Computergrafik 2: Filtern im Frequenzraum
|
|
- Guido Linden
- vor 6 Jahren
- Abrufe
Transkript
1 Computergrafik 2: Filtern im Frequenzraum 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 Themen heute Korrelation im Frequenzraum Finden von Templates Filtern im Frequenzraum Bandreject/Bandpass-Filter Notch-Filter, optimale Notch-Filter Dekonvolution inverses Filtern Wiener Filter Transformation und Interpolation Rauschunterdrückung mit Ähnlichkeitsfilter Computergrafik 2 SS2011 2
3 KORRELATION IM FREQUENZRAUM Computergrafik 2 SS2011 3
4 Korrelation im Ortsraum Ähnlichkeiten zwischen Bild und Modell feststellen Modell (Template) im Bild suchen R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS2011 4
5 Korrelation im Ortsraum Ähnlichkeitsmaß (normalisierter) Korrelationskoeffizient Mittelwerte subtrahiert und Varianzen normiert Kleineres Bild pixelweise über größeres Bild verschieben und Korrelationskoeffizient ausrechnen (f = Bild, m = Modell/Template, (x,y) = Suchposition) cc f,m (x, y) = # % $ a " a " s=!a t=!b!1) cc f,m (x, y) )1 b " s=!a t=!b b " ( m(s,t)! m) f (x + s, y + t)! f (x + s, y + t) ( ) ( m(s,t)! m) 2 &# a b (%" " f (x + s, y + t)! f (x + s, y + t) ' $ s=!a t=!b ( ) 2 & ( ' Computergrafik 2 SS2011 5
6 Korrelation im Frequenzraum Subtrahiere Mittelwerte von f und g (bzw. m) Ähnlichkeitsmaß: Korrelationskoeffizient cc f,g cc f,g =! f,g! f, f!! g,g =! f,g! f 2!! g 2! f,g = 1 MN cc f,g (x, y) $ M"1 N"1 ## s=0 t=0 ( f (s,t)" f (s,t)) g(s,t)" g(s,t) 1 MN! f 2!! g 2 M"1 N"1 ## s=0 t=0 ( ) ( f (x + s, y + t)" f (x + s, y + t) ) m(s,t)" m ( ) M"1 N"1 ## = k f (x + s, y + t)! m(s,t) s=0 t=0 Korrelationsfunktion FT ([ f! g](x, y) ) = F(u, v)!g " (u, v) Korrelation G konjugiert Computergrafik 2 SS2011 6
7 Korrelation im Frequenzraum Statt Korrelation im Ortsraum nun Multiplikation mit konjugiert komplexem Modell im Frequenzraum f (x, y)! h(x, y) = " f (m, n) # h(x + m, y + n) $ F(u, v)# H m=0" % (u, v) n=0 Vorgehen M!1 1. Mittelwerte abziehen 2. Padding im Ortsraum auf 2M, 2N 3. Multiplikation mit (-1) x+y 4. DFT 5. Multiplikation mit H* im Frequenzraum 6. inverse DFT, Realteil 7. Multiplikation mit (-1) x+y 8. Padding entfernen N! F H* 4. 5., R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS2011 7
8 Korrelation im Frequenzraum Computergrafik 2 SS2011 8
9 Computergrafik 2 SS2011 9
10 Computergrafik 2 SS
11 Korrelation im Frequenzraum Computergrafik 2 SS
12 grau kursiv match, falls Teile vorhanden Computergrafik 2 SS
13 Grenzen des Korrelations-Matching Abhängigkeit von Skalierung Rotation Perspektive später in der Vorlesung leistungsfähigere Verfahren Computergrafik 2 SS
14 Bandreject/Bandpass-Filter Notch-Filter Computergrafik 2 SS
15 Bandreject-Filter Nützlich, wenn Sörungen in einem bestimmten Frequenzband konzentriert sind Selektive Bandreject-Filter können solche Störungen reduzieren R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
16 Bandreject/Bandpass-Filter Bandreject-Filter Ideal Butterworth Gauß Bandpass-Filter H BP H ( u, v) = # % $ % & 0, falls D 0! W 2 " D " D 0 + W 2 1, sonst 1 H(u, v) = ' DW 1+ ) D 2 2 (! D 0 *, + 2n ' ' H(u, v) =1! exp! D2 2! D 0 * ) ), ( ( DW + ( u, v) =1! H ( BR u, v) 2 *, + Gauß- Bandreject- Filter Gauß- Bandpass- Filter R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
17 Beispiel: Artefakte entfernen Bandreject-Filter R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
18 Beispiel: Artefakte entfernen Bandpassfilter isoliert Artefakt Bandpass-Filter R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
19 Notch-Filter Filtert in einer bestimmten Umgebung Symmetrisch zum Ursprung R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
20 Notch-Filter Filtert in einer bestimmten Umgebung (u 0,v 0 ) Müssen symmetrisch zum Ursprung sein wenn Zentrum (u 0,v 0 ), dann auch auch (-u 0,-v 0 ) sonst verändert sich die Phase Gebildet aus Produkt von Hochpass-Filtern H NR ( u, v) = H ( k u, v)! H "k u, v wobei H k (u,v) und H -k (u,v) ihre Zentren bei (u k,v k ) bzw. (-u k,-v k ) haben; Distanzen relativ zu diesen Zentren Notch-Pass-Filter H NP Q # k=1 u, v ( ) =1! H NR u, v ( ) ( ) Computergrafik 2 SS
21 Beispiel: Reduzierung Moiré-Muster R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
22 Beispiel: Reduzierung Interferenzmuster R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
23 Beispiel: Reduzierung Interferenzmuster Notch-Pass-Filter isoliert Interferenzmuster R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
24 RESTAURATION LINEARER BILDSTÖRUNGEN Computergrafik 2 SS
25 Beispiel I: Bewegungsunschärfe Über einen Zeitraum Δt wird ein Objektpunkt p auf immer andere Punkte auf dem CCD-Chip abgebildet. Bei unbewegter Kamera sei die Bildhelligkeit des abgebildeten Punkts h. Dann ist sie bei bewegter Kamera h/δs, wobei Δs die zurückgelegte Strecke ist. Wenn Δs für alle Punkte gleich ist, dann lässt sich die Veränderung durch eine Faltung beschreiben. K. D. Tönnies, Grundlagen der Bildverarbeitung Computergrafik 2 SS
26 Bewegungsunschärfe Faltungskern ist eine Funktion w mit # % 1 t < "s w( t! cos!,t!sin!) = $ "s 2 % & 0 sonst Der Winkel α gibt die Bewegungsrichtung an. Die Strecke PΔs gibt die Strecke an, um die sich der Punkt bewegt hat: P!s K. D. Tönnies, Grundlagen der Bildverarbeitung Computergrafik 2 SS
27 Bewegungsunschärfe = * Gestörtes Bild Original Faltungskern K. D. Tönnies, Grundlagen der Bildverarbeitung Computergrafik 2 SS
28 Repräsentation linearer Störungen Jede verschiebungsinvariante lineare Operation wird vollständig durch die Faltungsfunktion beschrieben. Die Faltungsfunktion beschreibt die Operation für beliebige Bilder Die Faltungsfunktion kann als Resultat der Veränderung eines Punkts erzeugt werden Punktantwort = Point Spread Function (PSF) K. D. Tönnies, Grundlagen der Bildverarbeitung Computergrafik 2 SS
29 Beispiel II: Fokussierungsunschärfe Maß der Unschärfe hängt vom Punktabstand z, der Brennweite der Linse f und der Kammerkonstante f k ab. Linsengesetz: Größe des Unschärfekreises: Unschärfe kann durch Aufnahme eines punktförmigen Testobjekts angenähert werden. K. D. Tönnies, Grundlagen der Bildverarbeitung Computergrafik 2 SS
30 Fokussierungsunschärfe Wie kann die Störung rückgängig gemacht werden? Computergrafik 2 SS
31 Bildrestauration Ziel: Korrektur des Bildsignals um bekannte und unbekannte Störungen Annahme: Störung kann durch einen verschiebungsinvarianten linearen Operator h beschrieben werden g(x,y) à (Störung durch PSF h) à g'(x,y) g'(x,y) = [h*g] (x,y) PSF beschreibt die Störung à Wie kann die PSF bestimmt werden? Computergrafik 2 SS
32 Gesucht: PSF K. D. Tönnies, Grundlagen der Bildverarbeitung Computergrafik 2 SS
33 PSF von Testbildern Annahme: Störung konstant und Testaufnahme möglich Durch die Aufnahme eines punktförmigen Objekts kann ein δ-impuls approximiert werden Aufnahme ist eine Näherung für die PSF Computergrafik 2 SS
34 PSF aus dem aufgenommenen Bild Falls Testaufnahme nicht möglich: Näherungsweise Bestimmung der PSF durch Betrachtung von Punkten oder Linien im gestörten Bild Computergrafik 2 SS
35 Kanten Die meisten Bilder weisen wenige Linien oder Punkte auf, aber Kanten können in fast jedem Bild gefunden werden. Computergrafik 2 SS
36 1D-Kanten Die Stärke einer Kante hängt von der Steigung der Funktion ab: Betrag der ersten Ableitung bestimmen Für diskrete Funktionen: Ableitung wird durch Differenz angenähert Computergrafik 2 SS
37 Kanten im 2D-Raum: Gradienten Gradient im kontinuierlichen Raum (x,y): Vektor der partiellen Ableitungen der Bildfunktion in x- und y-richtung: (f(x,y)) = ( f/ x f/ y) Approximation des Gradienten: Differential wird durch Differenz approximiert: Die Länge des Gradienten ist sein Betrag G(f) oder näherungsweise Gx + Gy. Computergrafik 2 SS
38 Elemente des Gradienten Betrag: sqrt(g x 2 + G y2 ) Richtung: tan -1 (G y / G x ) Computergrafik 2 SS
39 PSF aus Kanten PSF kann aus dem Verlauf einer als ideal angenommenen Kante approximiert werden Computergrafik 2 SS
40 Invertierung der Störung Überführung der Repräsentation in den Frequenzraum: G'(u,v) = FT[g'(m,n)] = FT[[h*g](m,n)] = H(u,v) G(u,v) Invertierung: g(m,n) = FT -1 [G'(u,v)/H(u,v)] ß Inverse Filterung Computergrafik 2 SS
41 Inverse Filterung Vollständige Rückgewinnung der Information aus den gestörten Daten FT -1 ( / )= Computergrafik 2 SS
42 Bewegungsunschärfe PSF FT(PSF) Computergrafik 2 SS
43 Bewegungsunschärfe Resultat der inversen Filterung FT -1 [FT(g )(u,v)/ft(psf)(u,v)] Computergrafik 2 SS
44 Numerische Probleme bei der inversen Filterung g = h* f ( m, n) = Problem: Nullstellen von H Treten auf, falls h als Matrix nicht den vollen Rang hat Auch kleine Werte von H sind numerisch schon ein Problem Deswegen in der Praxis: F ( u v) f (, v) ( u, v) FT 1 (, v) ( ) u, v G u H G u H ( u, v) > H min, = H 0 sonst Computergrafik 2 SS
45 Rauschen Problem: Inverse Filterung geht von idealen (ungestörten) Daten aus aber: Bilddaten enthalten Rauschen inverse Filterung verstärkt Rauschen extrem mit steigender Frequenz: (weißes) Rauschen bleibt, Signal- Amplitude nimmt schnell ab, Rauschanteil wird höher g(m, n) = f (m, n)* h(m, n)+!(m, n) G(u, v) = F(u, v)! H(u, v)+ N(u, v) " G(u, v) H(u, v) = F(u, v)+ N(u, v) H(u, v) ad-hoc Lösung: hohe Frequenzen ausschließen Computergrafik 2 SS
46 Rauschen G(u, v) = F(u, v)! H(u, v)+ N(u, v) " G(u, v) H(u, v) = F(u, v)+ N(u, v) H(u, v) PSF: H(u, v) inv. PSF: 1 H(u, v) Computergrafik 2 SS
47 Rauschen Invertierung bei Rauschen oft nicht möglich Computergrafik 2 SS
48 Abschneiden hoher Frequenzen komplettes Filter cut-off-radius: 40 unscharfes Bild cut-off-radius:70 cut-off-radius:85 R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
49 Gewichtete inverse Filterung Gewichtung der inversen Filterung mit der Amplitude der Störungsfunktion im Verhältnis zur mittleren Amplitude des Signals H 1 ( u, v) H ( u, v) A N Amplitude der PSF A N mittlere Amplitude der Rauschens Gewichtungsfaktor Problem: Gewichtung nimmt keine Rücksicht auf die Signalstärke von F Falls Amplitude von F hoch, kann Abschwächung kleiner, d.h. Gewicht größer sein Computergrafik 2 SS
50 Wiener Filter Minimierung des Fehlers zwischen Originalbild f und Schätzer ˆf führt zu ˆF(u, v) = X(u, v)!g(u, v) X(u, v) = 1 H u, v ( ) H ( u, v) 2 ( ) 2 + S! ( u, v) S f ( u, v) H u, v = 1 H u, v ( ) H ( u, v) 2 ( ) 2 + N ( u, v ) 2 F ( u, v) 2 H u, v S η und S f sind die Spektren (Quadrate der Amplituden) des Rauschens bzw. der ungestörten Funktion S η = 0 (ungestört) è perfekte inverse Filterung Wiener Filter dämpft Frequenzen abhängig von SNR Computergrafik 2 SS
51 heuristisches Wiener Filter Leider ist S η in der Praxis meist unbekannt ˆf Lösung: Konstante K: heuristisches Wiener Filter ˆF K (u, v) = X K (u, v)!g(u, v) X K (u, v) = 1 H u, v ( ) H ( u, v) 2 H u, v ( ) 2 + K Computergrafik 2 SS
52 Computergrafik 2 SS
53 Computergrafik 2 SS
54 TRANSFORMATION UND INTERPOLATION Computergrafik 2 SS
55 Transformation und Interpolation Die Transformationen Translation, Rotation und Skalierung sind auf reellen Zahlen definiert Digitale Bilder haben einen ganzzahligen Definitionsbereich Nach Transformation ist eine Interpolation notwendig Computergrafik 2 SS
56 Interpolation Konstante Interpolation (Wert des nächsten Nachbarpixels) Lineare Interpolation Interpolation durch Polynome höheren Grades Interpolation im Frequenzraum Computergrafik 2 SS
57 Konstante Interpolation Computergrafik 2 SS
58 Bilineare Interpolation Computergrafik 2 SS
59 Polynome höheren Grades Interpolation der Bildfunktion durch mehr als 2 Stützpunkte Polynom n-ten Grades interpoliert n+1 Punkte Die Bildfunktion wird besser angenähert, wenn mehr Terme der Taylor-Approximation berücksichtigt werden. Ableitungen für Taylor-Reihe durch Differenzen angenähert Grad des Polynoms ist ein Kompromiss zwischen steigender Anzahl berücksichtigter Terme der Taylor-Reihe steigender Ungenauigkeit der geschätzten Ableitungen bilinear bikubisch Computergrafik 2 SS
60 RAUSCHUNTERDRÜCKUNG MIT ÄHNLICHKEITSFILTER Computergrafik 2 SS
61 Nicht-lokale Mittelwertbildung Mehrere verrauschte Bilder einer statischen Szene Rauschen hat Mittelwert 0 Mittelwert bilden Figures from: Shahar Kovalsky, Alon Faktor: A Tour of Image Denoising, Slides Computergrafik 2 SS
62 Nicht-lokale Mittelwertbildung Redundanz in natürlichen Bildern ausnutzen Figures from: Shahar Kovalsky, Alon Faktor: A Tour of Image Denoising, Slides Computergrafik 2 SS
63 Buades, Coll, Morel: Gewichteter Mittelwert durch Selbst-Ähnlichkeit Verrauschtes Bild: v = { v(i) i! I}, v(i) = u(i)+ n(i) Nicht-lokaler Mittelwert: " j!i NL[v](i) = w(i, j)v( j) Gewichtsfunktion w(i, j) = 1 " Z(i) exp! v(n 2 i)! v(n j ) % $ 2,a ' $ h 2 ' # & " Z(i) = exp! v(n )! v(n ) 2 % $ i j 2,a ' ( $ h 2 ' j # & Figures from: Shahar Kovalsky, Alon Faktor: A Tour of Image Denoising, Slides Computergrafik 2 SS
Computergraphik 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
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
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
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
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
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrÜbung zur Vorlesung 2D Grafik Wintersemester 05/06. Otmar Hilliges
Übung zur Vorlesung 2D Grafik Wintersemester 05/06 Übungsblatt 5 Musterlösung auf der Übungsseite. https://wiki.medien.ifi.lmu.de/pub/main/uebung2dgrafikws 0506/FFT_LSG.jar Page 2 transform() for (y =
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
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
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos statistische Merkmale Punktoperationen f : col 1 col 2 (Bildanalyse) (Farbtransformation) Geometrische Operationen f : pos 1 pos
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Fourier-Transformation Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 1 Einordnung in die Inhalte der Vorlesung Einführung
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
MehrKapitel 7. Bildverarbeitung im Frequenzraum
Kapitel 7 Bildverarbeitung im Frequenzraum Durchführung von Faltungen im Frequenzraum Filterung im Frequenzraum: Tiefpass- und Hochpass-Filter, etc. Bildrestaurierung Notch-Filter: Entfernung periodischer
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
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
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
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
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
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
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrDigitale Bildverarbeitung 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
MehrFILTER UND FALTUNGEN
Ausarbeitung zum Vortrag von Daniel Schmitzek im Seminar Verarbeitung und Manipulation digitaler Bilder I n h a l t. Der Begriff des Filters 3 2. Faltungsfilter 4 2. Glättungsfilter 4 2.2 Filter zur Kantendetektion
MehrBildverarbeitung 5 Frequenzraum und Bildrestauration
Bildverarbeitung 5 Frequenzraum und Bildrestauration Frühjahrssemester 04 ETH Zürich Jan Dirk Wegner und Michal Havlena ETH Zürich Institut ür Geodäsie und Photogrammetrie (mit Material von Uwe Sörgel
MehrComputergrafik 2: Kanten, Linien, Ecken
Computergrafik 2: Kanten, Linien, Ecken 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
MehrGrundlagen der Signalverarbeitung
Grundlagen der Signalverarbeitung Digitale und analoge Filter Wintersemester 6/7 Wiederholung Übertragung eines sinusförmigen Signals u t = U sin(ω t) y t = Y sin ω t + φ ω G(ω) Amplitude: Y = G ω U Phase:
MehrBildrekonstruktion & Multiresolution
Bildrekonstruktion & Multiresolution Verkleinern von Bildern? Was ist zu beachten? Es kann aliasing auftreten! Das Abtasttheorem sagt wie man es vermeidet? ===> Page 1 Verkleinern von Bildern (2) Vor dem
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrFaltung, Korrelation, Filtern
Faltung, Korrelation, Filtern Wie beschreibe ich lineare Systeme (z.b. Seismometer) -> Faltung, Konvolution, Dekonvolution? Wie quantifiziere ich die Ähnlichkeit von Zeitreihen (-> Korrelation) Wie quantifiziere
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,
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
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
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
MehrModulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
MehrBildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg
Bildverbesserung Frequenz-, Punkt- und Maskenoperationen Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x) local-domain frequency-domain
MehrGrundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Morphologische Operatoren Graphische DV und BV, Regina Pohle, 5. Morphologische Operatoren Einordnung in die Inhalte der Vorlesung
MehrDiskrete Signalverarbeitung und diskrete Systeme
Diskrete Signalverarbeitung und diskrete Systeme Computer- basierte Verarbeitung von Signalen und Realisierung von Systemverhalten erfordern diskrete Signale und diskrete Systembeschreibungen. Wegen der
Mehr"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"
"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs" Ning Liu HAW-Hamburg Seminarvortrag December 15, 2006 Ning Liu Kanten- und Linienerkennung
MehrTechnische Universität München Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Proseminar: Grundlagen Bildverarbeitung/Bildverstehen Rückgewinnung/Restauration von Informationen Markus
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
MehrRegularisierung in Bildrekonstruktion und Bildrestaurierung
Regularisierung in Bildrekonstruktion und Bildrestaurierung Ulli Wölfel 15. Februar 2002 1 Einleitung Gegeben seien Daten g(x, y), die Störungen enthalten. Gesucht ist das (unbekannte) Originalbild ohne
MehrMultimediale Werkzeuge 1, Audio-Berabeitung. normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1
Multimediale Werkzeuge 1, Audio-Berabeitung normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1 Beachte: Teilbänder werden nach den Unter-Abtasten "aufgeblasen" (siehe
MehrMotivation. Diskretisierung. Überblick. Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen. Diskretisierung und Quantisierung
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Motivation Analoge Aufnahme von Sprache, Bildern Digitale Speicherung durch Diskretisierung + Quantisierung Informationsverlust
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Fouriertransformation Organisatorisches Neue Abgabefrist für Blatt
MehrTechnische Universität München. Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Thema: Filterung im Bildraum: Konvolution Proseminar: Grundlagen Bildverstehen/Bildgestaltung Jonas Zaddach
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Filtern im Frequenzraum Segmentierung Organisatorisches Klausuranmeldung
MehrBildverarbeitung. Fachschaftsrat Informatik. Professor Fuchs. Fragen TECHNISCHE UNIVERSITÄT DRESDEN. Unterteilung der Filter in Klassen
Professor Fuchs Unterteilung der Filter in Klassen Wie erstellt man bei der Segmentierung objektumschreibende Formen? Eigenschaften der Zellkomplextopologie Was ist ein Histogramm? Wozu ist es gut? Unterschied
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
Mehr2D Graphik: Bildverbesserung. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005
2D Graphik: Bildverbesserung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005 Themen heute Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert Was ist
MehrFarbmomente. Christoph Sommer Seminar Inhaltsbasierte Bildsuche
Farbmomente Seminar Inhaltsbasierte Bildsuche Farbmomente Einleitung und Motivation Statistische Momente Geometrische Momente Macht der Momente Hu-Momente Orthogonale Basen für Momente Generalisierte Farbmomente
MehrMathematischer Vorkurs für Physiker WS 2012/13
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13 Übungsblatt 2 Wichtige Formeln aus der Vorlesung: Basisaufgaben Beispiel 1: 1 () grad () = 2 (). () () = ( 0 ) + grad ( 0 ) ( 0 )+
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
Mehr10. Übung zur Linearen Algebra II -
0. Übung zur Linearen Algebra II - Lösungen Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 7 Der ( linearen ) Abbildung ϕ : R R sei bzgl. der kanonischen Basis die Matrix zugeordnet.
MehrFortgeschrittene Mathematik Raum und Funktionen
Fortgeschrittene Mathematik Raum und Funktionen Thomas Zehrt Universität Basel WWZ Thomas Zehrt (Universität Basel WWZ) R n und Funktionen 1 / 33 Outline 1 Der n-dimensionale Raum 2 R 2 und die komplexen
Mehr1. Bildverbesserung / Bildvorverarbeitung
1. Bildverbesserung / Bildvorverarbeitung Bildverbesserung ist problemorientiert für menschliche/maschinelle Interpretation Dominanz zwischen Farbe, Textur, Kontext Ziel der ikonischen Bildauswertung:
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
MehrPartielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung
Partielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung Jörn Loviscach Versionsstand: 29. Juni 2009, 18:41 1 Partielle Ableitungen, Gradient Die Ableitung einer Funktion f an einer
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
MehrBV in Frequenzbereich
Bilderarbeitng ZHAW BV HS7 M. Thaler BV in Freqenzbereich Freqency omain M. Thaler TG8 tham@zhaw.ch Jni 7 Um was geht es? Periodische Störngen z.b. Afnahmesystem Scanner Übertragngstörngen etc. wie lassen
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
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
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
MehrDynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.2/29
Dynamische Systeme und Zeitreihenanalyse Komplexe Zahlen Kapitel 3 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.0/29 Motivation Für die
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:
MehrFolien zur Vorlesung Mathematik Plus: Ergänzugen Mathematik I
Bachelor Informatik Mathematik Plus Titel Folien zur Vorlesung Mathematik Plus: Ergänzugen Mathematik I Hochschule Stralsund Fakultät Elektrotechnik und Informatik Prof. Dr. W. Kampowsky Bachelor Informatik
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 07/08. Michael Karow. Themen: Niveaumengen und Gradient
Vorlesung: Analysis II für Ingenieure Wintersemester 07/08 Michael Karow Themen: Niveaumengen und Gradient Wir betrachten differenzierbare reellwertige Funktionen f : R n G R, G offen Zur Vereinfachung
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
MehrAudio-Bearbeitung. Diese Freq. Anteile «verschwinden» nach dem unterabtasten Filter muß schmal genug sein! Nach Unterabtastung
Audio Signal Audio-Bearbeitung Ampl Vor Unterabtastung Teilband Grenzen Normierte Frequenz (normierte Abtastrate, maximale Frequenz ist pi oder 1) Teilbänder Diese Freq. Anteile «verschwinden» nach dem
MehrWarum z-transformation?
-Transformation Warum -Transformation? Die -Transformation führt Polynome und rationale Funktionen in die Analyse der linearen eitdiskreten Systeme ein. Die Faltung geht über in die Multiplikation von
Mehr4. Segmentierung von Objekten Video - Inhaltsanalyse
4. Segmentierung von Objekten Video - Inhaltsanalyse Stephan Kopf Inhalt Vorgehensweise Berechnung der Kamerabewegungen zwischen beliebigen Bildern Transformation eines Bildes Hintergrundbilder / Panoramabilder
MehrDatenaquisition. Verstärker Filter. Sensor ADC. Objekt. Rechner
Datenaquisition Sensor Verstärker Filter ADC Objekt Rechner Datenaquisition Verstärker: - linearer Arbeitsbereich - linearer Frequenzgang - Vorkehrungen gegen Übersteuerung (trends, shot noise) - Verstärkerrauschen
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
MehrNichtmonotone Grauwertabbildung
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 02.12.2005 Folie 1 Nichtmonotone Grauwertabbildung Zwei Grauwertfenster in einem Bild. g (g) 0 511 2100 g Erzeugt künstliche Kanten. Grenzen
Mehr- Sei r(x,y) Eingangsbild, dass nur Rauschen (Quantenrauschen) enthält.
Eingang System Ausgang - Sei r(x,y) Eingangsbild, dass nur (Quantenrauschen) enthält. - Das Bild enthalte keinerlei Information, d.h. das Spektrum ist weiß und es gibt keine Korrelationen zwischen den
MehrMathematik für Anwender II
Prof. Dr. H. Brenner Osnabrück SS 2012 Mathematik für Anwender II Vorlesung 49 Zu einer reellwertigen Funktion Extrema auf einer offenen Menge G R n interessieren wir uns, wie schon bei einem eindimensionalen
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 09/10. Michael Karow. Themen: Taylor-Entwicklung und lokale Extrema
Vorlesung: Analysis II für Ingenieure Wintersemester 09/10 Michael Karow Themen: Taylor-Entwicklung und lokale Extrema Motivierendes Beispiel: die Funktion f(x, y) = x(x 1) 2 2 y 2. Dieselbe Funktion von
MehrUmkehrfunktion. g (y) = f (x) 1, x = g(y), Umkehrfunktion 1-1
Umkehrfunktion Ist für eine stetig differenzierbare n-variate Funktion f : D R n die Jacobi-Matrix f (x ) für einen Punkt x im Innern des Definitionsbereiches D R n nicht singulär, so ist f lokal invertierbar,
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Differentialrechnung für Funktionen mehrerer
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrAnalysis II. 8. Klausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis II 8. Klausur mit en 1 2 Aufgabe 1. Definiere die folgenden kursiv gedruckten) Begriffe. 1) Eine Metrik auf einer Menge M. 2) Die Kurvenlänge
MehrEinführung in Quantitative Methoden
in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr in Quantitative Methoden- 2.VO 1/47 Historisches Regression geht auf Galton
MehrTracking. Einführung. Allgemeiner Systemaufbau. Objektlokalisation: Template-Matching. Prädiktionsfilter: Kalman
Tracking Einführung Allgemeiner Systemaufbau Objektlokalisation: Template-Matching Prädiktionsfilter: Kalman Birgit Möller & Denis Williams AG Bioinformatik & Mustererkennung Institut für Informatik Martin-Luther-Universität
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
MehrMathematik. für das Ingenieurstudium. 10 Funktionen mit mehreren Variablen. Jürgen Koch Martin Stämpfle.
10 Funktionen mit mehreren Variablen www.mathematik-fuer-ingenieure.de 2010 und, Esslingen Dieses Werk ist urheberrechtlich geschützt. Alle Rechte, auch die der Übersetzung, des Nachdruckes und der Vervielfältigung
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
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
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Gewöhnliche Differentialgleichungen Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Gew. DGl 1-1 Zusammenfassung y (x) = F (x, y) Allgemeine
Mehri j m f(y )h i h j h m
10 HÖHERE ABLEITUNGEN UND ANWENDUNGEN 56 Speziell für k = 2 ist also f(x 0 + H) = f(x 0 ) + f(x 0 ), H + 1 2 i j f(x 0 )h i h j + R(X 0 ; H) mit R(X 0 ; H) = 1 6 i,j,m=1 i j m f(y )h i h j h m und passendem
Mehr7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
MehrMathematik für Wirtschaftswissenschaftler
Mathematik für Wirtschaftswissenschaftler Yves Schneider Universität Luzern Frühjahr 2016 Repetition Kapitel 1 bis 3 2 / 54 Repetition Kapitel 1 bis 3 Ausgewählte Themen Kapitel 1 Ausgewählte Themen Kapitel
MehrInhaltsverzeichnis. Kapitel 1: Rechnen mit Zahlen. Kapitel 2: Umformen von Ausdrücken. Kapitel 3: Gleichungen, Ungleichungen, Gleichungssysteme
Kapitel 1: Rechnen mit Zahlen 1.1 Rechnen mit reellen Zahlen 1.2 Berechnen von Summen und Produkten 1.3 Primfaktorzerlegung 1.4 Größter gemeinsamer Teiler 1.5 Kleinstes gemeinsames Vielfaches 1.6 n-te
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dr.-Ing. Markus Kowarschik Numerisches Programmieren,
MehrPraktikum-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
MehrSEMINAR COMPUTATIONAL PHOTOGRAPHY
Beseitigung von Bewegungsunschärfe Oliver Kelling, Mirco Menze SEMINAR COMPUTATIONAL PHOTOGRAPHY 1 Einführung Milderung bzw. Vermeidung von Unschärfe durch: 1. Kürze Belichtungszeiten 2. Stabilisierende
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
MehrAlgorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Rekonstruktion kontinuierlicher Daten Interpolation multivariater Daten Ulrich Rüde Lehrstuhl für Systemsimulation Sommersemester
MehrGrundlagen der Videotechnik, Farbe 2
Grundlagen der Videotechnik, Farbe 2 1 Beispiel für additive Farbmischung: Aus: O. Limann: Fernsetechnik ohne Ballast, Franzis Verlag 2 Veranschaulichung Farbe, Farbkomponenten Aus: O. Limann: Fernsetechnik
Mehr