Kalibrierungsfreie Bildverarbeitungsalgorithmen. echtzeitfähigen Objekterkennung im Roboterfuÿball. Thomas Reinhardt Nao-Team HTWK. 26.
|
|
- Leonard Buchholz
- vor 6 Jahren
- Abrufe
Transkript
1 zur echtzeitfähigen Objekterkennung im Roboterfuÿball Thomas Reinhardt Nao-Team HTWK Hochschule für Technik, Wirtschaft und Kultur Leipzig 26. Februar 2011
2 Gliederung
3 YCbCr- Helligkeitskomponente (Luminanz, Y) zwei Farbkomponenten U und V
4 Typisches Kamerabild
5 Eigenschaften der Feldfarbe Eigenschaften des Feldbodens: grün gefärbt -> Cr-Komponente, statistisch oft die meisten Pixel im Bild Zusammenhängend und meist homogen
6 Detektion des dominanten Farbtones Berechnung eines Cr-Histogramms von wenigen Samplepixeln Quatisierung auf 64 Werte
7 Testdatenbank Cr-Wert mit höchstem Wert im Histogramm bestimmen (Cr max )
8 Thomas Reinhardt rot fürnao-team alle Pixel HTWK mit Cr Kalibrierungsfreie max Cr xy Bildverarbeitungsalgorithmen < 15 Bodenerkennung
9 Zweites Beispiel
10 Thomas Reinhardt rot fürnao-team alle Pixel HTWK mit Cr Kalibrierungsfreie max Cr xy Bildverarbeitungsalgorithmen < 15 Fehlerkennung
11 Histogramm
12 Histogramm
13 Lösung Gewichtung der Histogrammwerte nach Cr-Wert Kleinere Werte im Cr-Kanal -> kräftigeres Grün Gewichtung: g = max(0,128 Cr xy ) 2
14 besseres Histogramm
15 Thomas Reinhardt rot fürnao-team alle Pixel HTWK mit Cr Kalibrierungsfreie max Cr xy Bildverarbeitungsalgorithmen < 15 besseres Resultat
16 Verwendung von Cb und Y bisher: nur von Cr-Kanal Problem: blaues Tor wird als grüner Boden erkannt Lösung: Erstellung der (ungewichteten) Histogramme für Cb- und Y-Kanal Nur Pixel betrachtet, für die bereits Cr max Cr xy < maxdistance gilt Finden von Cb max und Y max
17 Endgültige Klassikation von Bodenpixeln Grüner Boden, wenn: Cr max Cr xy < maxdistance Cr Cb max Cb xy < maxdistance Cb Y max Y xy < maxdistance Y
18 Thomas Reinhardt Nao-Team rot HTWK für alle Pixel Kalibrierungsfreie mit Bildverarbeitungsalgorithmen Ergebnis
19 Methoden um maxdistance festzulegen Richtwert, um maxdistance Cr einzustellen? Idee: Verteilung der Dierenzen zu Cr max für alle Pixel des Bildes betrachten
20 Histogramm der Dierenzen
21 gemitteltes Histogramm der Dierenzen C r konstant auf 15 setzen (guter Wert für alle Testbilder) Alternative: Schwellwert zur Trennung bestimmen mit Otsu-Schwellwertverfahren (ggf. riskant)
22
23 Scanlines (16 px spacing)
24 Kantendetektion im Y-Kanal entlang der Scanlines Detektor für grün->heller und heller->grün Auftrennung der Scanlines an diesen Kanten: Erstellung von homogenen, Pixelketten
25 Grünerkennung zunächst: Grünsegmente erkennen (da Linie immer zwischen zwei grünen Flächen) Alle Pixelketten als grünes Feld markieren, für die gilt: mehr als 50% der verketteten Pixel werden als grün klassiziert
26 Grünerkennung Liniensegmente detektieren: grün-linie-grün gegensätzliche Gradientenrichtungen der Kanten
27 Grünerkennung aus einem LinienSegment zwei Linienkanten bestimmen jeweils Winkel dieser Kante berechnen
28 Gruppierung der Liniensegmente 1. Durchlauf: Nachbarzuordnung für nahgelegene Liniensegmente gleicher Ausrichtung 2. Durchlauf: zusammenhängende Linienstücke zu nden
29 Kreisbogen-Erkennung Kreisbogen erkennen: Aufteilung zusammenhängender Segmente in zwei Gruppen (left,right) Ausgleichsgerade für beide Gruppen Winkel der Ausgleichsgerade bestimmen (Winkel gröÿer als Schwellwert -> Kreisbogen)
30 Ergebnisse
31 Netz vom Tor Zählen von nicht zugeordneten Linien-Segmenten Anzahl > Schwellwert > Netz vom Tor
32 Feldgrenze bestimmen Feldgrenze verläuft über den obersten Punkten der erkannten Grünsegmente
33 Problem Problem: benachbartes Feld in Sicht Lösung: Bestimmung möglicher Feldgrenzenpunkte RANSAC-Line tting dieser Punkte -> ergibt maximale Höhe der Feldgrenze
34 Ballerkennung
35 Filterung
36 grobe Koordinate berechnen
37 grobe Koordinate berechnen
38 Sternenförmige Scanlines
39 Kreismatching mit RANSAC
40 Ergebnisse
41 Ergebnisse
42 wo das Tor suchen? über der Feldgrenze -> mehrere horizontale Scanlines Blau-Gelb -> U-Komponente analysieren
43 horizontale Dierenzen benachbarter Pixel berechnen
44 Dierenzen aufsummieren
45 Video goaldetection_edgelter.avi :)
46 non-maximum-suppression, um Torkandidaten zu nden Filterung durch Gradientenrichtung, Torpfostenposition, Verhältnis Höhe/Breite
47 Performance Algorithmus Feldfarben-Erkennung Liniensegment-Erkennung Linienfusion Ballerkennung Memcopy 640x480 YCbCr Zeit in ms < 1 ms 5-10ms 1-18ms 1-2ms 3ms 12ms Gesamtzeit (noch) über 33ms, reicht nicht ganz für 30 fps Darum: Beim Balltracking keine Linien/
48 Testdatenbank 600 Bilder mit Information über Ballposition, Torposition, Feldgrenzen und Horizont Automatische Tests möglich
49 Algorithmus positiv falsch positiv Ballerkennung 98,7% 0% 95,1% 4% In Realität: Ballerkennung erkennt trotzdem hin und wieder nicht existente Bälle : 4% falsch positiv sind fast ausschlieÿlich Schiedsrichterhosen :)
50 Hosen
51 Ende des Vortrages Fragen?! :)
Creating an interactive color classification tool for the RoboCup four-legged league
Creating an interactive color classification tool for the RoboCup four-legged league Vortrag von Michael Löffler Gliederung Vorstellung der RoboCup four-legged league Objekterkennung auf dem Spielfeld
MehrSeminar: Multi-Core Architectures and Programming. Viola-Jones Gesichtsdetektor
Seminar: Multi-Core Architectures and Programming Viola-Jones Gesichtsdetektor Hardware-Software-Co-Design Universität Erlangen-Nürnberg 1 Übersicht Einleitung Viola-Jones Gesichtsdetektor Aufbau Blockmerkmale
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen 7. Juni 201 *Aufgabe 1. Gegeben seien fx, y = xy 2 8e x+y und P = 1, 2. Der Gradient von f ist genau an der Stelle P Null. a Untersuchen Sie mit Hilfe der Hesse-Matrix,
MehrSegmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden
Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal GEODÄTISCHES INSTITUT HANNOVER Session: Laserscanning
MehrEntwurf und Erkennung von codierten Zielmarken
Photogrammetrie Seminarvortrag: Entwurf und Erkennung von codierten Zielmarken Übersicht: 1. Einleitung 2. Codeanforderungen 3. Aufbau der Zielmarke Teil I 4. Der Code 5. Automatische Detektion und Erkennung
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrObjekterkennung durch Vergleich von Farben. Videoanalyse Dr. Stephan Kopf HWS2007 Kapitel 5: Objekterkennung
Objekterkennung durch Vergleich von Farben 48 Farbräume (I) Definitionen: Farbe: Sinnesempfindung (keine physikalische Eigenschaft), falls Licht einer bestimmten Wellenlänge auf die Netzhaut des Auges
MehrKantenextraktion. Klassische Verfahren. Christoph Wagner. 30. Januar Vortrag zum Seminar Bildsegmentierung und Computer Vision
Klassische Verfahren 30. Januar 2006 Vortrag zum Seminar Bildsegmentierung und Computer Vision Gliederung Grundlagen 1 Grundlagen Aufgabenstellung Anforderungen an Kantenfilter Lineare Filter 2 3 Gliederung
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.
MehrMathematik 1: (ohne Taschenrechner) Korrekturanleitung
Kanton St.Gallen Bildungsdepartement St.Gallische Kantonsschulen Gymnasium Aufnahmeprüfung 2015 Mathematik 1: (ohne Taschenrechner) Korrekturanleitung Die Korrekturanleitung legt die Verteilung der Punkte
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrPraktikum 2. Grauwert - Histogramme, Bimodalitätsanalyse Bildstatistik
Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_02 ImageJ.doc Praktikum 2 Digitale Bildverarbeitung Grauwert - Histogramme, Bimodalitätsanalyse Bildstatistik Themen: Auswertung
MehrVorlesung Grundlagen Videotechnik Psycho-Optik. -Geschichte: verschiedene Abstraktionsstufen
Vorlesung Grundlagen Videotechnik Psycho-Optik -Geschichte: verschiedene Abstraktionsstufen - Abbildung 3-D auf 2-D - erste Zeichnungen, Höhlenbilder - Zerlegung in Bildpunkte: Photozellen, parallele Übertragung
MehrKapitel 8: Operationen auf Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 8: Operationen auf Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2015/16 Ludwig-Maximilians-Universität
MehrKompakte Graphmodelle handgezeichneter Bilder. Einbeziehung in Autentizierung und Bilderkennung
Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Autentizierung und Bilderkennung Inhaltsverzeichnis 1 Einleitung Das graphische Model.1 Image Thinning................................. 3.
MehrCG Übung 1: ColorConverter
CG Übung 1: ColorConverter Sascha Feldmann sascha.feldmann@gmx.de Inhaltsverzeichnis 1 1 Profil 1.1 Aufgabe Erstellung eines ColorConverters. 1.2 Abgabe 24.04.2012 1.3 Autor Sascha Feldmann - 778455 1.4
MehrTerrain-Rendering mit Geometry Clipmaps
Vorarbeiten & Grundlagen Basiskomponenten Der Clipmap-Algorithmus Terrain-Rendering mit Seminar Computergrak 2010 Vorarbeiten & Grundlagen Basiskomponenten Der Clipmap-Algorithmus Worum geht's? Algorithmus
MehrBipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
MehrMultimediatechnik / Video
Multimediatechnik / Video Video-Farben Pixel, Farben, RGB/YUV http://www.nanocosmos.de/lietz/mtv Helligkeits- und Farb-Pixel s/w-pixel: Wert = Helligkeit Beispiel 8 Bit/Pixel = 256 Stufen 0=schwarz, 255=weiß
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
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
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
MehrSEMACODE: Semantische Kodierung von Bildern
SEMACODE: Semantische Kodierung von Bildern Situation: hohes Aufkommen digitaler Bilddaten Verknüpfung multimedialer Daten (Text, Bilder, Sprache ) Problem: automatische inhaltliche Charakterisierung von
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
MehrPhishingerkennung mittels visuellem Ähnlichkeitsvergleich. Felix Hill Ruhr-Universität Bochum felix.hill@rub.de
Phishingerkennung mittels visuellem Ähnlichkeitsvergleich Felix Hill Ruhr-Universität Bochum felix.hill@rub.de 1 ÜBERSICHT Entwicklung im Bereich Phishing Ansatz Bilderkennung Evaluation G DATA EINFACH
MehrMARKERLESS AUGMENTED REALITY. Henrik Brauer
MARKERLESS AUGMENTED REALITY Henrik Brauer Inhalt Was ist Augmented Reality Meine Motivation Grundlagen Positionsbestimmung mit Marker Positionsbestimmung ohne Marker Idee Risiken INHALT Augmented Reality
Mehr9th NEMO-SpectroNet Collaboration Forum
9th NEMO-SpectroNet Collaboration Forum Jena, 15.12.2010 Color and Multi Spectral Imaging An Overview Dr. Ing. Thomas Fahlbusch, PhotonicNet GmbH, Hannover Farbaufnahme 1-Chipkamera Bayer Farbmosaik Chips
Mehr6 Bestimmung linearer Funktionen
1 Bestimmung linearer Funktionen Um die Funktionsvorschrift einer linearen Funktion zu bestimmen, muss man ihre Steigung ermitteln. Dazu sind entweder Punkte gegeben oder man wählt zwei Punkte P 1 ( 1
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
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
MehrAutomatic Photo Popup
André Jähnig Hauptseminar Graphische Datenverarbeitung TU Dresden Wintersemester 2005/06 Gliederung Überblick bisherige Arbeiten und die neue Idee geometrische Merkmale und geometrische Klassen Trainings-Daten
MehrGewichtung in der Umfragepraxis. Von Tobias Hentze
Gewichtung in der Umfragepraxis Von Tobias Hentze Gliederung 1. Einführung 2. Gewichtungsarten 1. Designgewichtung 2. Non-Response-Gewichtung 3. Zellgewichtung 3. Fazit Gewichtung Definition: Ein Gewicht
Mehr2015/03/15 07:39 1/5 Track-Prozessor
2015/03/15 07:39 1/5 Track-Prozessor Track-Prozessor Der Track-Prozessor ist ein mächtiges Werkzeug zur nachträglichen Bearbeitung von Tracks. Es können verschiedene Arten von Berechnungen und Manipulationen
MehrKapitel 2. Häufigkeitsverteilungen
6 Kapitel 2 Häufigkeitsverteilungen Ziel: Darstellung bzw Beschreibung (Exploration) einer Variablen Ausgangssituation: An n Einheiten ω,, ω n sei das Merkmal X beobachtet worden x = X(ω ),, x n = X(ω
MehrMathematik 1: (ohne Taschenrechner) Korrekturanleitung. Kanton St.Gallen Bildungsdepartement. BMS/FMS/WMS/WMI Aufnahmeprüfung Frühling 2015
Kanton St.Gallen Bildungsdepartement BMS/FMS/WMS/WMI Aufnahmeprüfung Frühling 2015 Mathematik 1: (ohne Taschenrechner) Korrekturanleitung Die Korrekturanleitung legt die Verteilung der Punkte auf die einzelnen
MehrFarbverarbeitung mit Bayer-Mosaic Sensoren
Autor: Dipl. Ing. (FH) Uwe Furtner Geschäftsführer BV-Produkte bei MATRIX Vision GmbH Stand: 31.08.2001 Farbverarbeitung mit Bayer-Mosaic Sensoren Einleitung Im Bereich der industriellen Farbbildverarbeitung
MehrVektorgeometrie. Schattenspiele. Anwendungen. Friedrich Buckel. Datei Nr INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK. Stand 24.
Vektorgeometrie Anwendungen Schattenspiele Datei Nr. 6340 Stand 4. September 0 Friedrich Buckel INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK www.mathe-cd.de Vorwort Es gibt eine Reihe von Aufgaben, die einen
MehrMessprotokoll: Aufnahme der Quantenzufallszahl
Messprotokoll: Aufnahme der Quantenzufallszahl Am 19. Juni 2009 wurden für Max Mustermann um 8:35 Uhr mit Hilfe von einzelnen Photonen 993.097 Zufallszahlen generiert. Der Zufallsgenerator steht im Quantenoptiklabor
MehrDetektion von Eckpunkten und einfachen Kurven
Detektion von Eckpunkten und einfachen Kurven Industrielle Bildverarbeitung, Vorlesung No. 7 1 M. O. Franz 21.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005.
MehrDie Erweiterung vom Satz des Pythagoras anhand der resultierenden Kraft FR
Michael B. H. Middendorf 1 Die Erweiterung vom Satz des Pthagoras anhand der resultierenden Kraft FR Bei meinen Überlegungen als Maschinenbauer bzgl. eines Impulsantriebes, stieß ich auf das Problem, ständig
MehrSegmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
Mehrin Meter pro Sekunde beschrieben werden.
Probematura September 2016 Seite 1/5 1. Mischungen Ein Kaufmann kauft im Großhandel Kaffee und Tee. Insgesamt kauft er 150 kg und bezahlt 1600. Für 1 kg Kaffee bezahlt er 13, für 1 kg Tee 8. (a) Jemand
MehrEntwicklung eines 3D-Scanners mit farbigem strukturiertem Licht unter Verwendung von HDR-Bilddaten. Diplomverteidigung Frank Michel
Entwicklung eines 3D-Scanners mit farbigem strukturiertem Licht unter Verwendung von HDR-Bilddaten Diplomverteidigung Frank Michel Gliederung Einführung Kodierung des Projektionsmusters HDR-Bilddaten Korrespondenzanalyse
MehrEinführung in Excel. Zur Verwendung im Experimentalphysik-Praktikum. für Studierende im Sem. P3
Einführung in Excel Zur Verwendung im Experimentalphysik-Praktikum für Studierende im Sem. P3 Fh Wiesbaden Fachbereich 10 - Phys. Technik Prof. H. Starke SS 2003 /2 I. Allgemein 1. Öffnen Sie das Programm
MehrKompakte Graphmodelle handgezeichneter Bilder
Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Authentizierung und Bilderkennung Inhaltsverzeichnis Seminar Mustererkennung WS 006/07 Autor: Stefan Lohs 1 Einleitung 1 Das graphische Modell.1
MehrVerlustbehaftete Kompression. JPEG: Joint Photographic Experts Group
Verlustbehaftete Kompression JPEG: Joint Photographic Experts Group ITU T8.1 definiert Zusammenarbeit von ITU, IEC, ISO Verfahren zur verlustbehafteten Bildkodierung (auch Verlustloser Modus vorhanden)
Mehr2.7.1 Inside-Test Konvexe Hülle Nachbarschaften Schnittprobleme
2.7 Geometrische Algorithmen 2.7.1 Inside-Test 2.7.2 Konvexe Hülle 2.7.3 Nachbarschaften 2.7.4 Schnittprobleme 1 2.7 Geometrische Algorithmen 2.7.1 Inside-Test 2.7.2 Konvexe Hülle 2.7.3 Nachbarschaften
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrGeometrische Algorithmen
Geometrische Algorithmen Bin Hu Algorithmen und Datenstrukturen 2 Arbeitsbereich für Algorithmen und Datenstrukturen Institut für Computergraphik und Algorithmen Technische Universität Wien Einführung
MehrSegmentierung. Seminar: Medizinische Visualisierung. Daniel Lange
Segmentierung Daniel Lange 06.05.2004 Seminar: Medizinische Visualisierung Segmentierung 2 Überblick Einführung / Begriffsdefinition Punktorientierte Verfahren Kanten-/Konturorientierte Verfahren Regionenorientierte
Mehr1 Grundprinzip. 2 Huygens'sches Prinzip. Hochfrequenztechnik I Aperturantennen AP/1
Hochfrequenztechnik I Aperturantennen AP/1 1 Grundprinzip Im Kapitel über lineare Antennen (LA) wurde gezeigt, dass man durch eingeprägte Ströme auf einer Antenne Leistungsabstrahlung erreichen kann. Diese
Mehrdie Kunst, mit wenig Farbklexen bunte Bilder zu machen Halftoning, Dithering
Farbreduktion die Kunst, mit wenig Farbklexen bunte Bilder zu machen Halftoning, Dithering zwei Schritte: geeignete Farben (Repäsentanten) finden Farbreduktion alle Bildfarben den Repräsentanten zuordnen
MehrGeometrische Algorithmen
Geometrische Algorithmen Thomas Röfer Motivation Scan-line-Prinzip Konvexe Hülle Distanzprobleme Voronoi-Diagramm Rückblick Manipulation von Mengen Vorrangwarteschlange Heap HeapSort swap(a, 0, 4) 1 5
MehrLokale Beleuchtungsmodelle
Lokale Beleuchtungsmodelle Oliver Deussen Lokale Modelle 1 Farbschattierung der Oberflächen abhängig von: Position, Orientierung und Charakteristik der Oberfläche Lichtquelle Vorgehensweise: 1. Modell
MehrBeispiele zu den Verknüpfungs-Technologien-5.3.0
5.6.4. Beispiele zu den Verknüpfungs-Technologien-5.3.0 5.6.4. Beispiele zu den Verknüpfungs-Technologien Beispiel 1: Direkte Verknüpfungs-Technologie Wenn Sie diese Verknüpfungs-Technologie zwischen einer
MehrSalsaJ Übung 0. Programm öffnen / Menüstruktur Öffne das Programm SalsaJ (Salsaj2.jar). Open Image File Bilddatei öffnen
SalsaJ Übungen SalsaJ Übung 0 Programm öffnen / Menüstruktur Öffne das Programm SalsaJ (Salsaj2.jar). Open Image File Bilddatei öffnen Save Image Bild speichern Undo Last Operation Letzte Aktion rückgängig
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Landmarkenbasierte anhand anatomischer Punkte interaktiv algorithmisch z.b. zur Navigation im OP Markierung von
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
Mehr1) Warum ist die Lage einer Verteilung für das Ergebnis einer statistischen Analyse von Bedeutung?
86 8. Lageparameter Leitfragen 1) Warum ist die Lage einer Verteilung für das Ergebnis einer statistischen Analyse von Bedeutung? 2) Was ist der Unterschied zwischen Parametern der Lage und der Streuung?
MehrBachelorarbeit. Formbasierte Ballerkennung für humanoide Fußball-Roboter. Max Maria Losch
Bachelorarbeit Formbasierte Ballerkennung für humanoide Fußball-Roboter Max Maria Losch Freie Universität Berlin Fachbereich Mathematik und Informatik Institut für Informatik Bachelorarbeit Formbasierte
MehrGeometrie 1. Roman Sommer. Informatik 2 Programmiersysteme Martensstraße Erlangen
Geometrie 1 Roman Sommer Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Grundlagen Punkte, Vektoren Schreibweise: Skalar: Vektor: Komponente: Punkt: (spitzer) Winkel zw. zwei Vektoren:
MehrElemente der SchulgeometrieGrundschule. Aufgabenblatt 4 Flächeninhalt
Elemente der SchulgeometrieGrundschule Aufgabenblatt 4 Flächeninhalt Achtung Fehler!! Alle Punkte auf der Kreislinie sind gleichweit von Mittelpunkt des Kreises entfernt. Die Distanz entspricht dem Radius
MehrKapitel 4: Schattenberechnung
Kapitel 4: Schattenberechnung 1 Überblick: Schattenberechnung Motivation Schattenvolumen Shadow Maps Projektive Schatten 2 Motivation Wesentlich für die Wahrnehmung einer 3D-Szene Eigentlich ein globaler
MehrMathe Star Lösungen Runde /07
Dr. Michael J. Winckler Mathe Star Initiative IWR, Raum 502, INF 368, 69120 Heidelberg Michael.Winckler@iwr.uni-heidelberg.de http://www.iwr.uni-heidelberg.de/teaching/mathe-star/ Mathe Star Lösungen Runde
MehrJRK Landeswettbewerb Rheinland-Pfalz September in Cochem
Aufgabenbeschreibung Der Sportspielbereich ist in 3 Aufgaben unterteilt: Spiel 1: Stille Farbenpost Spiel 2: Rückwärtsgang Spiel 3: Bälle fangen Bei jedem Spiel können maximal 25 Punkte erreicht werden.
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrGeometrie I. Sebastian Redinger Informatik 2 Programmiersysteme Martensstraße Erlangen
Geometrie I Sebastian Redinger 01.07.2015 Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Gliederung Grundlagen CCW Polygone Picks Theorem Konvexe Hülle - Graham Scan - Jarvis March 2 Gliederung
MehrComputer Graphik I Polygon Scan Conversion
11/23/09 lausthal omputer raphik I Polygon Scan onversion. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Klassifikation der Polygone Konvex Für jedes Punktepaar in einem konvexen Polygon
MehrKanten und Konturen. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Kanten und Konturen Industrielle Bildverarbeitung, Vorlesung No. 6 1 M. O. Franz 14.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Kanten und
MehrLichtschnittsensoren LPS / LES / LRS Die günstigere Lösung für viele neue Einsatzgebiete
Lichtschnittsensoren LPS / LES / LRS Die günstigere Lösung für viele neue Einsatzgebiete PRODUKTINFORMATION Die sichere Objekterkennung muss jetzt keine Frage des Preises mehr sein. In vielen Einsatzbereichen
MehrAbschlussprüfung 1998 zum Erwerb der Fachhochschulreife an Berufsoberschulen
BOS 12 NT 98 Seite 1 Abschlussprüfung 1998 zum Erwerb der Fachhochschulreife an Berufsoberschulen Mathematik (nichttechnische Ausbildungsrichtungen) (Arbeitszeit für eine A- und eine S-Aufgabe insgesamt
MehrMATHEMATIK-WETTBEWERB 2014/2015 DES LANDES HESSEN
MATHEMATIK-WETTBEWERB 04/05 DES LANDES HESSEN. RUNDE LÖSUNGEN AUFGABENGRUPPE A. L = { 5} oder x = 5, denn x 5 = 0 oder x 5 = 0 x = 5 oder x = 5 x = 5 oder x = 5 L = {... ; ; ; 0; 4; 5;...}, denn x 5 >
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 07052013 Mittelwerte und Lagemaße II 1 Anwendung und Berechnung
MehrBachelorarbeit. Anwendung von maschinellem Lernen zur echtzeitfähigen und kalibrierungsfreien Erkennung von humanoiden Fußballrobotern
Bachelorarbeit Anwendung von maschinellem Lernen zur echtzeitfähigen und kalibrierungsfreien Erkennung von humanoiden Fußballrobotern Martin Engel Medieninformatik 51257 8. August 2012 Selbstständigkeitserklärung
MehrBinärbildverarbeitung
Prof. Dr. Wolfgang Konen, Thomas Zielke Binärbildverarbeitung SS06 4.1 Konen, Zielke Anwendungen von Binärbildern Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte
MehrFEM-System MEANS V10 FEM-Anlayse einer vereinfachten Windkraftanlage mit Schalen- und Balkenelementen
FEM-System MEANS V10 FEM-Anlayse einer vereinfachten Windkraftanlage mit Schalen- und Balkenelementen Homepage: www.femcad.de Email: info@femcad.de Telefon: 07844 98 641 Kapitel 18: FEM-Analyse einer vereinfachten
MehrKaroline Grandy und Renate Schöfer
Karoline Grandy und Renate Schöfer 1 Lemma 1 (Haruki) In einem Kreis seien zwei sich nicht schneidende Sehnen AB und CD gegeben. Außerdem wähle einen beliebiger Punkt P auf dem Kreisbogen zwischen A und
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
MehrBedienungsanleitung Schaltverstärker für Fiberoptik. OBF5xx / / 2009
Bedienungsanleitung Schaltverstärker für Fiberoptik OBF5xx 704513 / 00 04 / 009 Inhalt 1 Vorbemerkung...3 1.1 Verwendete Symbole...3 Bestimmungsgemäße Verwendung...3.1 Einsatzbereiche...3 3 Montage...3
MehrHilfe SRAdoc /SRA24 Report. Der SRAdoc /SRA24 Report setzt sich aus folgenden Bereichen zusammen:
Hilfe SRAdoc /SRA24 Report Der SRAdoc /SRA24 Report setzt sich aus folgenden Bereichen zusammen: 1. Adresse - kann über den persönlichen Bereich der SRA Plattform geändert werden. 2. Datums-Informationen
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrFunktionsansprüche an die Hinterfüllung einer Erdwärmesonde
Vorstellung aktueller Messmethoden bei der Überprüfung der Zementationsgüte von Erdwärmesonden Qualitätsansprüche an eine EWS Messtechnik Temperaturprofile Kurz TRT in Kombination mit Temperaturprofilen
MehrLineare Funktionen y = m x + n Sekundarstufe I u. II Funktion ist monoton fallend, verläuft vom II. in den IV.
LINEARE FUNKTIONEN heißt Anstieg oder Steigung heißt y-achsenabschnitt Graphen linearer Funktionen sind stets Geraden Konstante Funktionen Spezialfall Graphen sind waagerechte Geraden (parallel zur x-achse)
MehrTopologieerkennung von Sensornetzwerken
looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus
MehrZusammenfassung Verallgemeinerungen VD Segmente/Pledge Algorithmus
Zusammenfassung Verallgemeinerungen VD Segmente/Pledge Algorithmus Elmar Langetepe University of Bonn Algorithmische Geometrie VD Segmente/Pledge 29.06.11 c Elmar Langetepe SS 11 1 Voronoi Diagramm von
MehrAus aktuellem Anlass: Fussballtutorial
Aus aktuellem Anlass: Fussballtutorial Fünfeck: Winkel 0, Seite 8 cm Das ist das Basisobjekt für die Sechsecke. 1. Sechseck links daneben: Winkel 30, Seite 8 cm 2. Referenzpunkt mittig nach Seite A verlegen
MehrViola-Jones Gesichtserkennung mit WebGL
Viola-Jones Gesichtserkennung mit WebGL Tobias Groß, Björn Meier Hardware/Software Co-Design, University of Erlangen-Nuremberg 18. Juli 2013 Outline Motivation Viola-Jones Funktionsweise Blockbewertung
MehrAbschlussbericht von:
Abschlussbericht e-learning-projekt Projektkurzbezeichnungen: Bildverarbeitung in der Biologie Projektcode: 2012.251 Projektverantwortliche/r: Ao. Univ.-Prof. Dr. Thorsten Schwerte Abschlussbericht von:
MehrKontaktzeitmessungen beim Venustransit und die Ableitung der Sonnenentfernung
Kontaktzeitmessungen beim Venustransit und die Ableitung der Sonnenentfernung Udo Backhaus 14. Dezember 2004 1 Prinzip Die Messung der Astronomischen Einheit durch Kontaktzeitmessungen beim Venustransit
MehrSerie 1 Klasse Vereinfache. a) 2(4a 5b) b) 3. Rechne um. a) 456 m =... km b) 7,24 t =... kg
Serie 1 Klasse 10 1. Berechne. 1 a) 4 3 b) 0,64 : 8 c) 4 6 d) ³. Vereinfache. 1x²y a) (4a 5b) b) 4xy 3. Rechne um. a) 456 m =... km b) 7,4 t =... kg 4. Ermittle. a) 50 % von 30 sind... b) 4 kg von 480
MehrGRUNDLAGEN. Ausrichtung der Würfel erfolgt immer nach den Mittelflächen (diese sind unveränderlich; zb sind weiss und gelb immer gegenüber)
GRUNDLAGEN Ausrichtung der Würfel erfolgt immer nach den Mittelflächen (diese sind unveränderlich; zb sind weiss und gelb immer gegenüber) U=up=oben R=right=rechts L=left=links F=front=vorne D=down=unten
Mehr8 Flächeninhalt berechnen
8 Flächeninhalt berechnen Auftaktseiten Seiten 196, 197 Seite 196 1 Das große Quadrat hat eine Seitenlänge von 1 cm. 2 Beim Zusammenlegen hilft das Material im Schnittpunkt-Code: Dort befinden sich die
MehrIT-Grundlagen Excel Excel Grundbegriffe
Excel 2010 1.Semester 1 Karin Maier Excel 2010 - Grundbegriffe Excel ist ein Tabellenkalkulationsprogramm Darin können Daten eingegeben, formatiert und berechnet werden Arbeitsmappe = Datei Arbeitsmappe
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
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
MehrPerzeptronen. Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Perzeptronen Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Perzeptronen 1 / 22 Gliederung 1 Schwellwert-Logik (MCCULLOCH-PITTS-Neuron)
MehrSerie 8 - Parametrisierte Kurven
Analysis D-BAUG Dr Meike Akveld HS 05 Serie 8 - Parametrisierte Kurven Geben Sie für die folgenden Bewegungen eines Punktes jeweils eine parametrisierte Darstellung I [0, ] R xt, t yt an Lösung a Geradlinige
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
Mehr