Proseminar: Image Processing Toolbox mit ImageJ
|
|
- Ferdinand Glöckner
- vor 6 Jahren
- Abrufe
Transkript
1 Proseminar: Image Processing Toolbox mit ImageJ Prof. Olaf Ronneberger Benjamin Drayer Lehrstuhl für Mustererkennung und Bildverarbeitung Institut für Informatik 17. April 2013 O. Ronneberger (LMB) Proseminar: ImageJ / 25
2 Inhalt 1 Organisation Generelle Informationen Anforderungen 2 Themenangebot 3 Warum ImageJ? 4 Platzvergabe 5 Literatur O. Ronneberger (LMB) Proseminar: ImageJ / 25
3 Allgemeines Zielgruppe Credits Ansprechpartner Anmeldung Bachelor Informatik ab 3. Fachsemester 3 ECTS Benjamin Drayer (drayer@informatik.uni-freiburg.de) Sofort Wichtige Termine: Themenvorstellung ImageJ Crashkurs / Präsentations-Techniken Erster Vortrag O. Ronneberger (LMB) Proseminar: ImageJ / 25
4 Anforderungen an die Teilnehmer Aufgaben: Selbstständige Bearbeitung eines angebotenen Themas Implementation eines ImageJ plugins (gut kommentiert!) ca. 35-minütige Präsentation des Themas Kurze Live-Demo des Plugins in Aktion Zu allen Vorträgen erscheinen, aktiv an der Diskussion teilnehmen Bewertung: 33% Verständniss 33% Implementation 33% Vortrag O. Ronneberger (LMB) Proseminar: ImageJ / 25
5 Themenübersicht Thema Betreuer Datum Erstellung von Mosaik-Bildern Dominic Mai Faltung und Korrelation zur Filterung und Detektion Thorsten Schmidt Image Warping Dominic Mai Projektive Transformation mit Homographien Philipp Fischer Image Blending Robert Bensch Intensitätsbasierte Registrierung Benjamin Drayer Hough Transformation zur Liniendetektion Benjamin Ummenhofer Background Subtraction in Videos Naveen Shankar Nagaraja (E) Canny Edge Detektor Alexey Dosovitsky (E) Edge Based Image Compression with Diffusion Peter Ochs Marker Based Watershed Kun Liu (E) Histogramm basierte Segmentierung Ahmed Abdulkadir O. Ronneberger (LMB) Proseminar: ImageJ / 25
6 Erstellung von Mosaikbildern (Dominic Mai) Problem: Optimale Wiedergabe eines Bildes mit Hilfe vieler kleiner Einzelbilder Idee: Vergleiche lokale Bereiche des Bildes mit einer Bilddatenbank und ersetze den Bildbereich durch das Bild aus der Datenbank O. Ronneberger (LMB) Proseminar: ImageJ / 25
7 Erstellung von Mosaikbildern (Dominic Mai) Problem: Optimale Wiedergabe eines Bildes mit Hilfe vieler kleiner Einzelbilder Idee: Vergleiche lokale Bereiche des Bildes mit einer Bilddatenbank und ersetze den Bildbereich durch das Bild aus der Datenbank O. Ronneberger (LMB) Proseminar: ImageJ / 25
8 Faltung und Korrelation zur Filterung... (Thorsten Schmidt) Problem: Bildverbesserung oder Extraktion von Informationen Entfernen von Bildrauschen Idee: Nutze lokale Nachbarschaften im Bild um Sto rungen zu reduzieren oder die gesuchten Strukturen hervorzuheben O. Ronneberger (LMB) Proseminar: ImageJ / 25
9 Faltung und Korrelation zur Filterung... (Thorsten Schmidt) Problem: Bildverbesserung oder Extraktion von Informationen Entfernen von Bildrauschen Idee: Nutze lokale Nachbarschaften im Bild um Sto rungen zu reduzieren oder die gesuchten Strukturen hervorzuheben O. Ronneberger (LMB) Proseminar: ImageJ / 25
10 Faltung und Korrelation zur Filterung... (Thorsten Schmidt) Problem: Bildverbesserung oder Extraktion von Informationen Entfernen von Bildrauschen Scha rfen von unscharfen Bildern Idee: Nutze lokale Nachbarschaften im Bild um Sto rungen zu reduzieren oder die gesuchten Strukturen hervorzuheben O. Ronneberger (LMB) Proseminar: ImageJ / 25
11 Faltung und Korrelation zur Filterung... (Thorsten Schmidt) Problem: Bildverbesserung oder Extraktion von Informationen Entfernen von Bildrauschen Scha rfen von unscharfen Bildern Idee: Nutze lokale Nachbarschaften im Bild um Sto rungen zu reduzieren oder die gesuchten Strukturen hervorzuheben O. Ronneberger (LMB) Proseminar: ImageJ / 25
12 Faltung und Korrelation zur Filterung... (Thorsten Schmidt) Problem: Bildverbesserung oder Extraktion von Informationen Entfernen von Bildrauschen Schärfen von unscharfen Bildern Extraktion von Kanten Idee: Nutze lokale Nachbarschaften im Bild um Störungen zu reduzieren oder die gesuchten Strukturen hervorzuheben O. Ronneberger (LMB) Proseminar: ImageJ / 25
13 Faltung und Korrelation zur Filterung... (Thorsten Schmidt) Problem: Bildverbesserung oder Extraktion von Informationen Entfernen von Bildrauschen Schärfen von unscharfen Bildern Extraktion von Kanten Idee: Nutze lokale Nachbarschaften im Bild um Störungen zu reduzieren oder die gesuchten Strukturen hervorzuheben O. Ronneberger (LMB) Proseminar: ImageJ / 25
14 ... und Detektion(Thorsten Schmidt) Problem: Finden a hnlicher Regionen in verschiedenen Bildern Idee: Verwende zu suchende Region als Filter O. Ronneberger (LMB) Proseminar: ImageJ / 25
15 ... und Detektion(Thorsten Schmidt) Problem: Finden a hnlicher Regionen in verschiedenen Bildern Korrespondierende Regionen erzeugen hohe Filter-Antwort Idee: Verwende zu suchende Region als Filter O. Ronneberger (LMB) Proseminar: ImageJ / 25
16 ... und Detektion(Thorsten Schmidt) Problem: Finden a hnlicher Regionen in verschiedenen Bildern Korrespondierende Regionen erzeugen hohe Filter-Antwort Korrespondenzen werden fu r viele Bereiche der Bildverarbeitung gebraucht, wie z.b. Stitching, Registrierung, Stereo, Optical Flow,... Idee: Verwende zu suchende Region als Filter O. Ronneberger (LMB) Proseminar: ImageJ / 25
17 Image Warping (Dominic Mai) Problem: Das Bild soll u ber eine Koordinatentransformation in ein anderes Bild u berfu hrt werden Anwendung linearer Bildtransformationen (Drehung, Verschiebung,... ) Idee: Berechne fu r jeden Pixel seine Position nach der Transformation und erzeuge damit ein ver-/entzerrtes Bild O. Ronneberger (LMB) Proseminar: ImageJ / 25
18 Image Warping (Dominic Mai) Problem: Das Bild soll u ber eine Koordinatentransformation in ein anderes Bild u berfu hrt werden Anwendung linearer Bildtransformationen (Drehung, Verschiebung,... ) Idee: Berechne fu r jeden Pixel seine Position nach der Transformation und erzeuge damit ein ver-/entzerrtes Bild O. Ronneberger (LMB) Proseminar: ImageJ / 25
19 Image Warping (Dominic Mai) Problem: Das Bild soll u ber eine Koordinatentransformation in ein anderes Bild u berfu hrt werden Anwendung linearer Bildtransformationen (Drehung, Verschiebung,... ) Anwendung/Ru ckga ngigmachung nicht-linearer radialer Verzerrungen (Linseneffekte/Zerrspiegel) Idee: Berechne fu r jeden Pixel seine Position nach der Transformation und erzeuge damit ein ver-/entzerrtes Bild O. Ronneberger (LMB) Proseminar: ImageJ / 25
20 Image Warping (Dominic Mai) Problem: Das Bild soll u ber eine Koordinatentransformation in ein anderes Bild u berfu hrt werden Anwendung linearer Bildtransformationen (Drehung, Verschiebung,... ) Anwendung/Ru ckga ngigmachung nicht-linearer radialer Verzerrungen (Linseneffekte/Zerrspiegel) Idee: Berechne fu r jeden Pixel seine Position nach der Transformation und erzeuge damit ein ver-/entzerrtes Bild O. Ronneberger (LMB) Proseminar: ImageJ / 25
21 Image Warping (Dominic Mai) Problem: Das Bild soll u ber eine Koordinatentransformation in ein anderes Bild u berfu hrt werden Anwendung linearer Bildtransformationen (Drehung, Verschiebung,... ) Anwendung/Ru ckga ngigmachung nicht-linearer radialer Verzerrungen (Linseneffekte/Zerrspiegel) Anwendung komplexerer Verzerrungen als grafischen Effekt Idee: Berechne fu r jeden Pixel seine Position nach der Transformation und erzeuge damit ein ver-/entzerrtes Bild O. Ronneberger (LMB) Proseminar: ImageJ / 25
22 Image Warping (Dominic Mai) Problem: Das Bild soll u ber eine Koordinatentransformation in ein anderes Bild u berfu hrt werden Anwendung linearer Bildtransformationen (Drehung, Verschiebung,... ) Anwendung/Ru ckga ngigmachung nicht-linearer radialer Verzerrungen (Linseneffekte/Zerrspiegel) Anwendung komplexerer Verzerrungen als grafischen Effekt Idee: Berechne fu r jeden Pixel seine Position nach der Transformation und erzeuge damit ein ver-/entzerrtes Bild O. Ronneberger (LMB) Proseminar: ImageJ / 25
23 Projektive Transformationen mit Homographien (Philipp Fischer) Problem: Bestimmen projektiver Transformation Entzerren von Fotos Malen auf planaren Fla chen im original Bild Idee: Verwende Korrespondenzen um Parameter der Transformationsmatrix zu bestimmen O. Ronneberger (LMB) Proseminar: ImageJ / 25
24 Projektive Transformationen mit Homographien (Philipp Fischer) Problem: Bestimmen projektiver Transformation Entzerren von Fotos Malen auf planaren Fla chen im original Bild Idee: Verwende Korrespondenzen um Parameter der Transformationsmatrix zu bestimmen O. Ronneberger (LMB) Proseminar: ImageJ / 25
25 Image Blending (Robert Bensch) Problem: Die ausgerichteten Bilder unterscheiden sich in ihrer Helligkeit und haben überlappende Bereiche Idee: Normiere die Helligkeit und erzeuge weiche Übergänge in den überlappenden Bereichen O. Ronneberger (LMB) Proseminar: ImageJ / 25
26 Image Blending (Robert Bensch) Problem: Die ausgerichteten Bilder unterscheiden sich in ihrer Helligkeit und haben überlappende Bereiche Idee: Normiere die Helligkeit und erzeuge weiche Übergänge in den überlappenden Bereichen O. Ronneberger (LMB) Proseminar: ImageJ / 25
27 Image Blending (Robert Bensch) Problem: Die ausgerichteten Bilder unterscheiden sich in ihrer Helligkeit und haben überlappende Bereiche Idee: Normiere die Helligkeit und erzeuge weiche Übergänge in den überlappenden Bereichen O. Ronneberger (LMB) Proseminar: ImageJ / 25
28 Lineare intensitätsbasierte Registrierung (Benjamin Drayer) Problem: Bringe zwei oder mehr Bilder derselben / ähnlicher Szenen bestmöglich in Übereinstimmung Wie identifiziert man korrespondierende Teile? Idee: Definiere ein Ähnlichkeitsmaß auf Grundlage der Bildintensitäten und finde die lineare Transformation, welche die Ähnlichkeit maximiert O. Ronneberger (LMB) Proseminar: ImageJ / 25
29 Lineare intensitätsbasierte Registrierung (Benjamin Drayer) Problem: Bringe zwei oder mehr Bilder derselben / ähnlicher Szenen bestmöglich in Übereinstimmung Wie identifiziert man korrespondierende Teile? Idee: Definiere ein Ähnlichkeitsmaß auf Grundlage der Bildintensitäten und finde die lineare Transformation, welche die Ähnlichkeit maximiert O. Ronneberger (LMB) Proseminar: ImageJ / 25
30 Lineare intensitätsbasierte Registrierung (Benjamin Drayer) Problem: Bringe zwei oder mehr Bilder derselben / ähnlicher Szenen bestmöglich in Übereinstimmung Wie identifiziert man korrespondierende Teile? Idee: Definiere ein Ähnlichkeitsmaß auf Grundlage der Bildintensitäten und finde die lineare Transformation, welche die Ähnlichkeit maximiert O. Ronneberger (LMB) Proseminar: ImageJ / 25
31 Hough-Transformation von Linien (Benjamin Ummenhofer) Problem: Finde Geraden in einer Szene Fahrbahnbegrenzung Fluchtpunkt Idee: Lasse jeden Bildpunkt für eine mögliche Gerade abstimmen, nimm Gerade mit den höchsten Votes O. Ronneberger (LMB) Proseminar: ImageJ / 25
32 Hough-Transformation von Linien (Benjamin Ummenhofer) Problem: Finde Geraden in einer Szene Fahrbahnbegrenzung Fluchtpunkt Idee: Lasse jeden Bildpunkt für eine mögliche Gerade abstimmen, nimm Gerade mit den höchsten Votes O. Ronneberger (LMB) Proseminar: ImageJ / 25
33 Hough-Transformation von Linien (Benjamin Ummenhofer) Problem: Finde Geraden in einer Szene Fahrbahnbegrenzung Fluchtpunkt Idee: Lasse jeden Bildpunkt für eine mögliche Gerade abstimmen, nimm Gerade mit den höchsten Votes O. Ronneberger (LMB) Proseminar: ImageJ / 25
34 Background subtraction in Videos (Naveen Shankar Nagaraja) Problem: Identifikation von bewegten Objekten in Videos, z.b. für Überwachung und Gestenerkennung Veränderungen in der Beleuchtung Dynamischer Hintergrund Bewegung der Kamera Idee: Vergleiche jeden Frame mit dem Hintergrundmodell, d.h. ziehe den aktuellen Frame vom Hintergrund ab O. Ronneberger (LMB) Proseminar: ImageJ / 25
35 Background subtraction in Videos (Naveen Shankar Nagaraja) Problem: Identifikation von bewegten Objekten in Videos, z.b. für Überwachung und Gestenerkennung Veränderungen in der Beleuchtung Dynamischer Hintergrund Bewegung der Kamera Idee: Vergleiche jeden Frame mit dem Hintergrundmodell, d.h. ziehe den aktuellen Frame vom Hintergrund ab O. Ronneberger (LMB) Proseminar: ImageJ / 25
36 Background subtraction in Videos (Naveen Shankar Nagaraja) Problem: Identifikation von bewegten Objekten in Videos, z.b. für Überwachung und Gestenerkennung Veränderungen in der Beleuchtung Dynamischer Hintergrund Bewegung der Kamera Idee: Vergleiche jeden Frame mit dem Hintergrundmodell, d.h. ziehe den aktuellen Frame vom Hintergrund ab O. Ronneberger (LMB) Proseminar: ImageJ / 25
37 Background subtraction in Videos (Naveen Shankar Nagaraja) Problem: Identifikation von bewegten Objekten in Videos, z.b. für Überwachung und Gestenerkennung Veränderungen in der Beleuchtung Dynamischer Hintergrund Bewegung der Kamera Idee: Vergleiche jeden Frame mit dem Hintergrundmodell, d.h. ziehe den aktuellen Frame vom Hintergrund ab O. Ronneberger (LMB) Proseminar: ImageJ / 25
38 Background subtraction in Videos (Naveen Shankar Nagaraja) Problem: Identifikation von bewegten Objekten in Videos, z.b. für Überwachung und Gestenerkennung Veränderungen in der Beleuchtung Dynamischer Hintergrund Bewegung der Kamera Idee: Vergleiche jeden Frame mit dem Hintergrundmodell, d.h. ziehe den aktuellen Frame vom Hintergrund ab O. Ronneberger (LMB) Proseminar: ImageJ / 25
39 Background subtraction in Videos (Naveen Shankar Nagaraja) Problem: Identifikation von bewegten Objekten in Videos, z.b. für Überwachung und Gestenerkennung Veränderungen in der Beleuchtung Dynamischer Hintergrund Bewegung der Kamera Idee: Vergleiche jeden Frame mit dem Hintergrundmodell, d.h. ziehe den aktuellen Frame vom Hintergrund ab O. Ronneberger (LMB) Proseminar: ImageJ / 25
40 Background subtraction in Videos (Naveen Shankar Nagaraja) Problem: Identifikation von bewegten Objekten in Videos, z.b. für Überwachung und Gestenerkennung Veränderungen in der Beleuchtung Dynamischer Hintergrund Bewegung der Kamera Idee: Vergleiche jeden Frame mit dem Hintergrundmodell, d.h. ziehe den aktuellen Frame vom Hintergrund ab O. Ronneberger (LMB) Proseminar: ImageJ / 25
41 Canny Edge Detektor (Alexey Dosovisky) Problem: Finde starke Kanten im Bild Kanten enthalten viele Informationen ( > Kompression) Invariant gegenüber Beleuchtung Idee: Verwende speziellen Filter gefolgt von Hysterese Thresholding O. Ronneberger (LMB) Proseminar: ImageJ / 25
42 Canny Edge Detektor (Alexey Dosovisky) Problem: Finde starke Kanten im Bild Kanten enthalten viele Informationen ( > Kompression) Invariant gegenüber Beleuchtung Idee: Verwende speziellen Filter gefolgt von Hysterese Thresholding O. Ronneberger (LMB) Proseminar: ImageJ / 25
43 Canny Edge Detektor (Alexey Dosovisky) Problem: Finde starke Kanten im Bild Kanten enthalten viele Informationen ( > Kompression) Invariant gegenüber Beleuchtung Idee: Verwende speziellen Filter gefolgt von Hysterese Thresholding O. Ronneberger (LMB) Proseminar: ImageJ / 25
44 Edge Based Image Compression with Diffusion(Peter Ochs) Problem: Verlustbehaftete Kompression von Comic-Bildern O. Ronneberger (LMB) Proseminar: ImageJ / 25
45 Edge Based Image Compression with Diffusion(Peter Ochs) Problem: Verlustbehaftete Kompression von Comic-Bildern Standardverfahren bei hohen Kompressionsraten schlecht: JPEG O. Ronneberger (LMB) Proseminar: ImageJ / 25
46 Edge Based Image Compression with Diffusion(Peter Ochs) Problem: Verlustbehaftete Kompression von Comic-Bildern Standardverfahren bei hohen Kompressionsraten schlecht: JPEG JPEG2000 O. Ronneberger (LMB) Proseminar: ImageJ / 25
47 Edge Based Image Compression with Diffusion(Peter Ochs) Problem: Verlustbehaftete Kompression von Comic-Bildern Standardverfahren bei hohen Kompressionsraten schlecht: JPEG JPEG2000 Idee: Verwende Informationen aus den Kanten und rekonstruiere Zwischenräume O. Ronneberger (LMB) Proseminar: ImageJ / 25
48 Edge Based Image Compression with Diffusion(Peter Ochs) Problem: Verlustbehaftete Kompression von Comic-Bildern Standardverfahren bei hohen Kompressionsraten schlecht: JPEG JPEG2000 Idee: Verwende Informationen aus den Kanten und rekonstruiere Zwischenräume O. Ronneberger (LMB) Proseminar: ImageJ / 25
49 Edge Based Image Compression with Diffusion(Peter Ochs) Problem: Verlustbehaftete Kompression von Comic-Bildern Standardverfahren bei hohen Kompressionsraten schlecht: JPEG JPEG2000 Idee: Verwende Informationen aus den Kanten und rekonstruiere Zwischenräume O. Ronneberger (LMB) Proseminar: ImageJ / 25
50 Edge Based Image Compression with Diffusion(Peter Ochs) Problem: Verlustbehaftete Kompression von Comic-Bildern Standardverfahren bei hohen Kompressionsraten schlecht: JPEG JPEG2000 Idee: Verwende Informationen aus den Kanten und rekonstruiere Zwischenräume O. Ronneberger (LMB) Proseminar: ImageJ / 25
51 Marker-based Watershed zur Zellsegmentierung (Kun Liu) Problem: Finde und extrahiere Objekte aus einem Bild Idee: Betrachte das Bild (oder ein gewonnenes Kantenbild) als ein Grauwert-Relief und flute dieses von definierten Basins aus. Dort wo die Basins sich vereinen, ziehe einen Damm O. Ronneberger (LMB) Proseminar: ImageJ / 25
52 Marker-based Watershed zur Zellsegmentierung (Kun Liu) Problem: Finde und extrahiere Objekte aus einem Bild Idee: Betrachte das Bild (oder ein gewonnenes Kantenbild) als ein Grauwert-Relief und flute dieses von definierten Basins aus. Dort wo die Basins sich vereinen, ziehe einen Damm O. Ronneberger (LMB) Proseminar: ImageJ / 25
53 Marker-based Watershed zur Zellsegmentierung (Kun Liu) Problem: Finde und extrahiere Objekte aus einem Bild Idee: Betrachte das Bild (oder ein gewonnenes Kantenbild) als ein Grauwert-Relief und flute dieses von definierten Basins aus. Dort wo die Basins sich vereinen, ziehe einen Damm O. Ronneberger (LMB) Proseminar: ImageJ / 25
54 Marker-based Watershed zur Zellsegmentierung (Kun Liu) Problem: Finde und extrahiere Objekte aus einem Bild Idee: Betrachte das Bild (oder ein gewonnenes Kantenbild) als ein Grauwert-Relief und flute dieses von definierten Basins aus. Dort wo die Basins sich vereinen, ziehe einen Damm O. Ronneberger (LMB) Proseminar: ImageJ / 25
55 Histogrammbasierte Segmentierung und...(ahmed Abdulkadir) Problem: Segmentierung von Gehirnen in White Matter, Gray Matter und Hintergrund Idee: Lerne Intensitätsverteilungen der einzelnen Klassen aus ihren Histogrammen O. Ronneberger (LMB) Proseminar: ImageJ / 25
56 Histogrammbasierte Segmentierung und...(ahmed Abdulkadir) Problem: Segmentierung von Gehirnen in White Matter, Gray Matter und Hintergrund Idee: Lerne Intensitätsverteilungen der einzelnen Klassen aus ihren Histogrammen O. Ronneberger (LMB) Proseminar: ImageJ / 25
57 ...Connected Component Labelling von Gehirnen (Ahmed Abdulkadir) Problem: Extraktion von zusammenhängenden Bereichen. Idee: Betrachte bestimmt Nachbarschaft von Pixeln als zusammengehörend O. Ronneberger (LMB) Proseminar: ImageJ / 25
58 ...Connected Component Labelling von Gehirnen (Ahmed Abdulkadir) Problem: Extraktion von zusammenhängenden Bereichen. Idee: Betrachte bestimmt Nachbarschaft von Pixeln als zusammengehörend O. Ronneberger (LMB) Proseminar: ImageJ / 25
59 Themenübersicht Thema Schwierigkeit Betreuer Datum Theorie/Progr. Erstellung von Mosaik-Bildern / Dominic Mai Faltung und Korrelation zur Filterung und Detektion / Thorsten Schmidt Image Warping / Dominic Mai Projektive Transformation mit Homographien / Philipp Fischer Image Blending / Robert Bensch Intensitätsbasierte Registrierung / Benjamin Drayer Hough Transformation zur Liniendetektion / Benjamin Ummenhofer Background Subtraction in Videos / Naveen Shankar Nagaraja (E) Canny Edge Detektor / Alexey Dosovitsky (E) Edge Based Image Compression with Diffusion / Peter Ochs Marker Based Watershed / Kun Liu (E) Histogramm basierte Segmentierung / Ahmed Abdulkadir O. Ronneberger (LMB) Proseminar: ImageJ / 25
60 Warum ImageJ? Tool zur Bildbe- und Verarbeitung Anwendung in Biologie und Medizin Vorteile: Open Source Plattform-Unabhängig (Java basiert) flexible Plugin-Schnittstelle Große Zahl von Plugins verfügbar Nachteile Bedienung nicht immer intuitiv Kleinere Plattform-spezifische Eigenheiten O. Ronneberger (LMB) Proseminar: ImageJ / 25
61 Architektur eines ImageJ Plugins Importierte Pakete: Allgemeine ImageJ Pakete Beispiel (Image Inverter.java) import ij.*; import ij.plugin.filter.pluginfilter; import ij.process.*; import java.awt.*; public class Image_Inverter implements PlugInFilter { } public int setup(string arg, ImagePlus imp) { if (IJ.versionLessThan( 1.37j )) return DONE; else return DOES_8G+SUPPORTS_MASKING; } public void run(imageprocessor ip) { Rectangle r = ip.getroi(); for (int y = r.y; y < (r.y + r.height); y++) for (int x = r.x; x < (r.x + r.width); x++) ip.set(x, y, ip.get(x, y)); } O. Ronneberger (LMB) Proseminar: ImageJ / 25
62 Architektur eines ImageJ Plugins Importierte Pakete: Allgemeine ImageJ Pakete Bearbeitung des aktuellen Bildes Beispiel (Image Inverter.java) import ij.*; import ij.plugin.filter.pluginfilter; import ij.process.*; import java.awt.*; public class Image_Inverter implements PlugInFilter { } public int setup(string arg, ImagePlus imp) { if (IJ.versionLessThan( 1.37j )) return DONE; else return DOES_8G+SUPPORTS_MASKING; } public void run(imageprocessor ip) { Rectangle r = ip.getroi(); for (int y = r.y; y < (r.y + r.height); y++) for (int x = r.x; x < (r.x + r.width); x++) ip.set(x, y, ip.get(x, y)); } O. Ronneberger (LMB) Proseminar: ImageJ / 25
63 Architektur eines ImageJ Plugins Importierte Pakete: Allgemeine ImageJ Pakete Bearbeitung des aktuellen Bildes ImageProcessor Beispiel (Image Inverter.java) import ij.*; import ij.plugin.filter.pluginfilter; import ij.process.*; import java.awt.*; public class Image_Inverter implements PlugInFilter { } public int setup(string arg, ImagePlus imp) { if (IJ.versionLessThan( 1.37j )) return DONE; else return DOES_8G+SUPPORTS_MASKING; } public void run(imageprocessor ip) { Rectangle r = ip.getroi(); for (int y = r.y; y < (r.y + r.height); y++) for (int x = r.x; x < (r.x + r.width); x++) ip.set(x, y, ip.get(x, y)); } O. Ronneberger (LMB) Proseminar: ImageJ / 25
64 Architektur eines ImageJ Plugins Importierte Pakete: Allgemeine ImageJ Pakete Bearbeitung des aktuellen Bildes ImageProcessor Java GUI Elemente Beispiel (Image Inverter.java) import ij.*; import ij.plugin.filter.pluginfilter; import ij.process.*; import java.awt.*; public class Image_Inverter implements PlugInFilter { } public int setup(string arg, ImagePlus imp) { if (IJ.versionLessThan( 1.37j )) return DONE; else return DOES_8G+SUPPORTS_MASKING; } public void run(imageprocessor ip) { Rectangle r = ip.getroi(); for (int y = r.y; y < (r.y + r.height); y++) for (int x = r.x; x < (r.x + r.width); x++) ip.set(x, y, ip.get(x, y)); } O. Ronneberger (LMB) Proseminar: ImageJ / 25
65 Architektur eines ImageJ Plugins Importierte Pakete: Allgemeine ImageJ Pakete Bearbeitung des aktuellen Bildes ImageProcessor Java GUI Elemente Benötigte Methoden: setup(): Vorbereitung, Type-Checking und Parameter-Eingabe Beispiel (Image Inverter.java) import ij.*; import ij.plugin.filter.pluginfilter; import ij.process.*; import java.awt.*; public class Image_Inverter implements PlugInFilter { } public int setup(string arg, ImagePlus imp) { if (IJ.versionLessThan( 1.37j )) return DONE; else return DOES_8G+SUPPORTS_MASKING; } public void run(imageprocessor ip) { Rectangle r = ip.getroi(); for (int y = r.y; y < (r.y + r.height); y++) for (int x = r.x; x < (r.x + r.width); x++) ip.set(x, y, ip.get(x, y)); } O. Ronneberger (LMB) Proseminar: ImageJ / 25
66 Architektur eines ImageJ Plugins Importierte Pakete: Allgemeine ImageJ Pakete Bearbeitung des aktuellen Bildes ImageProcessor Java GUI Elemente Benötigte Methoden: setup(): Vorbereitung, Type-Checking und Parameter-Eingabe run(): Ausführung der Operation Beispiel (Image Inverter.java) import ij.*; import ij.plugin.filter.pluginfilter; import ij.process.*; import java.awt.*; public class Image_Inverter implements PlugInFilter { } public int setup(string arg, ImagePlus imp) { if (IJ.versionLessThan( 1.37j )) return DONE; else return DOES_8G+SUPPORTS_MASKING; } public void run(imageprocessor ip) { Rectangle r = ip.getroi(); for (int y = r.y; y < (r.y + r.height); y++) for (int x = r.x; x < (r.x + r.width); x++) ip.set(x, y, ip.get(x, y)); } O. Ronneberger (LMB) Proseminar: ImageJ / 25
67 Platzvergabe Wir brauchen von euch... Top 3 Wunschkandidaten basierend auf perönlichem Interesse Semester & Studiengang Evtl: Begründung warum du das Seminar unbedingt dieses Semester machen musst bis Sonntag Abend per O. Ronneberger (LMB) Proseminar: ImageJ / 25
68 Platzvergabe Wir brauchen von euch... Top 3 Wunschkandidaten basierend auf perönlichem Interesse Semester & Studiengang Evtl: Begründung warum du das Seminar unbedingt dieses Semester machen musst bis Sonntag Abend per Zuweisung der Themen basierend auf obigen Kriterien, ihr bekommt am Montag (22.04.) eine O. Ronneberger (LMB) Proseminar: ImageJ / 25
69 Platzvergabe Wir brauchen von euch... Top 3 Wunschkandidaten basierend auf perönlichem Interesse Semester & Studiengang Evtl: Begründung warum du das Seminar unbedingt dieses Semester machen musst bis Sonntag Abend per Zuweisung der Themen basierend auf obigen Kriterien, ihr bekommt am Montag (22.04.) eine Wir verwenden die Ungarische Methode: global optimale (günstigste) Zuweisung Kosten für Favoriten: 0,1,4 Kosten für andere Themen: 10 Kosten für Kein Platz : x [0, 1] Kosten für Kein Platz(Härtefall) : O. Ronneberger (LMB) Proseminar: ImageJ / 25
70 Platzvergabe Wir brauchen von euch... Top 3 Wunschkandidaten basierend auf perönlichem Interesse Semester & Studiengang Evtl: Begründung warum du das Seminar unbedingt dieses Semester machen musst bis Sonntag Abend per Zuweisung der Themen basierend auf obigen Kriterien, ihr bekommt am Montag (22.04.) eine Wir verwenden die Ungarische Methode: global optimale (günstigste) Zuweisung Kosten für Favoriten: 0,1,4 Kosten für andere Themen: 10 Kosten für Kein Platz : x [0, 1] Kosten für Kein Platz(Härtefall) : Nachdem ihr ein Thema bekommen habt, müsst ihr euch innerhalb von einer Woche bei eurem Betreuer melden O. Ronneberger (LMB) Proseminar: ImageJ / 25
71 Themenübersicht Thema Schwierigkeit Betreuer Datum Theorie/Progr. Erstellung von Mosaik-Bildern / Dominic Mai Faltung und Korrelation zur Filterung und Detektion / Thorsten Schmidt Image Warping / Dominic Mai Projektive Transformation mit Homographien / Philipp Fischer Image Blending / Robert Bensch Intensitätsbasierte Registrierung / Benjamin Drayer Hough Transformation zur Liniendetektion / Benjamin Ummenhofer Background Subtraction in Videos / Naveen Shankar Nagaraja (E) Canny Edge Detektor / Alexey Dosovitsky (E) Edge Based Image Compression with Diffusion / Peter Ochs Marker Based Watershed / Kun Liu (E) Histogramm basierte Segmentierung / Ahmed Abdulkadir O. Ronneberger (LMB) Proseminar: ImageJ / 25
72 Weitere Informationen ImageJ-Homepage: Tutorial: Empfohlene Literatur: [1] Burger und Burge. Digitale Bildverarbeitung - Eine Einführung mit Java und ImageJ 2. überarb. Aufl., Deutsch, Springer, Berlin, [2] Gonzalez and Woods. Digital Image Processing 2nd Edition, Prentice Hall, 2002 O. Ronneberger (LMB) Proseminar: ImageJ / 25
Bildverarbeitung mit ImageJ
U berblick Bildverarbeitung mit Dr. Birgit Mo ller Institut fu r Informatik Martin-Luther-Universita t Halle-Wittenberg Einfu hrung in die Bildverarbeitung, SS 2008 1 U berblick U berblick 1 Die Entwicklungsumgebung
MehrIGDT: Image Processing Advanced Uebung 1
Uebung 1 Rainer Schubert Institut für Biomedizinische Bildanalyse Arbeitsumgebung ImageJ v1.3? Dokumentation: PlugIn-Tutorial (download: http://mtd.fh-hagenberg.at/depot/imaging/imagej/ijtutorial.pdf)
MehrBildverarbeitung. Albert-Ludwigs-Universität Freiburg
Grundlagen der Mustererkennung e e u (Kursvorlesung) Prof. Dr. H. Burkhardt Lh Lehrstuhl thlfür Mustererkennung und Bildverarbeitung Institut t für Informatik Albert-Ludwigs-Universität Freiburg H. Burkhardt,
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 und Algorithmen. Einführung in ImageJ
Prof. Dr. Wolfgang Konen Einführung in ImageJ SS06 3b.1 Konen SS06 3b.2 Konen Tools in der Bildverarbeitung Früher: fast so viele BV-Tools wie BV-Formate Lösungen nur schwer auf andere Systeme übertragbar
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
MehrSegmentierung. Vorlesung FH-Hagenberg SEM
Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt
MehrBildverbesserung (Image Enhancement)
Prof. Dr. Wolfgang Konen, Thomas Zielke Bildverbesserung (Image Enhancement) WS07 7.1 Konen, Zielke Der Prozess der Bildverbesserung (1) Bildverbesserung wird häufig dafür eingesetzt, die für einen menschlichen
MehrBildverarbeitung: 3D-Geometrie. D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13
Bildverarbeitung: 3D-Geometrie D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrProgrammieren in Java -Eingangstest-
Programmieren in Java -Eingangstest- Nummer: 1. Studiengang: Informatik B.Sc. Informatik M.Sc. ESE B.Sc. ESE M.Sc. Sonstiges: Fachsemester: Bitte Fragen, die Sie nicht beantworten können unbedingt mit
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
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
MehrFortgeschrittene Bildverarbeitung und Analyse
Fortgeschrittene Bildverarbeitung und Analyse Studiengang IEM Inhalt Definition der Bildverarbeitung Verarbeitung-Bearbeitung (Systeme) Grundlagen der Abbildungssysteme Auge, visuelle Wahrnehmung, Kamera,
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:
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
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
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
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
MehrComputergrafik 2: Übung 2. Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung
Computergrafik 2: Übung 2 Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung Inhalt Besprechung von Übung 1 Subsampling und Moiré Effekte Color Maps Histogrammlinearisierung Computergrafik
MehrMedizinische Bildverarbeitung. FH-Campus Hagenberg
Medizinische Bildverarbeitung Campus Hagenberg 20 km nordöstlich von Linz 7 Bachelor-Studiengänge + 5 Masterstudiengänge 3 Cluster: Software / Systeme / Medien Medizin-Informatik, Bioinformatik Derzeit
MehrAlgorithmen und Programmierung II
Algorithmen und Programmierung II Vererbung Prof. Dr. Margarita Esponda SS 2012 1 Imperative Grundbestandteile Parameterübergabe String-Klasse Array-Klasse Konzepte objektorientierter Programmierung Vererbung
MehrHandbuch für die Erweiterbarkeit
Handbuch für die Erweiterbarkeit Inhalt Pakete für die Erweiterbarkeit... 2 Actions... 2 Items... 2 Itemset... 2 Die UseCaseNewAction... 3 Eigene Shapes... 4 Der Shape Container... 5 User Objects... 6
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
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
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 15, Donnerstag, 12.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 15, Donnerstag, 12. Februar 2015 (Evaluation, Klausur, Vorstellung Arbeitsgruppe) Junior-Prof.
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,
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
MehrMathematik Seminar WS 2003: Simulation und Bildanalyse mit Java. Software-Architektur basierend auf dem Plug-in-Konzept
Mathematik Seminar WS 2003: Simulation und Bildanalyse mit Java Software-Architektur basierend auf dem Plug-in-Konzept Aufteilung: Probleme mit normaler/alter Software Ziele des Software Engineerings Die
MehrProf. Dr. Oliver Haase Karl Martin Kern Achim Bitzer. Programmiertechnik GUI-Programmierung mit Swing
Prof. Dr. Oliver Haase Karl Martin Kern Achim Bitzer Programmiertechnik GUI-Programmierung mit Swing AWT und Swing Java enthält zwei Pakete zur Programmierung graphischer Oberflächen. java.awt: Das Abstract
MehrInstitut für Programmierung und Reaktive Systeme. Java 2. Markus Reschke
Java 2 Markus Reschke 07.10.2014 Datentypen Was wird gespeichert? Wie wird es gespeichert? Was kann man mit Werten eines Datentyps machen (Operationen, Methoden)? Welche Werte gehören zum Datentyp? Wie
MehrWie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler
Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen? /Anwendungsgebiete Wenn man sie denn gefunden
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
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
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
MehrKlassen und Objekte. Klassen sind Vorlagen für Objekte. Objekte haben. Attribute. Konstruktoren. Methoden. Merkblatt
Klassen und Objekte Klassen sind Vorlagen für Objekte. Objekte haben Attribute Konstruktoren Methoden Aus einer Klasse kann man beliebig viele Objekte herstellen. Attribute bestimmen die Eigenschaften
MehrAufbau einer typischen Java-Datei
Aufbau einer typischen Java-Datei 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 [package mein.paket;] [import
MehrEclipse Equinox als Basis für Smart Client Anwendungen. Christian Campo, compeople AG, 5.7.2007 Java Forum Stuttgart 2007
Eclipse Equinox als Basis für Smart Client Anwendungen Christian Campo, compeople AG, 5.7.2007 Java Forum Stuttgart 2007 Übersicht Definition / Architektur Smart Client Smart Client mit RCP / Equinox Gesamtfazit
MehrDigitale Bildverarbeitung in BA/MA
Digitale Bildverarbeitung in BA/MA Prof. Dr.-Ing. Joachim Denzler Lehrstuhl Digitale Bildverarbeitung Friedrich-Schiller-Universität Jena http://www.inf-cv.uni-jena.de Bedarf Bildverarbeitung In der Industrie:
MehrFragebogen zur Lehrveranstaltung Bildverarbeitung und Mustererkennung (5030) im SS2014
Professor Dr.-Ing. Martin Werner Fachbereich Elektrotechnik und Informationstechnik Hochschule Fulda Fragebogen r Lehrveranstaltung Bildverarbeitung und Mustererkennung (5030) im SS2014 Liebe Studierende,
MehrALP II Dynamische Datenmengen Datenabstraktion
ALP II Dynamische Datenmengen Datenabstraktion O1 O2 O3 O4 SS 2012 Prof Dr Margarita Esponda M Esponda-Argüero 1 Dynamische Datenmengen Dynamische Datenmengen können durch verschiedene Datenstrukturen
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
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
MehrALP II Dynamische Datenmengen Datenabstraktion (Teil 2)
ALP II Dynamische Datenmengen Datenabstraktion (Teil 2) O1 O2 O3 O4 SS 2012 Prof. Dr. Margarita Esponda 49 Einfach verkettete Listen O1 O2 O3 50 Einführung Einfach verkettete Listen sind die einfachsten
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
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
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
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
MehrFoundations of Image Formation and. Pattern Recognition
Foundations of Image Formation and Picture Analysis - Pattern Recognition Prof. Dr. H. Burkhardt Chair of Pattern Recognition and Image Processing Computer Science Faculty Albert-Ludwigs-University of
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
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
MehrProgrammieren in Java
Programmieren in Java Vorlesung 02: Methoden Prof. Dr. Peter Thiemann Albert-Ludwigs-Universität Freiburg, Germany SS 2017 Peter Thiemann (Univ. Freiburg) Programmieren in Java JAVA 1 / 17 Inhalt Scanner
MehrBildverarbeitung Herbstsemester Punktoperationen
Bildverarbeitung Herbstsemester 2012 Punktoperationen 1 Inhalt Histogramm und dessen Interpretation Definition von Punktoperationen Änderungen der Bildintensität Linearer Histogrammausgleich Gammakorrektur
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
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
MehrEinführung in Bildverarbeitung und Computervision
Einführung in Bildverarbeitung und Computervision Vorlesung 1: Grundlagen Dipl.-Math. Dimitri Ovrutskiy SS 2010 HTWdS Auf Basis der Vorlesungen von und mit Danksagung an Hr. Prof. Dr. J. Weikert Bildverarbeitung
MehrInternationaler Studiengang Medieninformatik
HTW Berlin Prof. Dr. Kai Uwe Barthel Nachname: Vorname: Codename: Matr. Nr: Internationaler Studiengang Medieninformatik Grundlagen digitaler Medien Sitzplatz: Punkte: Note: Nachklausur WS09/10 26. 3.
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Tafelübung 04 Referenzen, Overloading, Klassen(hierarchien) Clemens Lang T2 18. Mai 2010 14:00 16:00, 00.152 Tafelübung zu AuD 1/13 Organisatorisches Nächster Übungstermin
MehrStudiengang Informatik der FH Gießen-Friedberg. Sequenz-Alignment. Jan Schäfer. WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel
Studiengang Informatik der FH Gießen-Friedberg Sequenz-Alignment Jan Schäfer WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel Überblick Einführung Grundlagen Wann ist das Merkmal der Ähnlichkeit erfüllt?
MehrThemen. Web Service - Clients. Kommunikation zw. Web Services
Themen Web Service - Clients Kommunikation zw. Web Services Bisher: Implementierung einer Java Anwendung und Bereitstellung durch Apache Axis unter Apache Tomcat Java2WSDL Erzeugen einer WSDL-Datei zur
MehrEinstieg in die Informatik mit Java
1 / 16 Einstieg in die Informatik mit Java Innere Klassen Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 16 1 Einführung 2 Element-Klassen 3 Lokale Klassen 4 Anonyme Klassen
MehrEinstieg in die Informatik mit Java
Vorlesung vom 18.4.07, Grundlagen Übersicht 1 Kommentare 2 Bezeichner für Klassen, Methoden, Variablen 3 White Space Zeichen 4 Wortsymbole 5 Interpunktionszeichen 6 Operatoren 7 import Anweisungen 8 Form
MehrInstitut für Programmierung und Reaktive Systeme. Java 6. Markus Reschke
Institut für Programmierung und Reaktive Systeme Java 6 Markus Reschke 13.10.2014 OOP Objekte = Verhalten (durch Methoden) + Daten (durch Attribute) Klassen = Baupläne für Objekte Kapselung von Programmteilen
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
MehrProgrammieren: Bildbearbeitung
Programmieren: Bildbearbeitung Das Thema der folgenden Aufgaben ist Bildbearbeitung. Sie erhalten dazu ein Rahmenprogramm, das bereits Bilder lesen und darstellen kann. Dieses Rahmenprogramm basiert auf
MehrHeute. Grafische Benutzeroberflächen (Anonyme) innere Klassen Einfache Simulationen main / ausführbare jar-files IT I - VO 11 1
Heute Grafische Benutzeroberflächen (Anonyme) innere Klassen Einfache Simulationen main / ausführbare jar-files 17.01.2017 IT I - VO 11 1 Organisatorisches Noch zwei UE und eine Wissensüberprüfung Heute
MehrAUSBILDUNG für INDUSTRIELLE BILDVERARBEITUNG - Skizze für tertiären Bereich
AUSBILDUNG für INDUSTRIELLE BILDVERARBEITUNG - Skizze für tertiären Bereich FH-Prof. DI. Kurt Niel University of Applied Sciences Upper Austria Faculty of Engineering and Environmental Sciences kurt.niel@fh-wels.at
MehrTest-Klausuraufgaben Softwaretechnik Fachbereich BW, für WINFO
Test-Klausuraufgaben Softwaretechnik Fachbereich BW, für WINFO Dipl.-Ing. Klaus Knopper 21.12.2006 Hinweis: Bitte schreiben Sie auf das Deckblatt und auf jede Seite Ihren Namen und Ihre Matrikelnummer,
MehrInnere Klassen. Gerd Bohlender. Institut für Angewandte und Numerische Mathematik. Vorlesung: Einstieg in die Informatik mit Java
Innere Klassen Gerd Bohlender Institut für Angewandte und Numerische Mathematik Vorlesung: Einstieg in die Informatik mit Java 13.06.07 G. Bohlender (IANM UNI Karlsruhe) Innere Klassen 13.06.07 1 / 11
MehrObjektorientierte Programmierung
Objektorientierte Programmierung 1 Geschichte Dahl, Nygaard: Simula 67 (Algol 60 + Objektorientierung) Kay et al.: Smalltalk (erste rein-objektorientierte Sprache) Object Pascal, Objective C, C++ (wiederum
MehrDekonvolution von Omnikamerabildern
1 / 23 Dekonvolution von Omnikamerabildern Tobias Börtitz, Hermann Lorenz, Lutz Krätzer, Josef Söntgen Betreuer: Richard Schmidt HTW Dresden, Deutschland Abschluß Präsentation 15. Februar 2012 2 / 23 1
MehrProbeklausur Informatik 2 Sommersemester 2013
Probeklausur Informatik 2 Sommersemester 2013 1 Probeklausur Informatik 2 Sommersemester 2013 Name: Matrikelnummer: Hilfsmittel: Es sind alle schriftlichen Unterlagen, aber keine elektronischen Hilfsmittel
MehrVerlustbehaftete Kompression von Kamera Rohdaten
Verlustbehaftete Kompression von Kamera Rohdaten Prof. Dr., Prof. Dr. D. Kunz, Katja Köhler Fachhochschule Köln Institut für Medien- und Phototechnik 1 Übersicht Aktuelle Situation Konzept Modellierung
MehrPräzedenz von Operatoren
Präzedenz von Operatoren SWE-30 Die Präzedenz von Operatoren bestimmt die Struktur von Ausdrücken. Ein Operator höherer Präzedenz bindet die Operanden stärker als ein Operator geringerer Präzedenz. Mit
MehrPraktikum zu Einführung in die Informatik für LogWings und WiMas Wintersemester 2013/14
Praktikum zu Einführung in die Informatik für LogWings und WiMas Wintersemester 2013/14 Fakultät für Informatik Lehrstuhl 1 Dr. Lars Hildebrand Iman Kamehkhosh, Marcel Preuß, Henning Timm Übungsblatt 11
MehrJava 8. basierend auf Folien von Florian Erhard
Java 8 basierend auf Folien von Florian Erhard Java 8 Erschienen am 18. März 2014 Verbessertes Contended Locking Projekt Lambda Erweiterungen der Collections-API (Streams) Neue Date and Time API Verbesserungen
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
MehrGUI Programmierung mit JAVA Swing
GUI Programmierung mit JAVA Swing Komponenten Layout Event Handling Imaging 2001 Thomas Weiler 1 JAVA Swing Bibliothek zur Erstellung grafischer Benutzerschnittstellen in JAVA Bietet Klassen für grafische
Mehrpublic class SternchenRechteckGefuellt {
Java programmieren: Musterlösungen Konsolen-Aufgaben Aufgabe 1: Gefüllte Rechtecke zeichnen Schreiben Sie ein Programm, das ein durch Sternchen gefülltes Rechteck zeichnet. Der Benutzer soll Breite und
MehrSeminar Seminarname SS 2003
Universität Karlsruhe (TH) Institut für Rechnerentwurf und Fehlertoleranz (IRF) Lehrstuhl Prof. Dr.-Ing. Dillmann Seminar Seminarname SS 2003 Beitragstitel Eva Muster Kaiserstraße 1 76133 Karlsruhe eva@muster.de
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,
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
MehrGraphical User Interfaces
Graphical User Interfaces SEP 184 Toolkits es gibt verschiedene Toolkits (= Sammlungen von Klassen, Anbindungen an Betriebssystem, etc.) für grafische Oberflächen Abstract Windows Toolkit (AWT) Swing Standard
MehrAktuelle Themen der Angewandten Informatik: Datenkompression Seminar-Unterlagen Sommer Semester 2016
Institut für Informatik Graphische Datenverarbeitung - Proseminar-Unterlagen 1 / 7 Johann Wolfgang Goethe Universität Frankfurt am Main-InformatikDK SS2007 Dr.-Ing The Anh Vuong, Frankfurt - Bielefeld
MehrInformatik II Prüfungsvorbereitungskurs
Informatik II Prüfungsvorbereitungskurs Tag 4, 23.6.2016 Giuseppe Accaputo g@accaputo.ch 1 Programm für heute Repetition Datenstrukturen Unter anderem Fragen von gestern Point-in-Polygon Algorithmus Shortest
MehrErzeugungsmuster. Kapselung der Objekt-Erzeugung
Erzeugungsmuster Kapselung der Objekt-Erzeugung Definition Erzeugungsmuster dienen für die Lose Koppelung, bei der erst zur Laufzeit der Typ des zu erzeugenden Objekts festgelegt wird. Abstract Factory
Mehr11. Komponenten Grundlagen der Programmierung 1 (Java)
11. Komponenten Grundlagen der Programmierung 1 (Java) Fachhochschule Darmstadt Haardtring 100 D-64295 Darmstadt Prof. Dr. Bernhard Humm FH Darmstadt, 10. Januar 2006 Einordnung im Kontext der Vorlesung
MehrEinführung Datentypen Verzweigung Schleifen. Java Crashkurs. Kim-Manuel Klein May 4, 2015
Java Crashkurs Kim-Manuel Klein (kmk@informatik.uni-kiel.de) May 4, 2015 Quellen und Editoren Internet Tutorial: z.b. http://www.java-tutorial.org Editoren Normaler Texteditor (Gedit, Scite oder ähnliche)
MehrVisual Servoing using Mutual Information
Visual Servoing using Mutual Information Christian Rupprecht Robotics and Embedded Systems Technische Universität München Outline 1 Visual Servoing Was ist Visual Servoing? Typische Lösungsansätze 2 Mutual
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
MehrEinführung in die Programmierung WS 2009/10. Übungsblatt 5: Typen, Variablen und einfache Methoden in Java
Ludwig-Maximilians-Universität München München, 20.11.2009 Institut für Informatik Prof. Dr. Christian Böhm Annahita Oswald, Bianca Wackersreuther Einführung in die Programmierung WS 2009/10 Übungsblatt
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
Mehrebusiness Übung 3a Spezifikation und Nutzung von Web-APIs (Services) Prof. Dr. Andreas Schmietendorf 1
ebusiness Übung 3a Spezifikation und Nutzung von Web-APIs (Services) 14.03.2017 Prof. Dr. Andreas Schmietendorf 1 Aufgabenstellung 14.03.2017 Prof. Dr. Andreas Schmietendorf 2 Ziele der Übung Spezifikation
MehrBeispiele für Ausdrücke. Der imperative Kern. Der imperative Kern. Imperativer Kern - Kontrollstrukturen. Deklarationen mit Initialisierung
Beispiele für Ausdrücke Der imperative Kern Deklarationen mit Initialisierung Variablendeklarationen int i = 10; int j = 15; Beispiele für Ausdrücke i+j i++ i & j i j [] [static]
MehrWintersemester 2004/ Januar Aus der Vorlesung sind Datenstrukturen zur Repräsentation von Wäldern disjunkter Mengen bekannt.
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
MehrComputergrafik und Bildverarbeitung. Prof. Dr. André Hinkenjann
Computergrafik und Bildverarbeitung Prof. Dr. André Hinkenjann Organisation Literatur The Computer Image Alan Watt, Fabio Policarpo Addison Wesley Digital Image Processing a practical introduction using
MehrEinstieg in die Informatik mit Java
1 / 34 Einstieg in die Informatik mit Java Klassen mit Instanzmethoden Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 34 1 Definition von Klassen 2 Methoden 3 Methoden
MehrStatische Methoden, Vererbung, Benutzereingabe
Statische Methoden, Vererbung, Benutzereingabe Philipp Wendler Zentralübung zur Vorlesung Einführung in die Informatik: Programmierung und Softwareentwicklung https://www.sosy-lab.org/teaching/2017-ws-infoeinf/
MehrKapitel 9: Klassen und höhere Datentypen. Klassen und höhere. Objekte, Felder, Methoden. Küchlin/Weber: Einführung in die Informatik
Klassen und höhere Datentypen Objekte, Felder, Methoden Küchlin/Weber: Einführung in die Informatik Klassen Klasse (class) stellt einen (i.a. benutzerdefinierten) Verbund-Datentyp dar Objekte sind Instanzen
Mehr