Probleme bei der Bildverarbeitung. Digitale Bildverarbeitung. Charge-Coupled-Device Kameras. Beispiel Schärfentiefe
|
|
- Bernhard Götz Fertig
- vor 7 Jahren
- Abrufe
Transkript
1 Digitale Bildverarbeitung Keine Bildbearbeitung (z.b. Photoshop) Behandlung von zur Computergrafik inversen Problemen Erkennen von Objekten in Bildern sowie Bestimmung deren 2D (3D) Lage im Bild (im Raum) Bild Bildbearbeitung (Generative) Computergrafik Bildverarbeitung (Bildanalyse) Beschreibung Separator { DirectionalLight {} Material { diffusecolor[1 ]} Cone { } } Alle anderen DV Bereiche Eingabe Ausgabe Bild Beschreibung Separator { DirectionalLight {} Material { diffusecolor[1 ]} Cone { } } Probleme bei der Bildverarbeitung Bilder enthalten in der Regel Störungen Schatten (ungleichmäßige Beleuchtung) Unschärfe (unklare Übergänge) Über- oder Unterbelichtung Rauschen (vor allem in dunklen Bereichen) Reflexionen (Glanzlichter), Verdeckungen Keine Farbtreue (Beleuchtung, Degeneration in dunklen Bereichen) Camera obscura Linsenkamera f Literatur speziell zur DBV B. Jähne, Digitale Bildverarbeitung, Springer 25 T. Hermes, Digitale Bildverarbeitung, Hanser 24 g Optimaler Lochdurchmesser bei b<<g: b g Linsengesetz (Strahlensatz) b FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 2 Beispiel Schärfentiefe Charge-Coupled-Device Kameras Objekte müssen fokussiert werden Für festes b werden nur Objekte mit festem g scharf abgebildet Für f<<g (Normalfall) sind potentielle Änderungen von b klein Ganzer Bereich wird scharf abgebildet (Schärfentiefe) Schärfentiefe ist vor allem im Nahbereich problematisch Fokus vorne Fokus hinten CCD = Ladungsgekoppeltes Bauteil Elektronisches Bauteil zur gerasterten (ortsauflösenden) Messung von Lichtstärke Ursprünglich zur Datenspeicherung entwickelt Erste CCD basierte Kameras um 197 Matrix zur Sammlung von Elektronen Bild-Matrix wird reihenweise ausgelesen Jede Reihe wird in einem Schritt in ein serielles Register geschrieben Register transportiert seine Ladung zwischen zwei Reihen-Lese- Vorgängen zu einem Verstärker Dieser erzeugt ein Signal proportional zur erhaltenen Ladung Reihen Transfer Matrix aus Elektronen-Sammel-Zellen Serielles Register Pixel Transfer FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 4
2 Probleme bei der Bildverarbeitung Beispiel: Mathematisches Modell für (Gutes) Aussehen Probleme bei der Bildverarbeitung Kein gutes mathematisches Modell für Aussehen! Quelle: Quelle: de.wikipedia.org/wiki/optische_täuschung FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 6 Echtzeit Bildverarbeitung Beispiel Optisches Tracking (ARToolKit) Echtzeit Eingabedaten werden so schnell verarbeitet, wie der Vorgang, der sie erzeugt Markensuche Konvertierung in binäres Bild und Detektion des Markerrahmens Finden der (3D) Marken-Position und Orientierung Relativ zur Kamera Teilchendetektor analysiert Kollisionsspuren pro Umlauf (~2!s) Zündregelung beim Nockenwellendrehung (~1ms) Optisches Tracking bei AR-Anwendungen (~25ms) Echtzeit Tornadowarnung bevor Tornado Stadt erreicht (1min 1h) Hier: Bildverarbeitung etwa im Videotakt (~4ms) Eingabe-Bild (Videostream von Cam) Marken ARToolKit M i ={P i,r i } Identifizieren der Marke (Symbol innerhalb der Marke suchen) Rechenzeit ist dominierendes Kriterium Hier ohne Spezialhardware Analyse von Bewegungen Ausgabe-Bild (Videostream zu HMD) T i ={P i,r i } i Analyse während Bewegung Rendern der 3D Objekte Virtuelle Objekte Pose der vituellen Objekte mit Hilfe von M i ={P i,r i } bestimmen FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 8
3 Punktoperationen Vom RGB- zum 8-Bit Grauwert-Bild Pro Pixel wird abhängig von seinem Farb-/Grauwert (und seiner Position) ein neuer Farb-/Grauwert berechnet Nachbar-Pixel werden nicht berücksichtig Differenz g 2 -g 1 Typische Anwendungen Umwandlung von Farb- in Grauwert-Bild Binarisierung Einfache Segmentierung Helligkeitsanpassung Kontrastverstärkung (nach Grauwertspreizung) FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 1 Intensitäts-Schwellwert Binarisierung eines (Grauwert-)Bildes Wähle einen Schwellwert s for i in range(bildbreite): for j in range(bildhoehe): if image.pixel(i,j)<s: image.pixel(i,j)= else: image.pixel(i,j)=255 Histogramm Graphische Darstellung der Häufigkeitsverteilung von Messwerten (RGB-Werte, Grauwerten) Häufigkeit s=5 s=1 s=15 s=2 Grauwert FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 12
4 Histogramm und Schwellwerte Histogramm kann zur Segmentierung verwendet werden Ein Histogramm mit zwei klar getrennten Maxima nennt man bimodal Die (beiden) Maxima trennen verschiedene Objekte Wählt man als Schwellwert für die Binarisierung einen Wert zwischen den Maxima kann man die Objekte separieren Häufig einer der ersten Schritte bei OCR Beispiel Nicht bimodales Histogramm Segmentierung von verschiedenfarbigen Objekten Verschiedene Grauwertbereiche Bild bimodales Histogramm s=1 s=15 s= FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 14 Beispiel Nicht bimodales Histogramm Bei zu vielen Maxima keine vernünftige Segementierung Wahl des Schwellwerts Automatische Wahl eines geeigneten Schwellwerts zur Trennung von hellen und dunklen Bildbereichen Mittelwert Problematisch, wenn hell und dunkel unterschiedlich groß sind Minimum zwischen den Maxima Schwer, wegen lokaler Minima Relativ zu Mittelwert und Standardabweichung Verfahren von Otsu Nobuyuki, 1979 Grundidee (für Echtzeit ungeeignet):» Berechne für alle möglichen Schwellwerte s ein Gütemass mit und ist die Anzahl der Pixel in Region i ist die mittlere Intensität der Region i» Ein optimaler Schwellwert s opt ist dann Region 1 Region 2 s opt und FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 16
5 Histogramm-(Grauwert)Verschiebung Histogramm und logarithmische Skala Regelung der Bildhelligkeit Grauwerte verschieben: Sind einzelne Grauwerte sehr viel häufiger als andere ist es sinnvoll eine logarithmische Skala zu verwenden c = 16 c = -22 Grauwertverschiebung: c = 1 lineare Skala logarithmische Skala FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 18 Histogramm-(Grauwert)Spreizung Histogramm-Ausgleich Kontrastverstärkung Grauwerte g aus [g min,g max ] werden linear auf G aus [,255] abgebildet Verteile Grauwerte gleichmäßig über den Wertebereich Verlustbehaftet (nicht umkehrbar) Mit dem kumulativen Grauwert setze (skaliert) FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 2
6 Beispiele Kontrastverstärkung Beispiel mit bimodalem Histogramm Original Nach Perzeptions- Orientierter Grauwert Konvertierung Nach Grauwert- Spreizung Nach Histogramm- Ausgleich FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 22 Faltungsoperationen Lineare, translationsinvariante Abbildung eines Bildes Ergebnispixel ist gewichtete Summe von Eingangspixeln (mehrere) Koeffizienten abhängig von Relativposition von Eingangs- und Ausgangspixel Man spricht von Faltung oder Konvolution Für den Operator wird meist das Zeichen verwendet: wird als Filter, Filterkern oder (Filter)Maske bezeichnet Filter ist ein Bild: Faltung verknüpft also zwei Bilder Meist ist der Filter lokal, also viel kleiner als das eigentliche Bild Typische Anwendungen Glätten Kontrast vergrößern Kanten finden FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 23 = FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 24
7 = = FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke = = FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 28
8 Ergebnis Ergebnis = heißt Gauss- oder Binomial-Filter ist ein einfacher Filter zum Glätten eines Bildes unterdrückt Rauschen Reales Beispiel Was bewirkt der Filter Das Bild wird verwischt (geglättet) = FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 3 Faltung implementiert Direkte Implementierung for j in range(dstim.height): for i in range(dstim.width): sum = for l in range(filter.height): for k in range(filter.width): isrc = i + k - filter.width/2 jsrc = j + l - filter.height/2 if <=isrc and isrc<srcim.width and <=jsrc and jsrc<srcim.height: sum += filter(k,l)srcim(isrc,jsrc) dstim(i,j) = sum Beschleunigung durch Rand in äußeren beiden Schleifen berücksichtigen Bei speziellen Filtern Innere Schleifen durch Term ersetzen Koeffizienten gleich weglassen Gleiche Koeffizienten zusammenfassen Bei großen Filtern Separieren (zuerst x, dann y filtern), Schnelle Fourier Transformation FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 31 Der Sobel-Filter Mittels Sobel-Filter Kanten detektiert Auch ohne den Faktor 1/8 üblich Sobel X (s x ) (vertikale Kanten) Sobel Y (s y ) (horizontale Kanten) -1/8 1/8 1/8-1/8-1/8-2/8-1/8 1/8 2/8 1/8-2/8 2/8 2/8-2/8-1/8 1/8 1/8-1/8 1/8 2/8 1/8-1/8-2/8-1/ FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke
9 Schräge Kanten Python Imaging Library (PIL) An schrägen Kanten s x und s y Je vertikaler, desto mehr s x Je horizontaler, desto mehr s y Einfache Bildverarbeitung mit Python Beispiel: Kanten-Richtung: r=(s x,s y ) Zeigt senkrecht zur Kante zur helleren Seite (Helligkeitsgradient) beschreibt Intensität (Kontrast) der Kante Hessesche Normalform einer Geraden: lässt sich mittels s x und s y bestimmen: p ist Abstand zum Ursprung s y s x >>> import Image, ImageChops, ImageFilter >>> im = Image.open( lena.jpg ) >>> im.show() >>> grey = im.convert( L ) >>> grey.show() >>> bina = grey.point(lamda i: i>15 and 255 or ) >>> bina.show() >>> inve = ImageChops.invert(bina) >>> inve.show() >>> edge = inve.filter(imagefilter.find_edges) >>> edge.show() >>> ined = ImageChops.invert(edge) >>> ined.show() >>> ined.save( lenaedges.jpg ) >>> ined.histogam() [4875,,,,......,, 4131] FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke FH-Wiesbaden --- Medieninformatik --- WS 6/7 --- Prof. Dr. Ulrich Schwanecke 34
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
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrStruktur des menschlichen Auges. Bildgebende Verfahren in der Medizin und medizinische Bildverarbeitung Bildverbesserung 2 / 99
Struktur des menschlichen Auges 2 / 99 Detektoren im Auge Ca. 100 150 Mio. Stäbchen Ca. 1 Mio. Zäpfchen 3 / 99 Zapfen Entlang der Sehachse, im Fokus Tagessehen (Photopisches Sehen) Scharfsehen Farbsehen
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos statistische Merkmale Punktoperationen f : col 1 col 2 (Bildanalyse) (Farbtransformation) Geometrische Operationen f : pos 1 pos
MehrSegmentierung. 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
MehrBildverbesserung (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
MehrBildverarbeitung 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
MehrBildverarbeitung 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
MehrFortgeschrittene Bildverarbeitung und Analyse
Fortgeschrittene Bildverarbeitung und Analyse Studiengang IEM Inhalt Definition der Bildverarbeitung Verarbeitung-Bearbeitung (Systeme) Grundlagen der Abbildungssysteme Auge, visuelle Wahrnehmung, Kamera,
Mehr1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur
MehrFilter. 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
MehrBildverarbeitung Herbstsemester Punktoperationen
Bildverarbeitung Herbstsemester 2012 Punktoperationen 1 Inhalt Histogramm und dessen Interpretation Definition von Punktoperationen Änderungen der Bildintensität Linearer Histogrammausgleich Gammakorrektur
MehrModul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt
Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften
MehrFILTER UND FALTUNGEN
Ausarbeitung zum Vortrag von Daniel Schmitzek im Seminar Verarbeitung und Manipulation digitaler Bilder I n h a l t. Der Begriff des Filters 3 2. Faltungsfilter 4 2. Glättungsfilter 4 2.2 Filter zur Kantendetektion
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
MehrDigitale 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
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrBildverbesserung. 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
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrComputergrafik 2: Übung 2. Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung
Computergrafik 2: Übung 2 Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung Inhalt Besprechung von Übung 1 Subsampling und Moiré Effekte Color Maps Histogrammlinearisierung Computergrafik
MehrDigitale 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
MehrLandschaftsfotografie. Jenny Ivanova,
Landschaftsfotografie Jenny Ivanova, 12.11.2010 2 Ansel Adams, Moonrise, Hernandez, New Mexico, 1941 Inspiration Solange eine Landschaft nicht geheimnisvoll wirkt, ist sie nicht besser als eine Postkarte.
MehrSmear in CCD-Sensoren
Smear in CCD-Sensoren 1. Übersicht und Funktionsweise 1.1. Interline-Transfer-Sensor Aufbau des Sensors abgedunkelte lichtempfindliche Sensorfläche Der Sensor ist in Belichtungs- und Speicherbereiche unterteilt.
MehrGraphische 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
MehrEVC 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
MehrDigitale 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
MehrComputergraphik 1 2. Teil: Bildverarbeitung. Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation
Computergraphik 1 2. Teil: Bildverarbeitung Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation LMU München Medieninformatik Butz/Hoppe Computergrafik 1 SS2009 1 2 Repräsentation
MehrDigitalisierung. 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
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrMod. 2 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Fernerkundung und Waldinventur
Histogramme der Grauwerte der TM Kanäle 1-7 für das Beispielsbild. - Kanäle 4 und 5 zeigen mehr Differenzierung als die anderen (Kontrast=das Verhältnis der hellsten zur dunkelsten Fläche in der Landschaft).
Mehr"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"
"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs" Ning Liu HAW-Hamburg Seminarvortrag December 15, 2006 Ning Liu Kanten- und Linienerkennung
MehrProf. 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
MehrInternationaler 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.
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
MehrDigitale 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
Mehr2D Graphik: Bildverbesserung. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005
2D Graphik: Bildverbesserung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005 Themen heute Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert Was ist
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrLU Grundlagen der digitalen Bildverarbeitung Abgabe 2. Gruppe 25 peter holzkorn andreas bretschneider martin tintel
LU Grundlagen der digitalen Bildverarbeitung Abgabe 2 Gruppe 25 peter holzkorn 0426262 andreas bretschneider 0327444 martin tintel 0402913 Beispiel 6 Texturanalyse und Texturklassifikation Texturklassen
MehrWas 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
MehrLösungsvorschlag zur 5. Übung zu Multimediale Systeme
Lösungsvorschlag zur 5. Übung zu Multimediale Systeme Dipl. Inf. Günter Robbert Universität Bayreuth Lehrstuhl für Angewandte Informatik I 20.6.2003 Lösungsvorschlag zur 5. Übung 1 AdOculos (1) AdOculos
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV, Regina Pohle,. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
MehrMorphologische Filter
Morphologische Filter Industrielle Bildverarbeitung, Vorlesung No. 8 1 M. O. Franz 28.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Morphologische
MehrDigitale Bildverarbeitung - Rechnerübung 3
Digitale Bildverarbeitung - Rechnerübung 3 1. Khoros Zur Durchführung der Rechnerübung wird das Programmpaket KHOROS mit seiner Benutzerschnittstelle Cantata verwendet. Nach der Anmeldung am Rechner durch
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dr.-Ing. Markus Kowarschik Numerisches Programmieren,
MehrPraktikum 2. Grauwert - Histogramme, Bimodalitätsanalyse Bildstatistik
Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_02 ImageJ.doc Praktikum 2 Digitale Bildverarbeitung Grauwert - Histogramme, Bimodalitätsanalyse Bildstatistik Themen: Auswertung
MehrAnalyse zur automatischen Klassifizierung von Bildern
Analyse zur automatischen Klassifizierung von Bildern 29. Januar 2008 Gliederung Einleitung Bemerkungen zum Bildbegriff Verwendete Bildklassen Eigenschaften von Bildern Klassifizierung Ergebnisse ImageJ-Plugin
Mehr4. Segmentierung von Objekten Video - Inhaltsanalyse
4. Segmentierung von Objekten Video - Inhaltsanalyse Stephan Kopf Inhalt Vorgehensweise Berechnung der Kamerabewegungen zwischen beliebigen Bildern Transformation eines Bildes Hintergrundbilder / Panoramabilder
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
MehrGraphische Datenverarbeitung
Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Prof. Dr. Elke Hergenröther Übersicht Maße zur Beurteilung von Bildern: Histogramm Entropie GDV: Bildbearbeitung für Rasterbilder Punktoperationen:
MehrDiskrete Signalverarbeitung und diskrete Systeme
Diskrete Signalverarbeitung und diskrete Systeme Computer- basierte Verarbeitung von Signalen und Realisierung von Systemverhalten erfordern diskrete Signale und diskrete Systembeschreibungen. Wegen der
MehrDigitale 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
MehrEchtzeitbildverarbeitung (2)
03-MB- 709.03 Echtzeitbildverarbeitung (2) Prof. Dr. Udo Frese Der Weg des Bildes in den Rechner Industrieller Ansatz Schwellwert Regionenbildung Universität Bremen, Sommer 2011 Was bisher geschah Bildverarbeitung
MehrÜbung: 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
MehrZu hell oder zu dunkel? Histogramm im ueye Cockpit nutzen
Zu hell oder zu dunkel? Histogramm im ueye Cockpit nutzen Kennen Sie das? Ihr Bild wirkt flau oder in dem dunklen, kontrastarmen Bild können Sie die aufgenommenen Objekte nicht unterscheiden. In diesem
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
Mehr14. Bildbearbeitung. Bildverbesserung Compositing, Masken, Layer-Techniken Painting. Bildverbesserung
14. Bildbearbeitung Bildverbesserung Compositing, Masken, Layer-Techniken Painting Bildverbesserung Einfachste Methode: Steuerung der Intensitätswiedergabe durch Anwendung von Funktionen auf alle 3 Grundfarben-Intensitäten
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrPraktikum-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
MehrVerwendungszweck elektronischer Kameras
Verwendungszweck elektronischer Kameras - Erfassung von Objekten durch optische Abbildung (= zweidimensionale Helligkeitsverteilung) und Umwandlung in elektrische Signale. Anschließend Digitalisierung
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrVisual Servoing using Mutual Information
Visual Servoing using Mutual Information Christian Rupprecht Robotics and Embedded Systems Technische Universität München Outline 1 Visual Servoing Was ist Visual Servoing? Typische Lösungsansätze 2 Mutual
MehrDank an Raffaele. Das grosse Rauschen. Siehe: www Fotografie/Selbsthilfe. Schärfen (Erich Baumann )
Das grosse Rauschen Dank an Raffaele Siehe: www Fotografie/Selbsthilfe Schärfen (Erich Baumann 04-11-16) 1 Schärfen (Erich Baumann 04-11-16) 2 Schärfe - Schärfeeindruck Man unterscheidet zwischen: Schärfe
MehrDistributed Algorithms. Image and Video Processing
Chapter 7 High Dynamic Range (HDR) Distributed Algorithms for Quelle: wikipedia.org 2 1 High Dynamic Range bezeichnet ein hohes Kontrastverhältnis in einem Bild Kontrastverhältnis bei digitalem Bild: 1.000:1
MehrDebayeringverfahren. 19. Mai Thomas Noack, Nikolai Kosjar. SE Computational Photography - Debayeringverfahren
Debayeringverfahren Thomas Noack, Nikolai Kosjar 19. Mai 2010 Was bisher geschah... Reduktion der Herstellungskosten durch Einsatz von nur noch einem CCD-Sensor mit Bayer-Filter Problem: Bayer Image Full
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Kurze Wiederholung Gradienten 1. und 2. Ableitung grad( f ( x, y) ) = f ( x, y) = f ( x, y) x f ( x, y) y 2 f ( x, y) = 2 f ( x,
MehrFARBEN IM INTERNET FARBWERTE, FARBTIEFEN IN DER BILDBEARBEITUNG
FARBEN IM INTERNET FARBWERTE, FARBTIEFEN IN DER BILDBEARBEITUNG Unter dem Begriff Farbtiefe versteht man die Anzahl der pro Pixel zur Verfügung stehenden Bits zur Speicherung der Farbinformationen. Die
MehrBildgebung mit Röntgenstrahlen. Bildqualität
Bildqualität Scanogramm Röntgen- Quelle Detektor Entwicklung Verarbeitung Tomogramm Einflussfaktoren Rauschen Kontrast Schärfe System- Rauschen (Verstärker) Strahlen- Dosis (Quantenrauschen) Objekt- Dicke
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Morphologische Operatoren Graphische DV und BV, Regina Pohle, 5. Morphologische Operatoren Einordnung in die Inhalte der Vorlesung
MehrGrundlagen der Videotechnik, Farbe 2
Grundlagen der Videotechnik, Farbe 2 1 Beispiel für additive Farbmischung: Aus: O. Limann: Fernsetechnik ohne Ballast, Franzis Verlag 2 Veranschaulichung Farbe, Farbkomponenten Aus: O. Limann: Fernsetechnik
MehrZiel: Erkennen von Geraden allgemeiner: von einfachen parametrischen Kurven (Kreise, Ellipsen...)
6. Die Hough-Transformation (sprich: "haff") P.V.C. Hough, Patentschrift von 1962 Ziel: Erkennen von Geraden allgemeiner: von einfachen parametrischen Kurven (Kreise, Ellipsen...) Anwendung: Detektion
MehrDas Zusammenspiel von ISO Blende - Belichtungszeit. Die Belichtung. Michael Lamberty -
Das Zusammenspiel von ISO Blende - Belichtungszeit Die Belichtung Michael Lamberty - www.mlsb.de Grundlagen Übersicht ISO Belichtungszeit Blende Zerstreuungskreis Beugungsunschärfe Belichtung messen 2
MehrMorphologische 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
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
MehrEine CCD Speicherzelle besteht aus einem sogenannten MOS Kondensator (Metall Oxid Semiconductor).
- 1 - Sensortechnik II CCD Bildwandler: Das für Bildwandler eingesetzte Halbleiterelement ist der CCD Chip (Charged Coupled Device). Er stellt ein analoges Schieberegister dar. Hierbei wird die Ladung
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
MehrBildverarbeitung: 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
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrGIS Einführungsschulung
Datentypen 1. Rasterdaten Datenquellen: Gescannte analoge Karten und Pläne Digitale Kameras Framegrabber Satellitenaufnahmen (Scanner und optische Sensoren) Datentypen: binär (Synonyme: 1-Bit, Schwarz-weiß)
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
MehrGraphische 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
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung ITK Konzepte aus PAD1/2 Template Klassen Typedefs Smart Pointer (für ITK Objekte) Fehlerbehebung Doku, Mailing-List
MehrGlossar Digitalfotografie Lehrerinformation
Lehrerinformation 1/7 Arbeitsauftrag Ziel Material Sozialform Im Plenum wird gesammelt, welche Begriffe die SuS bereits kennen und erklären können. Die Lehrperson ergänzt, falls etwas fehlt und erläutert
MehrKennen, können, beherrschen lernen was gebraucht wird
Abbildung 1 - Übersichtsorganigramm 14.06.2013 Seite 1 Inhaltsverzeichnis Inhaltsverzeichnis... 2 Bildqualität verbessern... 2 Die Reihenfolge der Korrekturen bei der Bildbearbeitung... 2 Ebenenangleichungen...
MehrAngewandte Mathematik mit Mathcad
JosefTrölß Angewandte Mathematik mit Mathcad Lehr- und Arbeitsbuch Band 1 Einführung in Mathcad Dritte, aktualisierte Auflage SpringerWienNewYork 1. Beschreibung der Oberfläche und Bearbeitung eines Arbeitsblattes
MehrGrundlagen der Bildverarbeitung
Grundlagen der Bildverarbeitung Inhaltsverzeichnis Vorwort 9 Kapitel 1 Einführung 13 1.1 Anwendungen der digitalen Bildverarbeitung 16 1.2 Algorithmische Verarbeitung von Bildinformation 17 1.3 Zu diesem
MehrDetektion von Eckpunkten und einfachen Kurven
Detektion von Eckpunkten und einfachen Kurven Industrielle Bildverarbeitung, Vorlesung No. 7 1 M. O. Franz 21.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005.
MehrTechnischer Überblick
Technischer Überblick Smart Insight verbessert die Darstellung dunkler Bildbereiche INHALT 1. EINLEITUNG... 2 2. TECHNOLOGIE ZUR VERBESSERUNG DER DARSTELLUNG DUNKLER BILDBEREICHE... 3 2.1 KONVENTIONELLE
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Fouriertransformation Organisatorisches Neue Abgabefrist für Blatt
MehrObservatoriumspraktikum WS 2006/07. Teil 1 CCD-Kamera Dunkelstrombestimmung
Observatoriumspraktikum WS 2006/07 Teil 1 CCD-Kamera Dunkelstrombestimmung Matr. Nr.: 04000944 Christoph Saulder Theorie Eine CCD (Charge-coupled Device) ist ein Photodetektor, welcher ein Signal, welches
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum 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 (Grundlagen
MehrNützliche 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
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrBildverarbeitung und Mustererkennung
Bildverarbeitung und Mustererkennung Prüfung im Modul ET510 für den Masterstudiengang Systems Design & Production Management Professor Dr.-Ing. Martin Werner Juli 2014 Hinweise zur Bearbeitung der Klausur
MehrStatistik eindimensionaler Größen
Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,
Mehr