: l Histogramm l Entropie l Punktoperationen: l Lineare Veränderung

Mehr

Bilder: Eigenschaften

Bilder: Eigenschaften Bilder: Eigenschaften Images M. Thaler TG208 tham@zhaw.ch Juni 17 1 1 Um was geht es? Juni 17 2 Was ist ein Bild? - hier sehen sie verschiedene Ausschnitte eines digitalen Bildes -das Bild besteht aus

Mehr

9. Bitlevel-Verarbeitung in C

9. Bitlevel-Verarbeitung in C 9. Bitlevel-Verarbeitung in C Ein Bit stellt die kleinste im Rechner darstellbare Informationseinheit dar. Die kleinste adressierbare Einheit in einem Speicher ist aber das Byte. C stellt deshalb für Bits

Mehr

Bild-Erkennung & -Interpretation

Bild-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

Mehr

cdna Arrays auf Glas

cdna Arrays auf Glas Bildverarbeitung Digitale Bilder cdna Arrays auf Glas Glas Arrays Bis zu 40.000 Proben pro Halter, oder 5.000 pro cm 2 Fläche Fluoreszierende Target Spezialisierter Scanner 1 Ink Jet Spot Deposition Results

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

Erkennung von Olivenhainen im Luftbild

Erkennung 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

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

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

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

Internationaler Studiengang Medieninformatik

Internationaler Studiengang Medieninformatik HTW Berlin Prof. Dr. Kai Uwe Barthel Nachname: Vorname: Codename: Matr. Nr: Internationaler Studiengang Medieninformatik Grundlagen digitaler Medien Sitzplatz: Punkte: Note: Nachklausur WS09/10 26. 3.

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

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

Prüfung Grundlagen der digitalen Bildbearbeitung

Prüfung 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,

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

Programmierpraktikum WS 16/17

Programmierpraktikum WS 16/17 Programmierpraktikum in Rasterbildern Fakultät für Mathematik und Informatik Datenbanksysteme für neue Anwendungen FernUniversität in Hagen 8.Oktober 2016 c 2016 FernUniversität in Hagen Übersicht 1 Raster-

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

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

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

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

Medizinische Bildverarbeitung. FH-Campus Hagenberg

Medizinische Bildverarbeitung. FH-Campus Hagenberg Medizinische Bildverarbeitung Campus Hagenberg 20 km nordöstlich von Linz 7 Bachelor-Studiengänge + 5 Masterstudiengänge 3 Cluster: Software / Systeme / Medien Medizin-Informatik, Bioinformatik Derzeit

Mehr

Graphische Datenverarbeitung und Bildverarbeitung

Graphische Datenverarbeitung und Bildverarbeitung Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Segmentierung Graphische DV und BV, Regina Pohle, 13. Segmentierung 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische

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

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

Praktikum Sensitometrie

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

Mehr

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

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

Bildverbesserung (Image Enhancement)

Bildverbesserung (Image Enhancement) Prof. Dr. Wolfgang Konen, Thomas Zielke Bildverbesserung (Image Enhancement) WS07 7.1 Konen, Zielke Der Prozess der Bildverbesserung (1) Bildverbesserung wird häufig dafür eingesetzt, die für einen menschlichen

Mehr

Programmieren: Bildbearbeitung

Programmieren: Bildbearbeitung Programmieren: Bildbearbeitung Das Thema der folgenden Aufgaben ist Bildbearbeitung. Sie erhalten dazu ein Rahmenprogramm, das bereits Bilder lesen und darstellen kann. Dieses Rahmenprogramm basiert auf

Mehr

Grundlagen von Rasterdaten

Grundlagen von Rasterdaten LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 7: Grundlagen von Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2014/15 Ludwig-Maximilians-Universität

Mehr