Segmentierung. Seminar: Medizinische Visualisierung. Daniel Lange
|
|
- Calvin Schumacher
- vor 6 Jahren
- Abrufe
Transkript
1 Segmentierung Daniel Lange Seminar: Medizinische Visualisierung
2 Segmentierung 2 Überblick Einführung / Begriffsdefinition Punktorientierte Verfahren Kanten-/Konturorientierte Verfahren Regionenorientierte Verfahren Vergleich der Verfahren Texturbasierte Ansätze
3 Segmentierung / Einführung 3 Mensch Segmentierung
4 Segmentierung / Einführung 4 Definition von Segmentierung Literatur: uneinheitlich Hier: Teilbereich der Bildanalyse Ziel: Bereitstellung (effizienter) Verfahren zur Erzeugung inhaltlich zusammenhängender Regionen Segmente Gruppierung der Pixel aufgrund von Bildinformationen Segmentierung = Einteilung in Regionen, die einem Homogenitätskriterium genügen
5 Segmentierung / Einführung 5 A-priori-Wissen über Bildinhalt und Bildentstehung Nach der Segmentierung nötig zur Interpretation Einfluss in Segmentierung möglich Algorithmusdesign Kontrollstrukturgestaltung Angabe von Schranken bzgl. der Segmentanzahl
6 Segmentierung / Punktverfahren 6 Punktorientierte Verfahren Maßgeblich: Grauwert eines Pixels Annahme: n verschiedene Objekte korrespondieren mit n verschiedenen Maxima im (Grauwert-)Histogramm Histogramm n-modal Einteilung der Grauwerte in n Bereiche Bimodales Histogramm klassisches Thresholding h(g) t g
7 Segmentierung / Punktverfahren 7 Vorteil: einfach und schnell berechenbar Nachteil: Vernachlässigung globaler Zusammenhänge und räumlicher Konzepte Beschränkt auf einfaches Bildmaterial Oft Teilschritt in komplexen Verarbeitungsketten
8 Segmentierung / Punktverfahren / Global 8 Globales Schwellwertverfahren Optimum: Objekt und Hintergrund anhand der Grauwerte unterscheidbar, Schwellwert zur Objekthervorhebung auffindbar z.b. helles Objekt auf dunklem Grund 2 Maxima im Histogramm Definition einer Funktion, die einzelne Pixel bzgl. des Schwellwertes t auf schwarz oder weiss abbildet Festlegung von t z.b. durch Mittelung der Grauwerte der beiden Maxima
9 Segmentierung / Punktverfahren / Global 9 Problem: Mittelung wenig sinnvoll, bei ungleicher Verteilung der Grauwerte um die Maxima
10 Segmentierung / Punktverfahren / ISODATA 10 ISODATA Clustering Initialisierung: beliebige Verteilung von n Clusterzentren Iteration: Jeder Grauwert wird dem Zentrum zugeteilt, das am nächsten liegt Neuberechnung des Zentrums, aufgrund der neuen Cluster-Mitglieder
11 Segmentierung / Punktverfahren / Lokal 11 Lokales Schwellwertverfahren Globaler Schwellwert führt oft zu ungenügenden Resultaten Unterteilung des Bildes in Sektoren Histogramm und Schwellwert pro Sektor Kein bimodales Histogramm im Sektor: Interpolation von t aus den Schwellwerten der Nachbarsektoren Sehr sinnvoll bei vielen kleinen Objekten
12 Segmentierung / Punktverfahren / Dynamisch 12 Dynamisches Schwellwertverfahren Konsequente Erweiterung der lokalen t-berechnung Schwellwert pro Pixel, aufgrund eines M*M-Fensters Fenstergröße so, dass das Histogramm bimodal ist Bei langsamer Bildveränderung: Überspringen von Pixeln
13 Segmentierung / Punktverfahren / Shadingkorrektur 13 Shading-Korrektur Schlechte Ergebnisse aufgrund unregelmäßiger Ausleuchtung Globale Bereinigung der Ausleuchtung Faltung des Originalbildes mit grossem Mittelwertfilter (z.b. 31*31) Subtraktion von Originalbild und Mittelwertbild Korrekturprofil
14 Segmentierung / Kantenverfahren 14 Kanten-/ Konturorientierte Verfahren Forderung an die Gestalt der Regionen neben Homogenität: Glatte und scharfe Berandung Regionenbeschreibung durch Angabe einer Randkurve Segmentermittlung durch Extraktion der Kanten Schwierigkeit: Zusammenfassung der Kantenpunkte zu einer Kante
15 Segmentierung / Kantenverfahren 15 Eine Kante entspricht einem Grauwertsprung Korrekte Lage der Kante: Zwischen den Pixeln Entscheidung, ob man die Kante auf Objektpixeln zeichnet oder auf Hintergrundpixeln
16 Segmentierung / Kantenverfahren 16
17 Segmentierung / Kantenverfahren / Pixelorientiert 17 Pixelorientierte Kantenextraktion Maßzahl pro Pixel, basierend auf dem Gradienten Binarisierung der Maßzahlen mittels Schwellwert Kanten werden zu Linien Optimierung des Kantenbildes Entfernen einzelner Punkte Verdünnung der Linien Kantenbild dient als Maske zur Objektmarkierung
18 Segmentierung / Kantenverfahren / Pixelorientiert 18 Kantenrelaxation Pro Pixel: Wahrscheinlichkeit dass er auf einer Kante liegt Iteration: Neuberechnung aufgrund benachbarter Pixel Pixel beeinflussen sich gegenseitig Räumliche Verbundwahrscheinlichkeiten spielen eine Rolle
19 Segmentierung / Kantenverfahren / Linienorientiert 19 Linienorientierte Kantenextraktion Grundgedanke: Nicht alle Pixel müssen untersucht werden Beschränkung auf zwei Aufgaben: Finden von geeigneten Startpunkten für die Linienverfolgung Auffinden von Nachfolgepunkten Startpunktbestimmung: Manuell durch den Benutzer Interaktion notwendig Automatisch, aufgrund von Gradienten oder Grauwerten
20 Segmentierung / Kantenverfahren / Linienorientiert 20 Bestimmung von Nachfolgepunkten durch Suchstrahlen Genauere Ergebnisse durch Untersuchung aller Pixel auf einem Kreisbogen Probleme bei unterbrochenen Linien, deshalb mehrere Suchkreisbögen in verschiedenen Abständen
21 Segmentierung / Kantenverfahren / Wasserscheiden 21 Wasserscheidentransformation Wasserscheiden (Konturen) Staubecken (Regionen) Dämme Wasserstand Minima Minima
22 Segmentierung / Kantenverfahren / Wasserscheiden 22 Problem: Medizinisches Bildmaterial meistens stark verrauscht Lösung: Berechnung aller Einflusszonen (Mosaikbild), iterative Verschmelzung bis Regionen brauchbar Vorteil: Geschlossene Linienzüge
23 Segmentierung / Kantenverfahren / Wasserscheiden 23
24 Segmentierung / Regionenverfahren 24 Regionenorientierte Verfahren Liefern immer direkt zusammenhängende Regionen Prinzip: Entscheidung, ob Pixel oder Menge von benachbarten Pixeln zu einer Region gehören oder nicht Entscheidungsfindung mit Distanzmaß Verschmelzung von benachbarten Regionen durch Linkage Reihenfolge von Entscheidungen festgelegt durch Kontrollstruktur
25 Segmentierung / Regionenverfahren / Linkage 25 Single-Linkage Contiguity-Constraint-Complete-Linkage Contiguity-Constraint-Average-Linkage Centroid-Linkage Complete-Linkage
26 Segmentierung / Regionenverfahren / Kontrollstruktur 26 Kontrollstruktur Reihenfolge des Verschmelzens entscheidend Feste Reihenfolge (Uhrzeigersinn) liefert unter Umständen unzureichende Ergebnisse Bestes Ergebnis, wenn zuerst Regionen mit minimaler Distanz verschmolzen werden A B D C E
27 Segmentierung / Regionenverfahren / Agglomerativ 27 Agglomerative Verfahren - Region Growing Auswahl geeigneter Keimpunkte Anfangsregionen Rest der Pixel: keine Zugehörigkeit zu Regionen Betrachtung der Pixel um die Regionen, ist d t wird der Pixel der Region hinzugefügt Problem: Anfällig für Chaining-Effekt Geeignete Wahl der Keimpunkte wichtig In möglichst homogenen Regionen In einem Raster über das Bild verteilt
28 Segmentierung / Regionenverfahren / Agglomerativ 28 Region Merging Unterteilung des gesamten Bildbereichs in kleine Regionen, z.b. 2*2 Pixel Iteratives Verschmelzen benachbarter Regionen mit d t Terminierung, wenn für die Distanzen zwischen allen benachbarten Regionen gilt: d > t
29 Segmentierung / Regionenverfahren / Divisiv 29 Divisive Verfahren - Split Initialisierung: Gesamtes Bild = eine Partition Iteration: Partitionen auf Homogenität prüfen (z.b. Grauwertdynamik, -varianz,...) Wenn inhomogen: Teilung in Subpartitionen Terminierung: Alle Partitionen homogen Problem: Teilung von Regionen durch Partitionierung
30 Segmentierung / Regionenverfahren / Divisiv 30 Split & Merge Nach jedem Split wird geprüft, ob benachbarte Subpartitionen zueinander homogen sind Sofortige Verschmelzung, falls möglich Problem: Ausgefranste, eckige Kanten durch rechteckige Partitionierung Nachträgliche Kantenglättung nötig
31 Segmentierung / Regionenverfahren / Hierarchisch 31 Hierarchische Segmentierung - Pyramid-Linking
32 Segmentierung / Regionenverfahren / Scale-Space 32 Scale-Space-Ansatz
33 Segmentierung / Regionenverfahren / FC 33 Fuzzy Connectedness Derzeit eine der besten Methoden zur halbautomatischen Segmentierung Automatische Erkennung von OOIs in der Medizin schwer Bisher: Interaktive Methoden, bei denen der User stark eingebunden ist Besserer Ansatz: Halbautomatische Segmentierung mit sehr begrenzter Interaktion
34 Segmentierung / Regionenverfahren / FC 34 Idee von Fuzzy Connectedness: Beschreibung, wie stark Pixel zusammenhängen
35 Segmentierung / Regionenverfahren / FC 35 Starke Abhängigkeit der Ergebnisse von: Funktion zur Berechnung der Pixelaffinität Parametern, die durch die Interaktion festgelegt werden Schwellwert zur Binarisierung Erinnerung an Wasserscheidentransformation: Segmentgrenzenbildung durch Abgrenzung gegeneinander Wettkampfsituation Wettkampfkonzept bei Fuzzy Connectedness: User wählt statt einem OOI alle zu segmentierenden Objekte Pixel gehört zu dem Objekt mit der grössten Fuzzy Connectedness
36 Segmentierung / Regionenverfahren / FC 36 Vorteile Mehrere Objekte werden gleichzeitig berechnet Segmentierungsergebnisse verbessern sich generell Kein Schwellwert nötig Vergleich der Ergebnisse zu halbautomatischer Wasserscheidentransformation möglich Mehrere Keimpunkte pro Objekt wählbar
37 Segmentierung / Vergleich 37 a) Original b) Threshold c) Watershed d) Fuzzy Connectedness
38 Segmentierung / Vergleich 38 a) Originalbild b) Keimpunkte c) Ergebnis des Wasserscheidenverfahrens
39 Segmentierung / Vergleich 39 d) Connectedness-Werte für Region 2 e) Schwellwert 0,75 f) Schwellwert 0,5
40 Segmentierung / Vergleich 40 g) Connectedness-Werte für Region 2 h) Connectedness-Werte für Region 3 i) Ergebnis der Segmentierung in 4 Regionen
41 Segmentierung / Vergleich 41 a) Originalbild c) Region 2 mit Wasserscheidentransformation f) Region 2 mit normaler FC i) Alle 4 Regionen mit Wettkampf-FC
42 Segmentierung / Texturansätze 42
43 Segmentierung Daniel Lange Seminar: Medizinische Visualisierung
Segmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
MehrSegmentierung von Bilddaten
Segmentierung von Bilddaten Hendrik Horn und Jörgen Kosche 3. Juni 2004 Seminarvortrag Seminar: Effiziente Darstellung von Daten Dozent: Oliver Boldt 1 Inhaltsverzeichnis 1 Einführung 3 2 Definition 5
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
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
MehrStatistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
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
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
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:
MehrErinnerung an die "Bildanalyse- (Bildverarbeitungs-) Pipeline":
4. Segmentierung Erinnerung an die "Bildanalyse- (Bildverarbeitungs-) Pipeline": Segmentierung: Vorgang, das Bild in sinnvolle Bildteile aufzuteilen (es zu segmentieren) "Fernziel": Objekterkennung; Trennung
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
MehrSegmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden
Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal GEODÄTISCHES INSTITUT HANNOVER Session: Laserscanning
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
Mehr3D-Lungenlappen- Segmentierung mit der IWT
3D-Lungenlappen- Segmentierung mit der IWT Daniel Stöbel 8..7 Gliederung. Anatomie der Lunge. Motivation / Ziel 3. Maskierung der Lunge 4. Lungenlappensegmentierung. Gefäßsegmentierung. Distanzbild 3.
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
MehrClusteranalyse. Anwendungsorientierte Einführung. R. Oldenbourg Verlag München Wien. Von Dr. Johann Bacher
Clusteranalyse Anwendungsorientierte Einführung Von Dr. Johann Bacher R. Oldenbourg Verlag München Wien INHALTSVERZEICHNIS Vorwort XI 1 Einleitung 1 1.1 Primäre Zielsetzung clusteranalytischer Verfahren
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
MehrSegmentierung medizinischer Bilder Bilderzeugung Bild- bearbeitung Bildauswertung Bilddarstellung Bildspeicherung
Segmentierung medizinischer Bilder Bild Ein komplexes Muster Thomas M. Lehmann Institut für Medizinische Informatik Rheinisch Westfälische Technische Hochschule Aachen Bild Abstraktionsgrade Informationsreduktion
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
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
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS/ / Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung 6Das Newton-Verfahren
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
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
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
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
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen LACE Katharina Morik LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund 28.1.2014 1 von 71 Gliederung 1 Organisation von Sammlungen Web 2.0
MehrJ.P.E.G. Standard. J.P.E.G. Eigenschaften. J.P.E.G. System. JPEG Verschlüsselungsschritte. Farbmodell
Inhaltsbasierte Bildsuche J.P.E.G = Joint Photographic Expert Group Informatica Feminale Universität Bremen, Aug. 2005 Maja Temerinac Albert-Ludwigs-Universität Freiburg J.P.E.G. Standard Standard zur
MehrKapitel 8: Operationen auf Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 8: Operationen auf Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2015/16 Ludwig-Maximilians-Universität
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Regression Zweck: Vorhersage x Dimensionsreduktion x x Klassifizierung x x Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eigenschaften:
MehrSEMACODE: Semantische Kodierung von Bildern
SEMACODE: Semantische Kodierung von Bildern Situation: hohes Aufkommen digitaler Bilddaten Verknüpfung multimedialer Daten (Text, Bilder, Sprache ) Problem: automatische inhaltliche Charakterisierung von
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
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
Mehr6. Multivariate Verfahren Zufallszahlen
4. Zufallszahlen 6. Multivariate Verfahren Zufallszahlen - werden nach einem determinist. Algorithmus erzeugt Pseudozufallszahlen - wirken wie zufäll. Zahlen (sollen sie jedenfalls) Algorithmus: Startwert
MehrProseminar: Web-Performance
Proseminar: Web-Performance Workload-Beschreibung (3) Skalierung, Clusteranalyse und algorithmen, Burstiness Skalierung Skalierungsmethoden zur Arbeitslastberechnung: unterschiedliche Einheiten können
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
MehrData Mining und Knowledge Discovery in Databases
Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining
MehrSeminar. Visual Computing. Poisson Surface Reconstruction. Peter Hagemann Andreas Meyer. Peter Eisert: Visual Computing SS 11.
Poisson Surface Reconstruction Peter Hagemann Andreas Meyer Seminar 1 Peter Eisert: SS 11 Motivation Zur 3D Darstellung von Objekten werden meist Scan-Daten erstellt Erstellung eines Dreieckmodells aus
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
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
Mehr9. 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
MehrMathematik für Wirtschaftswissenschaftler Kapitel 4-6. Universität Trier Wintersemester 2013 / 2014
Mathematik für Kapitel 4-6 Universität Trier Wintersemester 2013 / 2014 Kapitel 4 1. Extremwerte 2. Lokale Optimalpunkte 3. Wendepunkte 2 Kapitel 4.1 EXTREMWERTE 3 Extrempunkte und Extremwerte 4 Strikte
MehrKapitel 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
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.
MehrVerteilte Systeme. Verteilte Systeme. 5 Prozeß-Management SS 2016
Verteilte Systeme SS 2016 Universität Siegen rolanda.dwismuellera@duni-siegena.de Tel.: 0271/740-4050, Büro: H-B 8404 Stand: 31. Mai 2016 Betriebssysteme / verteilte Systeme Verteilte Systeme (1/14) i
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrEntwurf und Erkennung von codierten Zielmarken
Photogrammetrie Seminarvortrag: Entwurf und Erkennung von codierten Zielmarken Übersicht: 1. Einleitung 2. Codeanforderungen 3. Aufbau der Zielmarke Teil I 4. Der Code 5. Automatische Detektion und Erkennung
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
MehrHauptseminar Roboternavigation. Kartenaufbau nach Thrun
Hauptseminar Roboternavigation Kartenaufbau nach Thrun Hannes Keil keil@in.tum.de 18. Januar 2002 Überblick Kartenaufbau nach Thrun Überblick 1. Einführung in den Kartenbau 2. Einführung in den Aufbau
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
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
MehrClusteranalyse. Mathematische Symbole Anzahl der Objekte, Versuchspersonen
Clusteranalyse Ziel: Auffinden von Gruppen ( Cluster ) ähnlicher Obekte (bezogen auf die ausgewählten Variablen). Obekte i selben Cluster haben ähnliche Eigenschaften, Obekte in verschiedenen Clustern
MehrTextmining Clustering von Dokumenten
Textmining Clustering von Dokumenten Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Clustering 1 / 25 Clustering Definition Clustering ist
MehrClusteranalyse: Gauß sche Mischmodelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse: Gauß sche Mischmodelle iels Landwehr Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrGehirnsegmentierung mit der Wasserscheidentransformation. Xin Zhou
Gehirnsegmentierung mit der Wasserscheidentransformation Xin Zhou 1 Gehirnsegmentierung mit der Wasserscheidentransformation (WST) Gliederung Sinn der Gehirnsegmentierung Struktur des Gehirns Wasserscheidentransformation
MehrGrundlagen 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
MehrUnüberwachtes Lernen: Clusteranalyse und Assoziationsregeln
Unüberwachtes Lernen: Clusteranalyse und Assoziationsregeln Praktikum: Data Warehousing und Data Mining Clusteranalyse Clusteranalyse Idee Bestimmung von Gruppen ähnlicher Tupel in multidimensionalen Datensätzen.
MehrEuklidische Distanzmatrizen. Andrei Grecu
Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer
MehrBildkontrolle mit Hilfe des Histogramms
Bildkontrolle mit Hilfe des Histogramms Mit Hilfe des Kamera-Histogramms lässt sich direkt nach der Aufnahme prüfen ob die Belichtung richtig war oder ob Korrekturen vorgenommen werden müssen. Die meisten
MehrDie Clusteranalyse 24.06.2009. Clusteranalyse. Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele. methodenlehre ll Clusteranalyse
Clusteranalyse Thomas Schäfer SS 2009 1 Die Clusteranalyse Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele Thomas Schäfer SS 2009 2 1 Die Clusteranalyse Grundidee: Eine heterogene Gesamtheit
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
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
Mehra a b b a a b b c c c c d d b b c c c c d d b b c c e e e e b b c c e e e e b b c c c c c c c c c c c c c c c c
1. Zusammenhangsanalyse Wenden Sie auf das folgende Labelbild eine Zusammenhangsanalyse an! Verwenden Sie kleine Buchstaben als Marken (a,b,c,... )! 1 1 0 0 0 0 2 2 1 1 0 0 0 0 2 2 2 2 2 2 1 1 2 2 2 2
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
MehrJ. Reinier van Kampenhout Robert Hilbrich Hans-Joachim Goltz. Workshop Echtzeit Fraunhofer FIRST
Modellbasierte Generierung von statischen Schedules für sicherheitskritische, eingebettete Systeme mit Multicore Prozessoren und harten Echtzeitanforderungen J. Reinier van Kampenhout Robert Hilbrich Hans-Joachim
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
MehrÜberblick. Überblick. Bayessche Entscheidungsregel. A-posteriori-Wahrscheinlichkeit (Beispiel) Wiederholung: Bayes-Klassifikator
Überblick Grundlagen Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 11. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen Safe
Mehr6.2 Eine Vorlage schärfen
6.2 Eine Vorlage schärfen SilverFast hat eine speziell entwickelte Schärfefunktion, die sogenannte Unschärfe-Maske (USM). Dieser Begriff kommt aus der traditionellen Lithographie, als noch chemisch gearbeitet
MehrClusteranalyse mit SPSS
Autor: Thomas Nirschl, Amt für Stadtforschung und Statistik, Stadt Nürnberg Clusteranalyse mit SPSS Das Statistikpaket SPSS (aktuell in der Version 17 vorliegend) stellt dem Anwender eine große Vielfalt
MehrVisualisierungstechniken für Thorax-CT Daten
Visualisierungstechniken für Thorax-CT Daten Volker Dicken, Jan-Martin Kuhnigk,, Stefan Krass, Heinz-Otto Peitgen MeVis Bremen Aufgabenbereich Befundung von Lungenrundherden:! Sichtbarkeit kleiner Rundherde
Mehr2 Methode Die Wasserscheiden-Transformation basiert auf der Vorstellung eines Grauwertgebirges, bei der die Helligkeit eines Pixels mit der Höhe des B
Hierarchische Wasserscheiden-Transformation zur Lippensegmentierung in Farbbildsequenzen Christoph Palm, Benedikt Fischer, Thomas Lehmann und Klaus Spitzer Institut für Medizinische Informatik Rheinisch-Westfälische
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrNichtrealistische Darstellung von Gebirgen mit OpenGL
Nichtrealistische Darstellung von Gebirgen mit OpenGL Großer Beleg Torsten Keil Betreuer: Prof. Deussen Zielstellung Entwicklung eines Algorithmus, der die 3D- Daten einer Geometrie in eine nichtrealistische
MehrErweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells
Erweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells Sebastian Wildfeuer Parameteridentifikation > 23. September 2008 > Folie 1 Themenübersicht Ausgangssituation,
MehrImplementierung und Evaluierung von Video Feature Tracking auf moderner Grafik Hardware
Implementierung und Evaluierung von Video Feature Tracking auf moderner Diplomarbeit vorgelegt von Sebastian Heymann Betreut von Prof. Dr. Bernd Fröhlich Bauhaus Universität t Dr. Aljoscha Smolic Fraunhofer
MehrBildsegmentierung mit Level Sets
Bildsegmentierung mit Level Sets Seminar Bildsegmentierung und Computer Vision im Wintersemester 2005 Übersicht 1 Übersicht 2 Definitionen Ausbreitungsgeschwindigkeit Übersicht 3 Inter-Frame-basierte Modellierung
MehrInhalt. 5.1 Motivation. 5.2 Clustering mit Repräsentanten. 5.3 Hierarchisches Clustering. 5.4 Dichtebasiertes Clustering. 5.
5. Clustering Inhalt 5.1 Motivation 5.2 Clustering mit Repräsentanten 5.3 Hierarchisches Clustering 5.4 Dichtebasiertes Clustering 5.5 Validierung 5.6 Graphbasiertes Clustering 2 y 5.1 Motivation Datenpunkte
MehrModulklausur Multivariate Verfahren
Name, Vorname Matrikelnummer Modulklausur 31821 Multivariate Verfahren Datum Punkte Note Termin: 28. März 2014, 9.00-11.00 Uhr Erstprüfer: Univ.-Prof. Dr. H. Singer Hinweise zur Bearbeitung der Modulklausur
MehrUntersuchungen zur Segmentierung von Satellitenbilddaten für die Extraktion von GIS-Objekten
Untersuchungen zur Segmentierung von Satellitenbilddaten für die Extraktion von GIS-Objekten KRISTIN LEUKERT 1 Zusammenfassung: Objektbasierte Verfahren bieten besonders für hochaufgelöste Bilddaten neue
MehrClusteranalyse K-Means-Verfahren
Workshop Clusteranalyse Clusteranalyse K-Means-Verfahren Graz, 8. 9. Oktober 2009 Johann Bacher Johannes Kepler Universität Linz Linz 2009 1 1. Fragestellung und Algorithmus Bestimmung von Wertetypen (Bacher
MehrProgrammierpraktikum WS 16/17
Programmierpraktikum in Rasterbildern Fakultät für Mathematik und Informatik Datenbanksysteme für neue Anwendungen FernUniversität in Hagen 8.Oktober 2016 c 2016 FernUniversität in Hagen Übersicht 1 Raster-
MehrDie Interpretation Optischer Leistungsdaten
Die Interpretation Optischer Leistungsdaten Einige Fakten über die Carl Zeiss AG Seit 1896 berühmt für Kamera-Objektive Zeiss 1846 von Carl Zeiss gegründet 48 Produktionsstandorte weltweit Die ersten Kamerabilder
MehrArbeiten mit Auswahlwerkzeugen
Arbeiten mit Auswahlwerkzeugen Kennen Sie das auch: Bei der Bearbeitung eines Bildes möchten Sie nur den Himmel verändern, oder einen bestimmten Teil in Schwarz-Weiß umwandeln? Sie denken, das können nur
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)
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
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
MehrSeminar: Multi-Core Architectures and Programming. Viola-Jones Gesichtsdetektor
Seminar: Multi-Core Architectures and Programming Viola-Jones Gesichtsdetektor Hardware-Software-Co-Design Universität Erlangen-Nürnberg 1 Übersicht Einleitung Viola-Jones Gesichtsdetektor Aufbau Blockmerkmale
MehrVisualisierung feingranularer Abhängigkeiten
Visualisierung feingranularer Abhängigkeiten Jens Krinke FernUniversität in Hagen Fachbereich Elektrotechnik und Informationstechnik Fach Softwaretechnik 6. Workshop Software-Reengineering, Bad Honnef,
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
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
MehrLernmodul 2 Modelle des Raumes
Folie 1 von 21 Lernmodul 2 Modelle des Raumes Bildnachweis: www. tagesschau.de Folie 2 von 21 Modelle des Raumes Übersicht Motivation Was ist Raum? Formalismus und Invarianz Metrischer Raum/Euklidischer
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
MehrGrundlagen der digitalen Bildverarbeitung / Fortsetzung
Grundlagen der digitalen Bildverarbeitung / Fortsetzung Wir haben bereits zwei Beispiele digitaler Bildfilter gesehen. Es gibt eine große Menge von Filtern mit ganz unterschiedlicher Auswirkung auf das
MehrÜberblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes- Entscheidungsfunktionen
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
Mehr