Morphologische Filter. Vorlesung FH-Hagenberg DSB

Größe: px
Ab Seite anzeigen:

Download "Morphologische Filter. Vorlesung FH-Hagenberg DSB"

Transkript

1 Morphologische Filter Vorlesung FH-Hagenberg DSB

2 Mathematische Morphologie Binäre Morphologie Strukturelement Grundlegende Operatoren Erosion, Dilation Abgeleitete Operatoren Open, close Grauwert-Morphologie Foliensatz W. Burger, W. Backfrieder

3 Ziel: Strukturabhängige Segmentierung artefacts (a) (b) (c) (a) fingerprint grey-level, (b) thresholded image, (c) morphological filter, artefacts removed

4 Binärbilder nur 2 Pixelwerte: BLACK WHITE 0 1 (255) Binarisierung durch Schwellwertbildung: q 1 P th...schwellwert Threshold p th p

5 MEDIAN-Filter Original gefiltert dünne Elemente werden eliminiert dicke Elemente bleiben erhalten Ergebnis ist abhängig von lokaler Bildstruktur!

6 Kann man Filter bauen, die auf bestimmte Strukturen gezielt reagieren? Bsp.: kleine Flecken eliminieren

7 IDEE: 1. alle Regionen schrumpfen (kleine verschwinden) 2. übrige Regionen wieder wachsen lassen

8 Schrumpfen einer Region (1) Original

9 Schrumpfen einer Region (2) Abschälen einer Schicht Erosion

10 Schrumpfen einer Region (3) Ergebnis Erosion

11 Bsp. Erosion [Weeks]

12 Wachsen einer Region (1) Original

13 Wachsen einer Region (2) Hinzufügen einer Schicht Dilation

14 Wachsen einer Region (3) Ergebnis Dilation

15 Bsp. Dilation [Weeks]

16 EROSION, DILATION: wie definiert? Gibt es weitere solche Operationen? Morphologische Filter Strukturelement (analog zur Impulsantwort): H = Hot Spot

17 Darstellung als Mengen: Bsp.: A = {(1,1), (2,1), (2,2)} (Bild) (x a,y a ) H = {(0,0), (1,0)} (Strukturelement)

18 Dilation B = A H Ergebnis Bild Strukturelement A H = {(x,y) (x,y) = (x a,y a ) + (x h,y h )} für alle möglichen Paare (x a,y a ) A, (x h,y h ) H

19 Bsp.: Dilation A H = A H = { (1,1)+(0,0), (1,1)+(1,0), (2,1)+(0,0), (2,1)+(1,0), (2,2)+(0,0), (2,2)+(1,0) }

20 Bsp.: Dilation A H = B = Wenn am Hotspot das Element in A gesetzt ist, dann werden in B alle Elemente von H markiert!

21 Erosion A H = B = Wenn alle Elemente von H in A Überlappung finden, nur dann wird in B der Hot-Spot markiert!

22 Erosion B = A H Ergebnis Bild Strukturelement A H= {(x,y) (x,y) + (x h,y h ) A} für alle möglichen Punkte (x h,y h ) H

23 Bsp.: Erosion A H = B = A H= {(1,1)} weil (1,1)+(0,0)=(1,1) A und (1,1)+(1,0)=(2,1) A

24 Dilation A H = H A kommutativ (A B) C = A (B C) Kettenregel (assoziativ) Erosion A H = H A NICHT kommutativ (A B) C) = A (B C) Kettenregel

25 Typische Strukturelemente 4-Neighborhood 8-Neighborhood Small Disk

26 Paarweise Anwendung (Erosion + Dilation) Erosion (H) Dilation (H) Opening (A H) H = A H Kleine Strukturen werden eliminiert

27 Bsp. Opening

28 Bsp. Opening (A H) H [Weeks]

29 Paarweise Anwendung (Dilation + Erosion) Dilation (H) Erosion (H) Closing (A H) H = A H Kleine Abstände werden geschlossen

30 Bsp. Closing

31 Bsp. Closing (A H) H [Weeks]

32 Morphologischer Filter Mengen aller Translationen Vereinigung aus Objekt und Strukturelement ist nicht leer

33 Segmentierung: Threshold

34 Segmentierung: Erosion

35 Segmentierung: Connect

36 Segmentie-rung: Dilation

37 Binäre Morphologische Filter (Beispiele)

38 Binäre Dilation (Disk r=2.5, 5.0, 20)

39 Binäre Erosion (Disk r=1.0, 2.5, 5.0)

40 Binäres Opening = Erosion + Dilation (Disk r=1.0, 2.5, 5.0)

41 Binäres Closing = Dilation + Erosion (Disk r=1.0, 2.5, 5.0)

42 Morphologische Konturextrakion

43 Outline Schnittmenge Erosion H: 4-neighborhood H: 8-neighborhood

44 Outline 4-neighborhood filter -> 8-neighborhood contour 8-neighborhood filter -> 4-neighborhood contour

45 Skeletonize "Intelligent" Morphology

46 Zusammenfassung: Morphologische Filter (MF) reagieren selektiv auf Bildstrukturen Erosion/Dilation sind grundlegende Operationen Opening/Closing = Hintereinanderausführen von Erosion/Dilation Eindeutige Spezifikation durch Strukturelement

47 Graustufen Morphologie Morphologie II W. Burger, W. Backfrieder

48 Grayscale Morphology GS Dilation: GS Erosion: R j i H v u I ), ( ),, ( { } ), ( ), ( max ), )( ( ), ( j i H j v i u I v u H I H j i = { } ), ( ), ( min ), )( ( ), ( j i H j v i u I v u H I H j i + + =

49 Grayscale Dilation A H = A + H max

50 r=2.5 Grayscale Dilation (Disk) r=10

51 Grayscale Erosion A H = A H min

52 r=2.5 Grayscale Erosion (Disk) r=10

53 r=2.5 Grayscale Opening (Disk) r=10 (A H) H

54 r=2.5 Grayscale Closing (Disk) r=10 (A H) H

55 Geometrische Interpretation Opening Closing [Parker]

56 Color Morphology kein spezieller Ansatz separate Anwendung auf R/G/B

57 Erosion Dilation

58 Opening Closing

59 Zusammenfassung: Morphologische Filter (MF) reagieren selektiv auf Bildstrukturen Erosion/Dilation sind grundlegende Operationen Opening/Closing = Hintereinanderausführen von Erosion/Dilation Eindeutige Spezifikation durch Strukturelement MF werden vorwiegend auf Binärbilder angewandt (auch für Graubilder definiert)

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

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

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

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

Signalverarbeitung g für audiovisuelle Kommunikation

Signalverarbeitung g für audiovisuelle Kommunikation University of Applied Science Signalverarbeitung g für audiovisuelle Kommunikation 3. Segmentierung - Morphologische Operationen Morphologische Operationen Morphologie: die Gestalt betreffend Gestalt in

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

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

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

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

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

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

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

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

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

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

Spezialgebiet: "mathematische Morphologie" (Begr. v. G. Matheron & J. Serra in Frankreich, Analyse poröser Materialien)

Spezialgebiet: mathematische Morphologie (Begr. v. G. Matheron & J. Serra in Frankreich, Analyse poröser Materialien) Fortsetzung zu Kap. 3: Bildoperationen 3.5 Morphologische Operationen Morphologie = Formenlehre Idee: über flexible Festlegung eines strukturierenden Elements (Maske) Einfluss auf zu extrahierende Formen

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

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

Praktikum Bildverarbeitung Termin 3

Praktikum Bildverarbeitung Termin 3 Praktikum Bildverarbeitung Termin 3 Bilddigitalisierung: Videos, Bildaufbereitung: Morphologische Operationen Bildanalyse: Segmentierung, Labeling, Merkmalsextration 1 Morphologische Operationen: Lösungen

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

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

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

2. Übung: Einführung in MeVisLab

2. Übung: Einführung in MeVisLab 2. Übung: Einführung in MeVisLab MeVisLab Entwicklungsumgebung für die medizinische Bildverarbeitung und Visualisierung MeVisLab wird von der MeVis Medical Solutions AG und dem Fraunhofer Institut MEVIS

Mehr

Unit 5. Mathematical Morphology. Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 85

Unit 5. Mathematical Morphology. Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 85 Unit 5 Mathematical Morphology Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 85 Introduction to Mathematical Morphology Use of algebraic analysis for detecting

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

Segmentierung. Vorlesung FH-Hagenberg SEM

Segmentierung. Vorlesung FH-Hagenberg SEM Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt

Mehr

GRUNDLAGEN DER INFORMATIONSTECHNIK / TEIL BILDVERARBEITUNG. Übungen

GRUNDLAGEN DER INFORMATIONSTECHNIK / TEIL BILDVERARBEITUNG. Übungen GRUNDLAGEN DER INFORMATIONSTECHNIK / TEIL BILDVERARBEITUNG Übungen Otto-von-Guericke-Universität Magdeburg Fakultät für Elektrotechnik und Informationstechnik Institut für Elektronik, Signalverarbeitung

Mehr

Image Compression. Vorlesung FH-Hagenberg DSB

Image Compression. Vorlesung FH-Hagenberg DSB Image Compression Vorlesung FH-Hagenberg DSB Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz Inhalte Redundanz Loss-less Compression Hufmann Coding Runlength Coding Lossy Compression

Mehr

Kapitel 2: Mathematische Grundlagen

Kapitel 2: Mathematische Grundlagen [ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen

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

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

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

Image Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg

Image Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg Image Compression Vorlesung FH-Hagenberg SEM Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz 1 Inhalte Redundanz Error-Free Compression Hufmann Coding Runlength Coding Lossy Compression

Mehr

Image Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg

Image Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg Image Compression Vorlesung FH-Hagenberg SEM Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz 1 Inhalte Redundanz Channel Encoding Error-Free Compression Hufmann Coding Runlength

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

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

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

1 EINLEITUNG MESSKONZEPTE UND IHRE EIGENSCHAFTEN... 7

1 EINLEITUNG MESSKONZEPTE UND IHRE EIGENSCHAFTEN... 7 Property-Based Measurement Inhaltsverzeichnis 1 EINLEITUNG... 3 2 GRUNDLEGENDE DEFINITIONEN... 4 2.1 SYSTEME UND MODULE... 4 2.2 MODULARE SYSTEME...6 3 MESSKONZEPTE UND IHRE EIGENSCHAFTEN... 7 3.1 GRÖSSE...

Mehr

Digitale Bildverarbeitung Einheit 6 Punktoperationen

Digitale Bildverarbeitung Einheit 6 Punktoperationen Digitale Bildverarbeitung Einheit 6 Punktoperationen Lehrauftrag WS 06/07 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Elementare Bildverbesserung

Mehr

Übung: Computergrafik 1

Übung: Computergrafik 1 Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Filtern im Frequenzraum Segmentierung Organisatorisches Klausuranmeldung

Mehr

3. Vorlesung Fuzzy Systeme

3. Vorlesung Fuzzy Systeme Soft Control (AT 3, RMA) 3. Vorlesung Fuzzy Systeme Fuzzy Mengen 3. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation

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. digitale Bilder: Funktion B : pos col Matrix B col

Was bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos mit den Mengen pos von Positionen (Adressen) col von Farben, Intensitäten Aufgaben maschineller Bildverarbeitung: Erzeugung, Wiedergabe,

Mehr

Objektmerkmale für die räumlich-spektrale Klassifikation

Objektmerkmale für die räumlich-spektrale Klassifikation Objektmerkmale für die räumlich-spektrale Klassifikation AG Geomatik Geographisches Institut Ruhr-Universität Bochum AK Fernerkundung, Bochum 2012 Übersicht Ansatz zur automatischen Bildinterpretation:

Mehr

Projekte zur digitalen Bildverarbeitung

Projekte zur digitalen Bildverarbeitung Projekte zur digitalen Bildverarbeitung im Sommersemester 2017 zum Audi Autonomous Driving Cup 2017 Das AADC-Regelwerk https://www.audi-autonomous-driving-cup.com/wp-content/uploads/2017/03/2017-03-20_regelwerk_2017_v1.0_dachl.pdf

Mehr

Filter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz

Filter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale

Mehr

Bildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg

Bildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg Bildverbesserung Frequenz-, Punkt- und Maskenoperationen Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x) local-domain frequency-domain

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

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

Bildverarbeitung in R - Ausarbeitung zum Vortrag vom

Bildverarbeitung in R - Ausarbeitung zum Vortrag vom Bildverarbeitung in R - Ausarbeitung zum Vortrag vom 13.07.2016 - Tobias Klinke Proseminar R Fachbereich Informatik Fakultät für Mathematik, Informatik und Naturwissenschaften Universität Hamburg Betreuer:

Mehr

Aus welchen Mengen soll das Futter gemischt werden, so dass die Gesamtkosten minimal werden?

Aus welchen Mengen soll das Futter gemischt werden, so dass die Gesamtkosten minimal werden? Futtermischung (Beispiel nach OHSE, D. (004/005): athematik für Wirtschaftswissenschaftler. Bd. I u. II, ünchen: Vahlen) Zur Fütterung von Hühnern einer Farm sind drei Futtermittel F, F und F 3 vorgesehen,

Mehr

Bildverarbeitung Herbstsemester

Bildverarbeitung Herbstsemester Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Filter Filter 1 Inhalt Lineare und nichtlineare Filter Glättungsfilter (z.b. Gauss-Filter) Differenzfilter (z.b. Laplace-Filter) Lineare Faltung

Mehr

Digitale Bildverarbeitung Einheit 6 Punktoperationen

Digitale Bildverarbeitung Einheit 6 Punktoperationen Digitale Bildverarbeitung Einheit 6 Punktoperationen Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Elementare

Mehr

Morphologische Operationen (12 Punkte)

Morphologische Operationen (12 Punkte) 05.10.2015 186.822 VU Einführung in Visual Computing 3. Test Gruppe A Matrikelnummer: Nachname: Punkte Studienkennzahl: Vorname: Bitte tragen sie Ihre Matrikelnummer, Studienkennzahl sowie Vor- und Nachname

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

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

Morphologische Bildverarbeitung

Morphologische Bildverarbeitung Praktikumsversuch Morphologische Bildverarbeitung L. Bergen und H. Burkhardt . Inhaltsverzeichnis 1 Morphologische Bildverarbeitung 5 1.1 Einleitung............................... 5 1.2 Grundlagen..............................

Mehr

Nützliche Bildverarbeitungs- Verfahren

Nützliche Bildverarbeitungs- Verfahren MIN-Fakultät Fachbereich Informatik Arbeitsbereich SAV/BV (KOGS) Nützliche Bildverarbeitungs- Verfahren BV-Praktikum im Sommersemester 2016 Leonie Dreschler-Fischer, David Mosteller und Benjamin Seppke

Mehr

Binärbildverarbeitung

Binärbildverarbeitung Prof. Dr.-Ing. Thomas Zielke " Binärbildverarbeitung SS 2013 3.1 Anwendungen von Binärbildern" Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte mit dem Wert Null

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

Rauschunterdrückung in der Theorie & Praxis

Rauschunterdrückung in der Theorie & Praxis Rauschunterdrückung in der Theorie & Praxis Florian Kramer Urs Pricking Seminar Simulation und Bildanalyse in Java Universität Ulm, Abteilungen SAI & Stochastik 4 Übersicht Motivation Arten von Rauschen

Mehr

Einsatz der Bildverarbeitung bei der Auswertung. von AFM-Daten. Fachgebiet Graphische Datenverarbeitung / TU-Ilmenau. PD Dr.-Ing. habil. K.-H.

Einsatz der Bildverarbeitung bei der Auswertung. von AFM-Daten. Fachgebiet Graphische Datenverarbeitung / TU-Ilmenau. PD Dr.-Ing. habil. K.-H. Einsatz der Bildverarbeitung bei der Auswertung von AFM-Daten Dipl.-Ing. T. Machleidt PD Dr.-Ing. habil. K.-H. Franke Fachgebiet Graphische Datenverarbeitung / TU-Ilmenau SFB 622 Nanopositionier- und Nanomessmaschinen

Mehr

Lösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }

Lösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { } Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird

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

Graphische Datenverarbeitung und Bildverarbeitung

Graphische Datenverarbeitung und Bildverarbeitung Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Antialiasing Graphische DV und BV, Regina Pohle, 5. Antialiasing 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische

Mehr

Mathematischer Vorbereitungskurs für das MINT-Studium

Mathematischer Vorbereitungskurs für das MINT-Studium Mathematischer Vorbereitungskurs für das MINT-Studium Dr. B. Hallouet b.hallouet@mx.uni-saarland.de SS 2017 Vorlesung 2 MINT Mathekurs SS 2017 1 / 23 Vorlesung 2 (Lecture 2) Einführung in die Mengenlehre.

Mehr

Vektorräume und Rang einer Matrix

Vektorräume und Rang einer Matrix Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung

Mehr

Affine Koordinatentransformationen

Affine Koordinatentransformationen Affine Koordinatentransformationen Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 017/18 Andreas Unterweger (FH Salzburg) Affine Koordinatentransformationen

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910

Mehr

Mengenlehre. ALGEBRA Kapitel 1 MNProfil - Mittelstufe KZN. Ronald Balestra CH Zürich Name: Vorname:

Mengenlehre. ALGEBRA Kapitel 1 MNProfil - Mittelstufe KZN. Ronald Balestra CH Zürich  Name: Vorname: Mengenlehre ALGEBRA Kapitel 1 MNProfil - Mittelstufe KZN Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch Name: Vorname: 21. August 2016 Inhaltsverzeichnis 1 Mengenlehre 1 1.1 Die Menge im mathematischen

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

Praktikum 1. Bildverarbeitungs - Software ImageJ LUT Manipulationen Bild - Quantisierung

Praktikum 1. Bildverarbeitungs - Software ImageJ LUT Manipulationen Bild - Quantisierung Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_01 ImageJ.doc Praktikum 1 Digitale Bildverarbeitung Bildverarbeitungs - Software ImageJ LUT Manipulationen Bild - Quantisierung

Mehr

En Theoriefragen LU GDBV

En Theoriefragen LU GDBV En Theoriefragen LU GDBV 1. Cooccurrence Matrix Die Cooccurrence Matrix wird auch als Gray-Tone Spatial- Dependence Matrices oder als Grauwertpaarhäufigkeitsmatrix (GPM) bezeichnet. Wir gehen von einem

Mehr

Mathematik 1, Teil B

Mathematik 1, Teil B FH Oldenburg/Ostfriesland/Wilhelmshaven Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre

Mehr

Digital e Bildverarbeitun g

Digital e Bildverarbeitun g Wilhelm Burger Mark James Burg e Digital e Bildverarbeitun g Eine Einführung mit Java und Image) 1 Crunching Pixels 1 1.1 Programmieren mit Bildern 2 1.2 Bildanalyse und intelligente" Verfahren 3 2 Digitale

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

Digitalisierung. Vorlesung FH-Hagenberg MBI

Digitalisierung. Vorlesung FH-Hagenberg MBI Digitalisierung Vorlesung FH-Hagenberg MBI Biomedizinische Bildverarbeitung Werner Backfrieder Abbildungssysteme Camera obscura einfachstes Abbildungssystem bekannt seit dem Altertum Licht fällt durch

Mehr

Übung: Computergrafik 1

Übung: Computergrafik 1 Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Konvolutionen Morphologische Operationen Hough-Transformation

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

Mathematik für Informatiker 1 Tutorium

Mathematik für Informatiker 1 Tutorium Mathematik für Informatiker 1 Tutorium Malte Isberner 9.1.2014 M. Isberner MafI1-Tutorium 9.1.2014 1 / 12 Thema heute Thema heute: Verbände M. Isberner MafI1-Tutorium 9.1.2014 2 / 12 Verbände Was ist ein

Mehr

Diskrete Strukturen Kapitel 2: Grundlagen (Mengen)

Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16

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

2 Mengenlehre. Definition: Unter einer Menge M versteht man die Zusammenfassung von unterscheidbaren Objekten (den Elementen) zu einem Ganzen.

2 Mengenlehre. Definition: Unter einer Menge M versteht man die Zusammenfassung von unterscheidbaren Objekten (den Elementen) zu einem Ganzen. Mengenlehre 2 Mengenlehre Definition: Unter einer Menge M versteht man die Zusammenfassung von unterscheidbaren Objekten (den Elementen) zu einem Ganzen. Üblicherweise werden Mengen mit Großbuchstaben

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

Übungsaufgaben Mustererkennung - Serie 5, Aufgabe 15

Übungsaufgaben Mustererkennung - Serie 5, Aufgabe 15 Seite 1 Übungsaufgaben Mustererkennung -, Aufgabe 15 Versuchen Sie die Segmentierung einer Verkehrsszene (1). Da Verkehrsszenen sehr komplex sind, muss das Momentanbild segmentiert werden. Unwesentliche

Mehr

Ein auf Eigenwertanalyse basierendes Verfahren zur einfachen und robusten Linienerkennung. -erweiterte Web-Präsentation

Ein auf Eigenwertanalyse basierendes Verfahren zur einfachen und robusten Linienerkennung. -erweiterte Web-Präsentation Ein auf Eigenwertanalyse basierendes Verfahren zur einfachen und robusten Linienerkennung. -erweiterte Web-Präsentation Jan Rudert Vortrag vom. 05. 2004 Seminar Mustererkennung in Bildern und 3D-Daten

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

1 Einleitung Einordnung des Gebietes Aufbau des Buches Philosophie Inhalte Einige Lehrbücher...

1 Einleitung Einordnung des Gebietes Aufbau des Buches Philosophie Inhalte Einige Lehrbücher... Inhaltsverzeichnis 1 Einleitung... 1 1.1 Einordnung des Gebietes... 1 1.2 Aufbau des Buches... 3 1.2.1 Philosophie... 3 1.2.2 Inhalte... 5 1.3 Einige Lehrbücher... 6 2 Allgemeine Begriffe... 11 2.1 Einige

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

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