Computergrafik 2: Morphologische Operationen
|
|
- Florian Kruse
- vor 6 Jahren
- Abrufe
Transkript
1 Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen der Bildverarbeitung. Pearson Studium, 2005)
2 Morphologische Operationen Erosion und Dilatation Opening und Closing Ränder und Distanzen, Morphing Hit-or-Miss-Operator Skelettierung Computergrafik 2 SS2011 2
3 Morphologische Operationen Morphologisch: die äußere Gestalt betreffend morphologische Operationen Operationen auf der Gestalt von Objekten è setzt die Extraktion einer Gestalt voraus also: in erster Linie Operation auf Segmenten (d.h., auf Binärbildern) Ziel von morphologischen Operationen Veränderung der Gestalt, um Störungen nach einer Segmentierung zu beseitigen Berechnung von Formmerkmalen Suche nach bestimmten Formen (also: Analyse) Computergrafik 2 SS2011 3
4 Dilatation Dilatation (Ausdehnung): G S mit Strukturelement S g oder ( m n) "( ) b( m + m, n n ), = mk, nk! s k + k Computergrafik 2 SS2011 4
5 Dilatation Dilatation wird (wie jede morphologische Operation) für einen Ankerpunkt ausgeführt. Dilatation: - verbindet Strukturen - füllt Löcher - vergrößert Computergrafik 2 SS2011 5
6 Erosion g und = "! ( m n) ( ( ) b m + m, n n )., m, n s k k + k k Erosion: G S mit Strukturelement S Erosion: - löst Strukturen auf - entfernt Details - verkleinert Computergrafik 2 SS2011 6
7 Strukturelemente Ein Strukturelement einer morphologischen Operation entspricht dem Faltungskern bei einer Konvolution. Mit einem gezielt geformten Strukturelement können genau definierte Formveränderungen erzeugt werden. Strukturelement Dilatation Computergrafik 2 SS2011 7
8 Beispiel Binärbild Dilatation Erosion Computergrafik 2 SS2011 8
9 Gezielter Einsatz Ungestörtes Binärbild Computergrafik 2 SS2011 9
10 Gezielter Einsatz Strukturelement zum Schließen des Streifens Streifenauslöschung Computergrafik 2 SS
11 Gezielter Einsatz Strukturelement zum Schließen des Streifens Ergebnis nach Dilatation: Streifen ist geschlossen Computergrafik 2 SS
12 Gezielter Einsatz Strukturelement zur Erosion des zu breiten Schriftzugs Ergebnis nach nachfolgender Erosion: Schriftzüge haben ihre Ursprungsstärke Computergrafik 2 SS
13 Einige Eigenschaften morphologischer Operatoren Verschiebungsinvarianz: Wegen der Beschreibung von Erosion/Dilatation als Faltung sind beide Operationen genau wie eine Faltung verschiebungsinvariant. Kommutativität und Assoziativität: M 1 M 2 = M 2 M 1 aber M 1 M 2 M 2 M 1 es gilt jedoch (G M 1 ) M 2 = G (M 1 M 2 )= (G M 2 ) M 1 Dualität: G M = G! M und G! M = G M Computergrafik 2 SS
14 Morphologische Operationen auf Grauwertbildern g g ( m n) = max ( ( ) ( )! b m + m, n n, mk, nk s k + ( m n) = min ( ( ) ( )! b m + m, n n, mk, nk s k + k k Erosion Dilatation Computergrafik 2 SS
15 Opening und Closing Opening (Öffnen): Kombination von Erosion gefolgt von einer Dilation mit dem am Ankerpunkt gespiegelten Strukturelement S G S = (G S) S Ziel: Erosion - Entfernung aller (Teil-)strukturen, die kleiner als das Strukturelement sind Dilatation - Wiederherstellung der ursprünglichen Größe des Objekts mit Ausnahme der vollständig entfernten Teilstrukturen Closing (Schließen): Kombination von Dilatation gefolgt von einer Erosion mit einem am Ankerpunkt gespiegelten Strukturelement S G S = (G S) S Ziel: Dilatation - Schließen von kleinen Löchern (kleiner als das Strukturelement) Erosion - Wiederherstellung der ursprünglichen Größe des Objekts Computergrafik 2 SS
16 Beispiele für Opening und Closing Original Opening Closing Computergrafik 2 SS
17 Entfernung von Linien original Erosion (2x2) Dilatation (2x2) Subtraktion Bild1 - Bild3 Computergrafik 2 SS
18 Extraktion von Rändern S b4 = S b8 = Erosion mit S b4 bzw. S b8 entfernt alle Objekt-pixel, in deren 4- bzw. 8- Nachbarschaft sich Hintergrundpixel befinden. Der Rand kann nun durch Differenzbildung zwischen Ursprungsbild und erodiertem Bild erzeugt werden: G = G \ (G S b ) Computergrafik 2 SS
19 Extraktion von Rändern G = G \ (G M b ) = G (G M b ) = G (G M b ) Hintergrundrand: G B = (G M b ) \ G Computergrafik 2 SS
20 Beispiel Computergrafik 2 SS
21 Distanztransformation Resultat der Randoperation G 0 = G \ (G S b ): Menge aller Pixel, die den Abstand 0 zum Rand haben. Falls die gleiche Operation auf dem um den Rand verminderten Bild nochmals angewendet wird: G 1 = (G S b ) \ (G S b S b ) Menge aller Pixel, die den Abstand 1 zum Rand haben. Fortgesetzte Extraktion von immer weiter vom Rand entfernten Linien und Multiplikation der jeweiligen Resultate mit der aktuellen Entfernung überführt das Binärbild in ein Distanzbild D: D = n=1, [ (G S b n-1 ) \ (G Sb n ) n], wobei die Operation die punktweise Multiplikation der n-ten Randkurve mit der Zahl n (dem aktuellen Abstand) darstellt. Computergrafik 2 SS
22 Beispiel Originalbild Objektinneres (nach fortgesetzter Erosion) Randpixel nach der n-ten Erosion einschließlich Distanz Computergrafik 2 SS
23 Beispiel Computergrafik 2 SS
24 Morphing Vorzeichenbehaftete Distanztransformation auf Binärbildern b A und b B durchführen. Für i=0,n-1 Distanzbilder linear aus den Distanzbildern A A und A B interpolieren A i = i! A B + ( L " i) Objekt einer Zwischenstufe i sind diejenigen Pixel, für die im i-ten Distanzbild A i die Distanzen positiv sind. L! A A Computergrafik 2 SS
25 Beispiel Distanzfunktionen Computergrafik 2 SS
26 Hit-or-Miss Operator Erodieren mit Erodieren mit Computergrafik 2 SS
27 Hit-or-Miss Operator Hit-or-Miss Operator: G (S 1,S 2 ) = (G S 1 ) (G S 2 ) = (G S 1 ) (G S 2 ) mit S 1 S 2 = Ø (sonst wäre das Resultat der Operation die leere Menge) Hit-or-Miss-Operator für variable Strukturgrößen, z.b.: Hit Miss Notation für Hit-or-Miss-Operator: 0 - Miss 1 - Hit x - weder Miss noch Hit führt zur Akzeptanz von horizontalen Linien von 3,4, und 5 Pixeln Länge.! # M = # # " x x $ & & & % Computergrafik 2 SS
28 Beispiel Kreise mit Radius von 6 Pixel Kreise mit Radius 6-7 Pixel Computergrafik 2 SS
29 Hit-or-Miss-Operatoren M I = Entfernung einzelner Pixel x 1 0 M C = detektiert untere, rechte Ecken eines Objekts M T1 = x 1 x findet Randpunkte von oben, die ein Objekt nicht teilen würden, wenn sie entfernt würden Diese Punkte würden gefunden werden Diese Punkte würden nicht gefunden werden Computergrafik 2 SS
30 Skelettierung Das Skelett eines Segments ist die Menge aller Mittelpunkte von Kreisen mit maximalem Radius, die vollständig innerhalb des Segments liegen Trägt wichtige Eigenschaften für die Klassifizierung Computergrafik 2 SS
31 Thinning mit Hit-or-Miss-Operatoren S T1 = x 1 x x 1 S T2 = x S T3 = x 1 x x 0 S T4 = x x S T5 = x 1 1 x 0 0 S T6 = x 1 1 x S T7 = x 0 0 x 1 1 S T8 = x Ziel: Skelettierung Methode: Randpixel solange entfernen, bis die zusammenhängende Form aufgelöst werden würde. Thinning-Operator von oben: G S T = G \ (G S T1 ) Symmetrisches Thining: G S T = G \ i=1,8 G S Ti ) Thinning wird wiederholt, bis G S T = G ist. Computergrafik 2 SS
32 Beispiel Computergrafik 2 SS
33 Beispiele Computergrafik 2 SS
34 Beispiele Computergrafik 2 SS
35 Zusammenfassung Morphologische Operationen: Formverändernde oder formauswertende Operationen auf Segmenten Morphologische Filter zur Unterdrückung von Artefakten nach einer Segmentierung Suche nach vorgegebenen Formen Randbestimmung, Distanztransformation und Morphing Skelettierung von Segmenten Computergrafik 2 SS
Graphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Morphologische Operatoren Graphische DV und BV, Regina Pohle, 5. Morphologische Operatoren Einordnung in die Inhalte der Vorlesung
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
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
MehrMorphologische Bildoperationen
Morphologische Bildoperationen Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Gürcan Karakoc Betreuer: Suat Gedikli Abgabetermin: 10.04.2006 1 Inhaltsverzeichnis
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
MehrKapitel 9. Kombination von Vektor- und Rasterdaten. Rasterdaten. 3. Transformationen des Formats. 4. Kombinierte Auswertungen
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2011/12 Ludwig-Maximilians-Universität
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
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
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
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
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,
MehrMorphologie auf Binärbildern
Morphologie auf Binärbildern WS07 5.1 Konen, Zielke WS07 5.2 Konen, Zielke Motivation Aufgabe: Objekte zählen Probleme: "Salt-&-Pepper"-Rauschen erzeugt falsche Objekte Verschmelzen richtiger Objekte durch
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag WS 2007/2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
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
MehrPrüfung Grundlagen der digitalen Bildbearbeitung
Prüfung Grundlagen der digitalen Bildbearbeitung 14.06.2005 1) Gegeben sind 24 Bilder, die als Eingabe als auch als Ergebnis einer der 10 Bildoperationen auftreten können. (14 Punkte) 10 folgenden Bildoperationen,
MehrGrundlagen der Bildverarbeitung Klaus D. Tönnies
Grundlagen der Bildverarbeitung Klaus D. Tönnies ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Grundlagen der Bildverarbeitung
MehrMorphologische Bildverarbeitung I
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Abteilung Stochastik Abteilung Angewandte Informationsverarbeitung SS 03 Morphologische Bildverarbeitung I Vortrag mit Programmvorstellung
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
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
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
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
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
Mehr12.2 Grauwertmorphologie
12.2 Grauwertmorphologie 735 12.2 Grauwertmorphologie 12.2 12.2.1 Punktmenge eines Grauwertbildes Die Punktmenge eines Binärbildes besteht aus allen Pixeln vom Wert 1.Wie lässt sich nun ein Bild, das mehr
MehrB3. Bilderkennung mit Java
B3. Bilderkennung mit Java B3.3 HIPR Framework B3.4 Praktisches Beispiel und weitere Operationen auf Bildern - thresholding - morphologische Operationen - region labeling Literatur: The Hypermedia Image
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
MehrBinärbildverarbeitung
Prof. Dr.-Ing. Thomas Zielke " Binärbildverarbeitung SS 2013 3.1 Anwendungen von Binärbildern" Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte mit dem Wert Null
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
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
MehrS a m s t a g, 2 1. J a n u a r
S a m s t a g, 2 1. J a n u a r 2 0 1 7 D e r e r s t e T a g d e s n e u e n D o n J a, d a v e r w e i s e i c h d o c h g e r n a u f : R e a l G a m e o f T h r o n e s : H a b e m u s D o n a l d
MehrSONNTAG OFFEN 599. undsparen! LACK LACK HOCH GLANZ HOCH GLANZ. Los je
ß U U ß ß = ß % % % Ü U % ß % U U U U % U U U U U ß Ü U Ü ; % ß ß % % U Ü Ü & U Ü U Ü U Ü U Ü U Ü U Y Ä U Y Ä U ß Y Ä U Y Ä U ß ß ß ß Y Ä U U ß ß ß Y Ä U Y Ä U ß Y Ä U U ß ß ß ß ß ß ß ß ß ß ß ß ß ß ß ß
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation 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
MehrMMI2 Übung 6: Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz MHCI Lab, LMU München
MMI2 Übung 6: Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Konzept System ermöglicht die Zuordnung von Audiodateien zu geografischen Points of Interest
MehrTechnische Universität München. Fakultät für Informatik
Techniche Univerität München Fakultät für Informatik Forchung- und Lehreinheit Informatik IX Thema: Morphologiche Operationen Proeminar: Grundlagen Bildvertehen/Bildgetaltung Johanne Michael Kohl Betreuer:
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
MehrZusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann
Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:
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
MehrSeminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Ingmar Gründel HAW-Hamburg 15. Dezember 2006 Ingmar Gründel Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
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
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
MehrEn Theoriefragen LU GDBV
En Theoriefragen LU GDBV 1. Cooccurrence Matrix Die Cooccurrence Matrix wird auch als Gray-Tone Spatial- Dependence Matrices oder als Grauwertpaarhäufigkeitsmatrix (GPM) bezeichnet. Wir gehen von einem
MehrInnere Volumina und Integralgeometrie
Seminar Stochastische Geometrie und ihre Anwendungen" 19. November 2009 Inhaltsverzeichnis Grundlagen Mengenoperationen Digitale Bildbearbeitung Die Hausdor-Metrik Mengenoperationen Spiegelung\Translation
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
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
Mehr2. Fortsetzung zu Kap. 4: Bildoperationen / Lokale Operationen Morphologische Operationen
2. Fortsetzung zu Kap. 4: Bildoperationen / Lokale Operationen Morphologische Operationen Morphologie = Formenlehre Idee: über flexible Festlegung eines strukturierenden Elements (Maske) Einfluss auf zu
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
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
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
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
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
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
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
MehrDie Größe A(n, d) und optimale Codes
Die Größe A(n, d) und optimale Codes Definition Optimaler Code Wir definieren A(n, d) = max{m binärer (n, M, d) Code} Ein (n, M, d)-code heißt optimal, falls M = A(n, d). Bestimmung von A(n, d) ist offenes
Mehr12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme
12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme (Einfache) Voronoi-Diagramme: Motivation: gegeben: Raum R, darin Menge S von Objekten Frage nach Zerlegung von R in "Einflusszonen"
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 13 Binärisierung und Verarbeitung von Binärbildern p.2/40
Kapitel 13 Binärisierung und Verarbeitung von Binärbildern Automatische Schwellwertbestimmung Verarbeitung von Dokumentbildern (Skew- und Slant-Korrektur) Mathematische Morphologie Distanz-Transformation
MehrPhasenanalyse einer PbSn Legierung mittels digitaler Bildverarbeitung
Praktikum Moderne Mikroskopische Methoden Lichtmikroskopie Phasenanalyse einer PbSn Legierung mittels digitaler Bildverarbeitung Protokoll von Andreas Grill & Christoph Gammer Wintersemester 2006/2007
MehrChapter 1 : þÿ b e t a t h o m e e r s t e n P o k e r - E i n z a h l u n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e e r s t e n P o k e r - E i n z a h l u n g c h a p t e r þÿ 4 S i e 2 0 0 9 M i e l i[ c i e p r o b l e m z w y pb a t p i e n i d z y n a B e t a t H o m e? J a wb a[
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrD i e n s t a g, 1 1. J u l i
D i e n s t a g, 1 1. J u l i 2 0 1 7 A l l e s w u n d e r b a r D i e d r i t t e W o c h e w a r s e h r s c h ö n!! A m M o n t a g h a b e n w i r e t w a s ü b e r M ä r c h e n g e l e r e i n S
MehrD o n n e r s t a g, 1 4. J u l i
D o n n e r s t a g, 1 4. J u l i 2 0 1 6 L a m p e n f i e b e r M e i n N a m e i s t A r i s a W a t a n a b e. I c h k o m m e a u s J a p a n, Y o k o h a m a. I c h b i n 1 6 J a h r e H e u t e
MehrD o n n e r s t a g, 1 4. J u l i
D o n n e r s t a g, 1 4. J u l i 2 0 1 6 L a m p e n f i e b e r M e i n N a m e i s t A r i s a W a t a n a b e. I c h k o m m e a u s J a p a n, Y o k o h a m a. I c h b i n 1 6 J a h r e H e u t e
Mehr1.3. Beträge, Gleichungen und Ungleichungen
.3. Beträge, Gleichungen und Ungleichungen Das Maimum zweier Zahlen a, b (also die größere von beiden) wird mit ma(a,b) bezeichnet, ihr Minimum (also die kleinere von beiden) mit min(a,b). Der Absolutbetrag
MehrDigitale Typografie (SS 2016)
Institut für Numerische Mathematik Dr. Andreas F. Borchert 9. April 06 Blatt 3 Digitale Typografie (SS 06) Abgabe bis zum 3. Mai 04, 0:00 Uhr Lernziele: Definition von Type-3-Schriftschnitten in PostScript
Mehr1.3. Beträge, Gleichungen und Ungleichungen
1.3. Beträge, Gleichungen und Ungleichungen Das Maximum zweier Zahlen a, b wird mit max(a,b) bezeichnet, ihr Minimum mit min(a,b). Der Absolutbetrag einer reellen Zahl a ist a = max ( a, a ) oder auch
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
MehrBildverarbeitung Herbstsemester. Binärbildanalyse
Bildverarbeitung Herbstsemester Herbstsemester 2010 2012 Binärbildanalyse 1 Inhalt Einführung Partikelfilterung und -analyse Auffinden von Regionen und Konturen Gruppenarbeit Erkennung von geometrischen
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
MehrChapter 1 : þÿ A n g e b o t s c o d e s f ü r b e t a t h o m e c h a p t e r
Chapter 1 : þÿ A n g e b o t s c o d e s f ü r b e t a t h o m e c h a p t e r þÿ S p o r t w e t t e n A p p : G u t e s E r g e b n i s i m b e t - a t - h o m e T e s t b e r i c h t.. W e l c h e n
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
MehrGrundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1. Histogramm & Histogrammäqualisierung
Grundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1 Histogramm & Histogrammäqualisierung Histogramm: Häufigkeiten der Grauwerte eines Bildes geordnet nach Helligkeit: oft relative Häufigkeit
MehrChapter 1 : þÿ b e t a t h o m e r e g i s t r i e r e n B o n u s c h a p t e r
Chapter 1 : þÿ b e t a t h o m e r e g i s t r i e r e n B o n u s c h a p t e r þÿ G o l d F a c t o r y o n l i n e s l o t s g a m e [ G o W i l d C a s i n o ] I m O n l i n e - C a s i n o v o n b
MehrChapter 1 : þÿ b e t a t h o m e P o k e r O d d s R e c h n e r c h a p t e r
Chapter 1 : þÿ b e t a t h o m e P o k e r O d d s R e c h n e r c h a p t e r þÿ S l a m - T i t e l... W a s h o l t S i e a m W o c h e n e n d e e i g e n t l i c h a u s d e m B e t t?. 0 4 : 4 4.
MehrChapter 1 : þÿ b e t - a t - h o m e m o b i l e c h a p t e r
Chapter 1 : þÿ b e t - a t - h o m e m o b i l e c h a p t e r þÿ B e t - a t - h o m e h a t e s i n d e n l e t z t e n J a h r e n g e s c h a f f t, s i c h z u e i n e m a b s o l u t. f ü r. e i
MehrChapter 1 : þÿ 2 5 K i c k - o f f - B o n u s b e t a t h o m e c h a p t e r
Chapter 1 : þÿ 2 5 K i c k - o f f - B o n u s b e t a t h o m e c h a p t e r þÿ S p i e l e n w i e, f u n k t i o n i e r e n p r o g r e s s i v e b o o k o f r a v o l l b i l d c a s i n o n o v
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
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum 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
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
MehrChapter 1 : þÿ b e t a t h o m e F l a s h - P r o b l e m c h a p t e r
Chapter 1 : þÿ b e t a t h o m e F l a s h - P r o b l e m c h a p t e r þÿ h o m e c a s i n o s e r i ö s c a s i n o ö f f n u n g s z e i t e n l u z e r n d e r V I P c l u b i s t m ü n c h e n.
MehrGruppentheorie und Symmetrie in der Chemie
Gruppentheorie und Symmetrie in der Chemie Martin Schütz Institut für theoretische Chemie, Universität Stuttgart Pfaffenwaldring 55, D-70569 Stuttgart Stuttgart, 26. April 2002 Mathematische Definition
MehrBildverarbeitung: Diffusion Filters. D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10
Bildverarbeitung: Diffusion Filters D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10 Diffusion Idee Motiviert durch physikalische Prozesse Ausgleich der Konzentration eines Stoffes. Konzentration
Mehr1. Grundlagen. Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen
1. Grundlagen Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen Peter Buchholz 2016 MafI 2 Grundlagen 7 1.1 Was ist Analysis? Analysis ist
Mehr1. Grundlagen. 1.1 Was ist Analysis? 1.2 Aussagen und Mengen
. Grundlagen Gliederung. Was ist Analysis?.2 Aussagen und Mengen.3 Natürliche Zahlen.4 Ganze Zahlen, rationale Zahlen. Was ist Analysis? Analysis ist neben der linearen Algebra ein Grundpfeiler der Mathematik!
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:
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
MehrChapter 1 : þÿ b e t a t h o m e E - M a i l - U n t e r s t ü t z u n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e E - M a i l - U n t e r s t ü t z u n g c h a p t e r þÿ 9. S e p t. 2 0 1 5 B e t - a t - h o m e c a s i n o s o f t w a r e h i t c a s i n o s s l o w e n i e n m a
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum 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
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
MehrOberflächenrekonstruktion aus Punktwolken
Oberflächenrekonstruktion aus Punktwolken Betreuer: Dominik Fritz Seminar Medizinische Simulationssysteme SS 2005 Gliederung 1 2 Der - 3 Der von Hoppe 4 Der - Gliederung 1 2 Der - 3 Der von Hoppe 4 Der
MehrChapter 1 : þÿ b e t a m i n u s s t r a h l u n g r e i c h w e i t e c h a p t e r
Chapter 1 : þÿ b e t a m i n u s s t r a h l u n g r e i c h w e i t e c h a p t e r þÿ d e p o s i t b o n u s c o d e c a s i n o s p i e l e n o n l i n e v i e l e b e g r i f f e v e r w e n d e n
MehrComputergrafik 2: Klassifikation
Computergrafik 2: Klassifikation 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
MehrChapter 1 : þÿ s i s t e m a b e t a c h a p t e r
Chapter 1 : þÿ s i s t e m a b e t a c h a p t e r þÿ D e r b e t - a t - h o m e B o n u s u n d d i e v e r f ü g b a r e n Z a h l u n g s m e t h o d e n K o n t o. a t - h o m e G r a t i s w e t
MehrChapter 1 : þÿ q u e s i g n i f i c a e l b e t a c h a p t e r
Chapter 1 : þÿ q u e s i g n i f i c a e l b e t a c h a p t e r þÿ 1 1. S e p t. 2 0 1 5 b e t - a t - h o m e. c o m, e i n H S V - N e w s - T i p p, N a c h f o l g e n d e i n E i n H S V - N e w
MehrChapter 1 : þÿ j a k u s u n k o n t o b e t a t h o m e c h a p t e r
Chapter 1 : þÿ j a k u s u n k o n t o b e t a t h o m e c h a p t e r þÿ d e n S i e g. & g t ; & g t ; S e i t e 3 7 K o n t a k t : T e l e f o n 0 6 5 0 / 6 6 0 5 2 7 0,.. N a c h d e m d u a u f P
MehrChapter 1 : þÿ b e t a t h o m e h e r u n t e r l a d e n P C c h a p t e r
Chapter 1 : þÿ b e t a t h o m e h e r u n t e r l a d e n P C c h a p t e r þÿ b e s t m ö g l i c h e n V e r b u n d e n d a m i t k ö n n e n I n p l a y W e t t e n ( L i v e W e t t e n ) w ä h r
MehrChapter 1 : þÿ a k t i e b e t a s y s t e m s c h a p t e r
Chapter 1 : þÿ a k t i e b e t a s y s t e m s c h a p t e r þÿ u m f a s s e n d e n E i n b l i c k & n b s p ;. s o w i e a l l e b e s t e h e n d e n K u n d e n v o n b e t - a t - h o m e. c o m..
MehrChapter 1 : þÿ b e t a t h o m e C a l l - C e n t e r - A r b e i t s p l ä t z e c h a p t e r
Chapter 1 : þÿ b e t a t h o m e C a l l - C e n t e r - A r b e i t s p l ä t z e c h a p t e r þÿ A u c h e r B e t - a t - h o m e b i e t e t z u d i e s e r M i s s i o n v e r s c h i e d e n e S
MehrChapter 1 : þÿ B o n u s c o d e b e t a t h o m e K a u t i o n c h a p t e r
Chapter 1 : þÿ B o n u s c o d e b e t a t h o m e K a u t i o n 2 0 1 5 c h a p t e r þÿ d i e s e d a h e r m i t d e r & # 3 9 ; S p i e l g e l d & # 3 9 ; o p t i o n e i n z e l n e n s p i e l e
MehrL 3. L a 3. P a. L a m 3. P a l. L a m a 3. P a l m. P a l m e. P o 4. P o p 4. L a. P o p o 4. L a m. Agnes Klawatsch
1 L 3 P 1 L a 3 P a 1 L a m 3 P a l 1 L a m a 3 P a l m 2 P 3 P a l m e 2 P o 4 L 2 P o p 4 L a 2 P o p o 4 L a m 4 L a m p 6 N a 4 L a m p e 6 N a m 5 5 A A m 6 6 N a m e N a m e n 5 A m p 7 M 5 A m p
MehrR a i n e r N i e u w e n h u i z e n K a p e l l e n s t r G r e v e n T e l / F a x / e
R a i n e r N i e u w e n h u i z e n K a p e l l e n s t r. 5 4 8 6 2 8 G r e v e n T e l. 0 2 5 7 1 / 9 5 2 6 1 0 F a x. 0 2 5 7 1 / 9 5 2 6 1 2 e - m a i l r a i n e r. n i e u w e n h u i z e n @ c
Mehr