Einführung in die medizinische Bildverarbeitung WS 12/13
|
|
- Hennie Küchler
- vor 7 Jahren
- Abrufe
Transkript
1 Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel
2 Kurze Wiederholung ITK Konzepte aus PAD1/2 Template Klassen Typedefs Smart Pointer (für ITK Objekte) Fehlerbehebung Doku, Mailing-List Bilddaten N-d Array jeder beliebige Datentyp Image Regions LargestPossibleRegion (gesamter Datensatz) BufferedRegion (im Speicher) RequestedRegion (Teilregion) Spaces Data Space (Indizes in N-d array) Physical Space (Ursprung und Spacing)
3 Kurze Wiederholung Pixelzugriff direkt (Index / Position) langsam N-d Problem Iteratoren für Regions, u.v.m. einfach, Code gut lesbar, Wrapping und optimiert const & non-const Pipeline Objekte Data Objects (z.b. itk::image) Process Objects (z.b. Filter) Haben Ein- und Ausgabe (Ausnahme: Sources, haben nur Ausgabe) SetInput() & GetOutput() Initialisierung, Verbindung von Pipelinestufen und Ausführung
4 Kurze Wiederholung Pipeline Status Objekte beinhalten ihren Status aktualisieren durch Update() wird ggf. bis zum Pipeline-Start nach oben durchgereicht Lesen/Schreiben von Bildern über Reader/Weiter Formate Pixel über Datentypen repräsentiert ITK erledigt das für uns, Format egal i.d.r. Grauwerte (8-Bit, 10-Bit, 12-Bit, 16-Bit,...) Bildverarbeitung Bilder verschönen für den Menschen und Computer zoomen, drehen, spiegeln, usw.
5 Grundlagen - Verarbeitung medizinischer Bilddaten Mustererkennungs-Pipeline Die Verarbeitung von med. Bilddaten erfolgt mittels verschiedener Methoden und Algorithmen, z.b. zur automatischen Erkennung von Bildobjekten (Tumoren, Organe, etc.)... Bilddaten Bildvorverarbeitung Segmentierung Bildanalyse zur Merkmalsextraktion Klassifikation Erkannte Bildobjekte [Quelle: B.Preim, Medizinische Bildverarbeitung]
6 Grundlagen - Verarbeitung medizinischer Bilddaten Mustererkennungs-Pipeline Die Verarbeitung von med. Bilddaten erfolgt mittels verschiedener Methoden und Algorithmen, z.b. zur automatischen Erkennung von Bildobjekten (Tumoren, Organe, etc.)... Bilddaten Erfasste Bilddaten im Rohformat dienen als Ausgangspunkt zur Mustererkennung Bildvorverarbeitung Segmentierung Bildanalyse zur Merkmalsextraktion Klassifikation Erkannte Bildobjekte [Quelle: B.Preim, Medizinische Bildverarbeitung]
7 Grundlagen - Verarbeitung medizinischer Bilddaten Mustererkennungs-Pipeline Die Verarbeitung von med. Bilddaten erfolgt mittels verschiedener Methoden und Algorithmen, z.b. zur automatischen Erkennung von Bildobjekten (Tumoren, Organe, etc.)... Bilddaten Bildvorverarbeitung Segmentierung Bildanalyse zur Merkmalsextraktion Dient zur Verbesserung der Qualität im Hinblick auf die nachfolgen de Segmentierung, z.b. durch Glättungsfilter zur Eliminierung von Rauschen. Verbessert aber nicht notwen digerweise die Bildqualität. Ebenfalls können durch Registrierungsverfahren ve rschie dene Bild daten in ein gem einsam e s Koordinatensystem überführt werden und als multispektrale Bilddaten weiterverarbeitet werden. Klassifikation Erkannte Bildobjekte [Quelle: B.Preim, Medizinische Bildverarbeitung]
8 Grundlagen - Verarbeitung medizinischer Bilddaten Mustererkennungs-Pipeline Die Verarbeitung von med. Bilddaten erfolgt mittels verschiedener Methoden und Algorithmen, z.b. zur automatischen Erkennung von Bildobjekten (Tumoren, Organe, etc.)... Bilddaten Bildvorverarbeitung Segmentierung Dient zur Abgrenzung von interessierenden Bildobjekten Bildanalyse zur Merkmalsextraktion Klassifikation Erkannte Bildobjekte [Quelle: B.Preim, Medizinische Bildverarbeitung]
9 Grundlagen - Verarbeitung medizinischer Bilddaten Mustererkennungs-Pipeline Die Verarbeitung von med. Bilddaten erfolgt mittels verschiedener Methoden und Algorithmen, z.b. zur automatischen Erkennung von Bildobjekten (Tumoren, Organe, etc.)... Bilddaten Bildvorverarbeitung Segmentierung Bildanalyse zur Merkmalsextraktion Extrahierung von charakteristischen Merkmalen aus den verschiedenen Bildobjekten Klassifikation Erkannte Bildobjekte [Quelle: B.Preim, Medizinische Bildverarbeitung]
10 Grundlagen - Verarbeitung medizinischer Bilddaten Mustererkennungs-Pipeline Die Verarbeitung von med. Bilddaten erfolgt mittels verschiedener Methoden und Algorithmen, z.b. zur automatischen Erkennung von Bildobjekten (Tumoren, Organe, etc.)... Bilddaten Bildvorverarbeitung Segmentierung Bildanalyse zur Merkmalsextraktion Klassifikation Erkannte Bildobjekte Bildobjekterkennung unter Verwendung der vorher extrahierten Merkmalen (z.b. Hauttumor oder Muttermal, etc.) und vorher festgelegten Interpretationsmöglichkeiten [Quelle: B.Preim, Medizinische Bildverarbeitung]
11 Grundlagen - Verarbeitung medizinischer Bilddaten Mustererkennungs-Pipeline Die Verarbeitung von med. Bilddaten erfolgt mittels verschiedener Methoden und Algorithmen, z.b. zur automatischen Erkennung von Bildobjekten (Tumoren, Organe, etc.)... Bilddaten Bildvorverarbeitung Knochen Lungenflügel Segmentierung Lungenflügel Bildanalyse zur Merkmalsextraktion Leber Klassifikation Erkannte Bildobjekte [Quelle: B.Preim, Medizinische Bildverarbeitung]
12 Grundlagen - Verarbeitung medizinischer Bilddaten 3D-Visualisierungs-Pipeline oder zur 3D-Visualisierung Bilddaten Bildvorverarbeitung Segmentierung 3D-Modellerzeugung 3D-Visualisierung 3D-Darstellung
13 Grundlagen - Verarbeitung medizinischer Bilddaten 3D-Visualisierungs-Pipeline oder zur 3D-Visualisierung Bilddaten Erfasste Bilddaten im Rohformat dienen als Ausgangspunkt zur Mustererkennung Bildvorverarbeitung Segmentierung 3D-Modellerzeugung 3D-Visualisierung 3D-Darstellung
14 Grundlagen - Verarbeitung medizinischer Bilddaten 3D-Visualisierungs-Pipeline oder zur 3D-Visualisierung Bilddaten Bildvorverarbeitung Segmentierung 3D-Modellerzeugung Dient zur Verbesserung der Qualität im Hinblick auf die nachfolgen de Segmentierung, z.b. durch Glättungsfilter zur Eliminierung von Rauschen. Verbessert aber nicht notwen digerweise die Bildqualität. Ebenfalls können durch Registrierungsverfahren ve rschie dene Bild daten in ein gem einsam e s Koordinatensystem überführt werden und als multispektrale Bilddaten weiterverarbeitet werden. 3D-Visualisierung 3D-Darstellung
15 Grundlagen - Verarbeitung medizinischer Bilddaten 3D-Visualisierungs-Pipeline oder zur 3D-Visualisierung Bilddaten Bildvorverarbeitung Segmentierung Dient zur Abgrenzung von interessierenden Bildobjekten 3D-Modellerzeugung 3D-Visualisierung 3D-Darstellung
16 Grundlagen - Verarbeitung medizinischer Bilddaten 3D-Visualisierungs-Pipeline oder zur 3D-Visualisierung Bilddaten Bildvorverarbeitung Segmentierung 3D-Modellerzeugung Generierung von 3D-Modellen mittels der zuvor segmentierten Daten 3D-Visualisierung 3D-Darstellung
17 Grundlagen - Verarbeitung medizinischer Bilddaten 3D-Visualisierungs-Pipeline oder zur 3D-Visualisierung Bilddaten Bildvorverarbeitung Segmentierung 3D-Modellerzeugung 3D-Visualisierung Anwendung von Visualisierungsverfahren zur Darstellung der virtuellen Körpermodelle 3D-Darstellung
18 Grundlagen - Verarbeitung medizinischer Bilddaten 3D-Visualisierungs-Pipeline oder zur 3D-Visualisierung Bilddaten Bildvorverarbeitung Segmentierung 3D-Modellerzeugung 3D-Visualisierung 3D-Darstellung
19 Bildverarbeitung Phasen die Phasen können in der Praxis je nach Anforderung abweichen i.d.r. verlangen aber alle Arbeitsabläufe eine Vorverarbeitung des Bildmaterials zur Verbesserung der Qualität nicht notwendigerweise für den Menschen, aber für den Computer Filter Glättungsfilter dienen zur Verminderung von Bildrauschen (engl. noise suppression), also zufällige lokale Variation der Bildfunktion auch zur Bildglättung (engl. image smoothing) homogenisiert die Bilder Kantenfilter dient zum verstärken der Kanten (starke lokale Änderung der Bildfunktion) macht es leichter unterschiedliche Regionen zu erkennen
20 Häufigkeit Grundlagen - Bilderzeugung Bildverarbeitung Histogramme graphische Darstellung der Häufigkeitsverteilung bestimmter Merkmale (in unserem Fall Grauwerte) Daten (Grauwerte) werden in Klassen (engl. bins) eingeteilt für med. 2D Grauwertbilder, werden Histogramme in 2D dargestellt x-achse: die Klasse oder bins y-achse: absolute oder relative Häufigkeit bins Bins: Anzahl der unterschiedlichen Grauwerte (8-Bit = 256) Häufigkeit: Anzahl der Grauwerte mit diesem Wert (wie viele Pixel haben z.b. den Wert 100?)
21 Bildverarbeitung Histogramme Verteilung der Grauwerte meist ungleichmäßig, lässt sich aus dem Histogramm ablesen... meist liegen die Grauwerte nur in einem kleinen Bereich geringer Bildkontrast ungünstig für Bildverarbeitung auch für das menschliche Auge Verbesserung: skalierung der Grauwerte im Bereich [z a, z b ] um den Bereich [z l, z k ] auszufüllen Grauwert z im Originalbild wird auf z abgebildet z' = z k z l z b z a ( z z ) a + z l numerisch Effizient über Lookup-Table Polynom 1. Ordnung linear nicht-lineare LUTs: Exponentialfunktion oder Polynom 2. Ordnung Verbesserung des Kontrasts in hellen oder dunklen Bereichen auch Binarisierung gehört zur Histogramm-Skalierung
22 Bildverarbeitung linearer Lookup-Table Input Lookuptable Lower Limit Upper Limit Output 150 Output Histogramm zeichnen Input
23 Bildverarbeitung nicht lineares Mapping Sigmoid Filter kontinuierlicher und gleichmäßiger Transfer von Grauwerten betont bestimmte Grauwerte für die Visualisierung und vermindert Werte ausserhalb diesen Bereichs Pixelweise Transformation 1 I ' = (Max Min) 1+ e 1 β α + Min mit: I ' = Output Pixel I = Input Pixel Min, Max = min und max Wert des Ergebnisbildes α = Breite der Input Intensity Range β = Center Intensity Range
24 Bildverarbeitung Alpha=-1 OutputMaximum Beta = 4 Beta = 2 Beta = Alpha=4 Alpha=2 Alpha=0.25 Alpha=1 Alpha=0.5 OutputMinimum Beta = 2 Beta =
25 Bildverarbeitung
26 Bildverarbeitung Thresholding Definition mit einem Threshold Wert Formal: g( x, y) = mit mehreren Threshold Werten Formal: g( x, y) = 1 0 a b c if if if if if ( ) > T ( ) T f x, y f x, y ( ) > T 2 ( ) T 2 ( ) T 1 f x, y T 1 < f x, y f x, y [Quelle: Gonzalez/Woods, Digital Image Processing]
27 Bildverarbeitung Thresholding Veränderung oder Identifizierung von Grauwerten Basiert auf Spezifizierung von einem oder mehreren Werten (Threshold Wert) z.b zur Binarisierung (x-bit Bild in 1-Bit Bild transferieren) Beispiel: zwei Thresholds (Upper- & Lower Threshold) zwei Grauwerte (Inside & Outside) wenn der Grauwert innerhalb [Lower, Upper] liegt, wird der Inside-Value zugewiesen wenn der Grauwert außerhalb [Lower, Upper] liegt, wird der Outside-Value zugewiesen Thresholding wird meist am Ende der Pipeline ausgeführt Inside Value Output Intensity Outside Value Lower Threshold Upper Threshold Input Intensity
28 Bildverarbeitung Threshold-Below ein Threshold Value & ein Outside Value alle Grauwerte unterhalb des Threshold werden auf OutsideValue gemappt Rest bleibt unverändert Output Intensity Unchanged Intensities Outside Value Threshold Below Input Intensity
29 Bildverarbeitung Threshold-Above ein Threshold Value & ein Outside Value alle Grauwerte überhalb des Threshold werden auf OutsideValue gemappt Rest bleibt unverändert Output Intensity Outside Value Unchanged Intensities Input Intensity Threshold Above
30 Bildverarbeitung Threshold-Outside Lower- und Upper-Threshold Value & ein Outside Value alle Grauwerte innerhalb [Lower, Upper] bleiben unverändert Rest wird auf OutsideValue gemappt Output Intensity Outside Value Unchanged Intensities Lower Threshold Upper Threshold Input Intensity
31 Bildverarbeitung Thresholding das Ergebnis hängt davon ab einen guten Threshold zu finden wenn Objekte klar genug voneinander getrennt sind (Hintergrund, Vordergrund) ist das einfach einfacher iterativer Algorithmus zum Ermitteln eines Thresholds: 1. schätze einen Threshold 2. Teile das Bild in zwei Gruppen (G 1 > T und G 2 T) ein 3. berechne mittleren Grauwert m 1 und m 2 für alle Pixel in G 1 und G 2 4. berechne neuen Threshold: T = 1 ( 2 m + m 1 2 ) 5. wiederhole Schritte 2 bis 4 bis Folgewerte von T in nächster Iteration kleiner als ΔT ist es gibt noch weitere Algorithmen und Vorgehensweisen zur Bestimmung des Thresholds Rauschen hat einen starken Einfluss auf das Histogramm und das finden von idealen Threshold Werten
32 Bildverarbeitung Filter und ihre Auswirkungen 1400 A B C D Mittelwert Gauß Median [Quelle: H. Handels, Medizinische Bildverarbeitung]
33 Bildverarbeitung Lineare Filter Definition lineares System Eingabe eines Impuls erzeugt System-Antwort als Ausgabe örtliche Unabhängigkeit der Antwort gegenüber Ort des Eingabe-Impulses räumlich invariantes System (gleiche Wichtungsfaktoren des Kerns für das gesamte Bild) Ausgabe h(x,y) entspricht der Faltung der Eingabefunktion f(x,y) mit Impuls-Antwort g(x,y) h( x, y) = f ( x, y) g x, y ( ) = f ( x', y' ) g( x x', y y' )dx'dy' für uns interessant, diskrete Funktion: ist linear: h[ i, j] = f [ i, j] g i, j g[ i, j] a 1 h [ 1 i, j]+ a 2 h 2 i, j n m k= n l= m [ ] = f k,l { [ ]} = a 1 g i, j [ ]g i k, j l [ ] { [ ] h [ 1 i, j] } + a 2 g[ i, j] h 2 i, j { [ ]}
34 Filter Anwendung nehme ein Originalbild B, wende darauf einen Algorithmus an und erhalte ein Ergebnisbild B Filter in ITK beinhalten die Algorithmen und Parameter Operation kann auf ganzem Bild stattfinden, per-pixel Basis oder durch eine Faltung, mittels einer Faltungsmatrix oder Kernel auf einen Teilbereich des Bildes Beispiel: 3x3 Kernel auf Bild B Anwendung auf 2D-Bildraster
35 Filter Anwendung nehme ein Originalbild B, wende darauf einen Algorithmus an und erhalte ein Ergebnisbild B Filter in ITK beinhalten die Algorithmen und Parameter Operation kann auf ganzem Bild stattfinden, per-pixel Basis oder durch eine Faltung, mittels einer Faltungsmatrix oder Kernel auf einen Teilbereich des Bildes Beispiel: 3x3 Kernel auf Bild B Anwendung auf 2D-Bildraster
Einführung 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
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
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,
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Stephan Gimbel Einführung in die medizinische Bildverarbeitung h_da Kurze Wiederholdung Röntgenstrahlen elektromagnetische Strahlung
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel zentrales Problem in der medizinischen Bildanalyse eingesetzt in der computergestützten Diagnostik und Therapie bildet die Grundlage
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
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
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Prozess einer räumliche Transformation zu finden um ein Bild auf ein anderes Bild abzubilden Eingabe: Fixed und
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
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).
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:
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
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Landmarkenbasierte anhand anatomischer Punkte interaktiv algorithmisch z.b. zur Navigation im OP Markierung von
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
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
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
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
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
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
Mehr1 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
Mehr1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung 01a: Einführung und Motivation Prof. Dr. Gudrun Socher Dozentin Dozentin Prof. Dr. Gudrun Socher (gudrun.socher@hm.edu) Sprechstunde Donnerstag 9:15-10:00 Uhr Anmeldung per E-Mail
MehrFortgeschrittene Bildverarbeitung und Analyse
Fortgeschrittene Bildverarbeitung und Analyse Studiengang IEM Inhalt Definition der Bildverarbeitung Verarbeitung-Bearbeitung (Systeme) Grundlagen der Abbildungssysteme Auge, visuelle Wahrnehmung, Kamera,
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf
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
MehrBinärbildverarbeitung
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
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
MehrComputer Vision: Segmentierung I
Computer Vision: Segmentierung I D. Schlesinger TUD/INF/KI/IS Der Plan: D. Schlesinger () CV: Segmentierung I 1 / 13 Segmentierung Man hat das... Man braucht das. D. Schlesinger () CV: Segmentierung I
MehrBildverarbeitung 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
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
MehrÜbersicht 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
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology
MehrMorphologische 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
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
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 (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
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrEinführung in das Visualization ToolKit. Institut für Simulation und Graphik, Otto-von-Guericke Universität Magdeburg
Einführung in das Visualization ToolKit VTK Einführung: Gliederung Was ist VTK? VTK-Konzept Vorstellung MeVisLab VTK Beispiel in MeVisLab 2/26 Was ist VTK? Freie Software-Bibliothek für 3D Graphik und
MehrDigitale Bildverarbeitung
Bernd Jahne Digitale Bildverarbeitung 6., überarbeitete und erweiterte Auflage Mit 248 Abbildungen und 155 Übungsaufgaben und CD-ROM Sy Springer Inhaltsverzeichnis I Grundlagen 1 Anwendungen und Werkzeuge
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrErkennung von Olivenhainen im Luftbild
Erkennung von Olivenhainen im Luftbild Gliederung 1. Morphologische Grundlagen Erosion / Dilatation Öffnung / Schließung Zylinderhut-Transformationen 2. Motivation / Gründe für die Anwendung 3. Datenbeschreibung
MehrKapitel 1: Informationsverarbeitung durch Programme
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2009 Kapitel 1: Informationsverarbeitung
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
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?
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
MehrEinführung in die medizinische Bildverarbeitung
Einführung in die medizinische Bildverarbeitung Aufgaben 1. Histogramm 2. Einfache Filter Mean (Mittelwert) Median Gauss 3. Thresholding 4. Kantendetektierung (Canny Edge) 5. Gradienten 6. Kantenerhaltende
MehrEinfluss der Bildverarbeitung - Artefakte und Korrekturmöglichkeiten
Einfluss der Bildverarbeitung - Artefakte und Korrekturmöglichkeiten Karl-Friedrich Kamm Norderstedt Karl-Friedrich Kamm 29/07/2013 1 Mögliche Fehler bei digitalen Röntgenaufnahmen flaue Bilder fehlender
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrPRIP-Preis. Effizientes Object Tracking durch Programmierung von Mehrkernprozessoren und Grafikkarten
Masterarbeit @ PRIP-Preis Effizientes Object Tracking durch Programmierung von Mehrkernprozessoren und Grafikkarten Michael Rauter Pattern Recognition and Image Processing Group Institute of Computer Aided
MehrProbleme bei der Bildverarbeitung. Digitale Bildverarbeitung. Charge-Coupled-Device Kameras. Beispiel Schärfentiefe
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)
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
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
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
MehrBildverarbeitung Herbstsemester Punktoperationen
Bildverarbeitung Herbstsemester 2012 Punktoperationen 1 Inhalt Histogramm und dessen Interpretation Definition von Punktoperationen Änderungen der Bildintensität Linearer Histogrammausgleich Gammakorrektur
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
Mehr2. 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
MehrBeiträge zur Automatisierung und Optimierung des Entwurfs bildbasierter Erkennungssysteme
Beiträge zur Automatisierung und Optimierung des Entwurfs bildbasierter Erkennungssysteme Stefanie Peters Andreas König ITG-Fachgruppensitzung, ITG-Fachgruppensitzung, 17.11.2006 17.11.2006 Inhalt Einleitung
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Lineare Filterung - 1 Einführung 2 Definition der Faltung 3 Beispiele linearer Filter 4 Diskussion 5 Ausblick: nichtlineare Filterung 6 Literatur 1 Einführung
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Live-Wire Segmentierung ist ein halbautomatisches Verfahren zur kantenorientierten Segmentierung von einzelnen Bildobjekten es werden
MehrRingvorlesung Bildverarbeitung
Ringvorlesung Bildverarbeitung D. Schlesinger Institut für Künstliche Intelligenz, Professur Intelligente Systeme 6. Juli 2012 D. Schlesinger (Institut Ringvorlesung für Künstliche Bildverarbeitung Intelligenz,
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
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
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrGRUNDLAGEN 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
Mehr3D-Rekonstruktion medizinischer Daten
3D-Rekonstruktion medizinischer Daten Bericht aus der Fraunhofer Charité Kooperation Berlin das F&E Zentrum für neue Interventionstechnologien Direktor: Prof. Dr.-Ing. Erwin Keeve Wissenschaftlicher Mitarbeiter
MehrSupport Vector Machines, Kernels
Support Vector Machines, Kernels Katja Kunze 13.01.04 19.03.2004 1 Inhalt: Grundlagen/Allgemeines Lineare Trennung/Separation - Maximum Margin Hyperplane - Soft Margin SVM Kernels Praktische Anwendungen
MehrPraktikum 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
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
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
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
Mehr1 Potenzen und Polynome
1 Potenzen und Polynome Für eine reelle Zahl x R und eine natürliche Zahl n N definieren wir x n := x x x... x }{{} n-mal Einschub über die bisher aufgetretenen mathematischen Symbole: Definition mittels
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
Mehr1 Einführung. Bildformate Analyse der LSB-Ersetzung Weitere steganographische Algorithmen. Syndromkodierung in der Steganographie
Gliederung Einführung 1 Einführung 2 3 4 WS 2012/2013 Steganographie und Multimedia-Forensik Folie 121 Farbwahrnehmung Blau: 435,8 nm Grün: 546,1 nm Rot: 700 nm (445 nm) (535 nm) (575 nm) Empfindlichkeit
MehrWasserscheiden-Ansätze zur Bildsegmentierung I
Seminar Bildsegmentierung und Computer Vision Wasserscheiden-Ansätze zur Bildsegmentierung I Stefan Sugg 19.12.2005 Gliederung 1. Einführung 2. Morphologische Grundlagen 3. Simulation durch Überflutung
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
MehrBildbearbeitung ganz praktisch
Bildbearbeitung ganz praktisch Karl-Friedrich Kamm Hamburg - Norderstedt 1 Um welche Kernfrage geht es in der digitalen Bildbearbeitung? Wie kann ich aus der Fülle der aufgenommenen Bildinformationen das
MehrVisuelle Kryptographie. Anwendung von Zufallszahlen
Visuelle Kryptographie Anwendung von Zufallszahlen Verschlüsseln eines Bildes Wir wollen ein Bild an Alice und Bob schicken, so dass Verschlüsseln eines Bildes Wir wollen ein Bild an Alice und Bob schicken,
MehrEinführung in die medizinische Bildverarbeitung
Einführung in die medizinische Bildverarbeitung Einfache Registrierung Aufgaben 1. Einfache Registrierung Parameter Tracking 2. Multi Modality Registration Viola-Wells Mattes Mutual Registration 3. Rigide
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
MehrComputer Graphics Shader
Computer Graphics Shader Sven Janusch Inhalt Fixed Function Pipeline Programmable Pipeline Implementierung Applikation Beispiel Sven Janusch 2 Fixed Function Pipeline T&L Pipeline (Transformation and Lighting)
MehrÜbersicht 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
MehrSystemtheorie abbildender Systeme
Bandbegrenzung Bild in (b) nicht band-begrenzt: scharfe Kanten = Dirac-Funktionen = weißes Spektrum Erfordert Tapering vor Digitalisierung (Multiplikation mit geeigneter Fensterfunktion; auf Null drücken
MehrBildbearbeitung: automatische Eigenschaftserkennung versus visuelle Beurteilung
DACH-Jahrestagung 2012 in Graz - Di.3.C.2 DACH-Jahrestagung, 17. 19. Sept. 2012, Graz BAM Bundesanstalt für Materialforschung und -prüfung Bildbearbeitung: automatische Eigenschaftserkennung versus visuelle
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
Mehr3. Suchen. Das Suchproblem. Suche in Array. Lineare Suche. 1 n. i = n Gegeben Menge von Datensätzen.
Das Suchproblem Gegeben Menge von Datensätzen. 3. Suchen Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle Jeder Datensatz hat einen Schlüssel k. Schlüssel sind vergleichbar: eindeutige Antwort auf
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 7 (21.5.2014) Binäre Suche, Hashtabellen I Algorithmen und Komplexität Abstrakte Datentypen : Dictionary Dictionary: (auch: Maps, assoziative
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
MehrSegmentierung. Seminar: Medizinische Visualisierung. Daniel Lange
Segmentierung Daniel Lange 06.05.2004 Seminar: Medizinische Visualisierung Segmentierung 2 Überblick Einführung / Begriffsdefinition Punktorientierte Verfahren Kanten-/Konturorientierte Verfahren Regionenorientierte
MehrVorverarbeitung von Sensordaten
Vorverarbeitung von Sensordaten Sensordaten sind oft verrauscht oder fehlerbehaftet. In roher Form sind die Sensordaten für die Anzeige oder die Weiterverarbeitung in der Regel ungeeignet. daher notwendig:
Mehr1. Bildverbesserung / Bildvorverarbeitung
1. Bildverbesserung / Bildvorverarbeitung Bildverbesserung ist problemorientiert für menschliche/maschinelle Interpretation Dominanz zwischen Farbe, Textur, Kontext Ziel der ikonischen Bildauswertung:
MehrStream Processing II
Stream Processing II K-Buckets Histogram Histogramme sind graphische Darstellungen der Verteilung von numerischen Werten Werden durch Intervalle, die sich nicht überlappen, dargestellt Ein Intervall wird
MehrBildsegmentierung: Übersicht
Seminar: Bildsegmentierung und Computer Vision WS 2005/06 Jens Kürbig und Martina Sauter Inhalt: 1. Einführung 2. Pixelorientierte Verfahren 3. Kantenorientierte Verfahren 4. Regionenorientierte Verfahren
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
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 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
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
Mehr