Graphische Datenverarbeitung und Bildverarbeitung
|
|
- Caroline Kristin Blau
- vor 6 Jahren
- Abrufe
Transkript
1 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 mathematische und allgemeine Grundlagen Hardware für Graphik und Bildverarbeitung Graphische Grundalgorithmen (Zeichnen graphischer Primitive, Methoden für Antialaising, Füllalgorithmen) Bildaufnahme (Koordinatensysteme, Transformation) Durchführung der Bildverarbeitung und -analyse Fourier-Transformation Bildrestauration Bildverbesserung (Grauwertmodifikation, Filterverfahren) Segmentierung Morphologische Operationen Merkmalsermittlung und Klassifikation Erzeugung von Bildern in der Computergraphik Geometrierepräsentationen Clipping in 2D und 3D Hidden Surface Removal Beleuchtungsberechnung Shading Schattenberechnung Volumenrendering als Beispiel für die Nutzung beider Gebiete Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 2
2 Wiederholung wichtiger Begriffe Homogene Koordinaten Transformationen Projektion Abtastung Deterministische Veränderungen bei der Bildaufnahme Stochastische Veränderungen bei der Bildaufnahme Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 3 8. Fouriertransformation Fouriertransformation: Beschreibung einer beliebige Funktion als Summe von gewichteten periodischen Funktionen (Basisfunktionen) mit unterschiedlicher Frequenz (Frequenzraumrepräsentation). Anwendungen Beschreibung des Informationsverlusts bei Digitalisierung Restauration von linearen Störungen Rekonstruktion von Bildern aus Projektionen Schnelle Filterung Transformation muss invertierbar sein Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 4
3 8.1 Basisfunktionen Bilder können als zweidimensionale Funktion f(m,n) aufgefasst werden. Jede Funktion kann als Summe von N gewichteten Basisfunktionen b u aufgefasst werden: N 1 f n = w b n u= 0 ( ) ( ) Die Wichtungen w u bilden eine neue Funktion w(u), die f(n) zusammen mit den Basisfunktionen genau beschreibt. Die Auswirkung von Veränderungen auf die Wichtungen (z.b. Filterung) hängen von den Basisfunktionen ab. u Die Fouriertransformation ist die Transformation von einer Ortsbasis in eine Frequenzbasis. u Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation Ortsbasisfunktion Ein Bild kann durch Summation gewichteter Basisfunktionen repräsentiert werden. Funktionen und ihre Basis können wie Vektoren und ihre Basis aufgefaßt werden! d.h.: Eine Funktion einer gegebenen Dimension wird durch jede beliebige, orthogonale Basis dieser Dimension eindeutig repräsentiert. Bild E(i,j) Basisfunktionen Wichtung = b(i,j) X X X X X X X X w n E = w n bn Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 6
4 8.1.2 Frequenzbasis 255 Bildzeile Grauwert Repräsentation eines Bildes durch eine Summe (ein Integral) von gewichteten, periodischen Funktionen. Eine Operation zur Generierung einer solchen Repräsentation heißt Fouriertransformation = x Frequenz 3T Frequenz 2T Warum? Manche Operationen (Filterung und inverse Filterung, Rekonstruktion aus Projektionen,...) sind einfacher auszuführen. Frequenz 1T := 1T 2T 3T Frequenz Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 7 Ein erstes Beispiel Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 8
5 Ein erstes Beispiel Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 9 Ein erstes Beispiel...= Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 10
6 8.2 Invertierbarkeit Die Transformation ist invertierbar, wenn die Basisfunktionen eine orthogonale Basis bilden. Was ist Orthogonalität für Funktionen? Wann bilden Basisfunktionen eine orthogonale Basis? Transformation: Projektion der Funktion auf die neue Basis. Inverse Transformation: Projektion auf die alte Basis. Orthogonalität, Projektion, Transformation etc. sind Begriffe aus der Vektoralgebra und können auch für Funktionen genutzt werden. Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation Bildzeile (ziemlich kurz): entspricht ( 30, 211) Repräsentation der Bildzeile (der Bildfunktion) 8.3 Orthogonalität d.h., (30, 211) = 30*(1,0) 211*(0,1) Vektoren der orthogonalen Basis Orthogonalität von zwei Vektoren (Funktionen) a und b: Bsp. Rotation: a = a cos α sin α -sin α cos α Skalarprodukt <a,b>=0, d.h., Σ aibi = 0 Abbildung F eines Vektors (einer Funktion) a auf eine orthogonale Basis: F (a) = ab, mit B als Matrix der Basisvektoren Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 12
7 Orthogonale periodische Funktionen Basis: (1, 1) (1, -1) (30,211) Transformation: Anmerkungen: (30,211) * 1 1 = (241, -181) 1-1 Rücktransformation: T (241,-181) * 1 1 = (60, 422) 1-1 Das Resultat der Rücktransformation muß skaliert werden, weil die Basis nicht normiert ist. Es gibt immer so viele Basisfunktionen, wie der Definitionsbereich der diskreten Funktion Werte hat. Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 13 Größere Funktionen Sinuskurven: (1, 1, 1, 1) (1, 0, -1, 0) (0, 0, 0, 0) (-1, 0, 1, 0) Cosinuskurven: (1, 1, 1, 1) (0, -1, 0, 1) (-1, 1, -1, 1) (0, -1, 0, 1) Weder Sinus- noch Cosinusfunktionen bilden eine orthogonale Basis Aber: Komplexe Basisfunktionen cos(x)i sin(x) bilden eine Basis! (Anmerkung: Skalarprodukt für komplexe Vektoren <a,b> = Σ a i b i * ) Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 14
8 Komplexe, periodische Funktionen Imaginärteil e ix 1.0 Realteil cos(x) sin(x) e ix =cos(x)i*sin(x) Repräsentation einer Phasenverschiebung: cos(xα)isin(xα) = e i[xα] = e ix e iα Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation Basisfunktionen für die (eindimensionale) Fourier-Transformation Bildfunktion: f(m), m=0,255; N=256 also: 256 Basisfunktionen B(u) = e i 2π/N m u, mit Frequenzen u=0,n-1 z.b. B(0) = [ (1,1), (1,1),..., (1,1) ] Transformation : F = f B N 1 mu F( u) = f ( m) exp( 2πi ) m = 0 N Rücktransformation : f = F B T N 1 1 mu f ( m) = F( u) exp(2πi ) N u = 0 N, für alle u=0,n-1, für alle m=0,n-1 Skalierungsfaktor, weil die Basisfunktionen nicht normiert sind. Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 16
9 Fourier-Basisfunktionen für N=16 Wellenzahl Cosinus -Komponenten Sinus -Komponenten Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation Phase und Das Resultat der Fouriertransformation erzeugt eine komplexe Funktion F(u). Der Betrag eines Funktionswerts ist die und der Winkel zur reellen Achse ist die Phase zur Gewichtung der betreffenden Basisfunktion Re Frequenzraum f(m) Im Phasenwinkel u Phase m Ortsraum Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 18
10 8.6 Zweidimensionale Fourier-Transformation F( u, v) = f ( m, n) = M 1 N 1 m= 0 n= 0 1 MN f mu ( m, n)exp 2πi M M 1 N 1 u= 0 v= 0 F( u, v)exp 2πi mu M nv N nv N Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 19 Zweidimensionale Basisfunktionen Die Basisfunktionen der Fouriertransformation sind zerlegbar. F(u,v) v Zweidimensionale Basisfunktionen der Fouriertransformation sind daher Wellen der Form: exp(i2π/nmu)exp(i2π/nnv) = exp(i2π/n(munv)) u Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 20
11 Bild f(m,n) Jähne, Digitale Bildverarbeitung = 1 MN M 1N 1 u= 0 v= 0 F ( u, v) e um vn i2π M N Zweidimensionale Fourier-Transformation... X = F(4,0) Beispiel einer Basisfunktion: Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation Darstellung der original Spektrum zentriert logarithmiertes Spektrum logarithmiertes Spektrum, zentriert Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 22
12 Beispiele für Bilder im Orts- und Frequenzraum Block im Ortsbereich Spektrum () im Frequenzbereich Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 23 Beispiele für Bilder im Ortsund Frequenzraum Phase Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 24
13 8.8 Einfluss der Phaseninformation Rekonstruktion aus allein Phase von normalverteiltem Rauschen Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation Eigenschaften der Fourier-Transformation Mittelwert der Funktion F(0,0) = 1/N2 Σ Σ f(m,n) exp(- i 2π (0m0n)/N) = 1/N2 Σ = favg Σ f(m,n) exp(0) abs(f (f)) F -1 F(0,0) = (123.5, 0.0) Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 26
14 Eigenschaften der Fourier-Transformation Linearität B 1 (x,y) F 1 (u,v) B 1 (x,y)b 2 (x,y) F 1 (u,v)f 2 (u,v) B 2 (x,y) F 2 (u,v) Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 27 Eigenschaften der Fourier-Transformation Verschiebung Translation verursacht die Verschiebung der Phase, aber keine Änderung des Spektrums. Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 28
15 Beispiel - Translation Translation um ( m, n) führt zu einer Phasenverschiebung F (u,v) = F(u,v) exp[-i 2π/N (u mv n)] Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 29 Eigenschaften der Fourier-Transformation Ähnlichkeit Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 30
16 Eigenschaften der Fourier-Transformation Rotation F(u,v) wird in gleicher Weise rotiert wie f(m,n). Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 31 Separabilität Die Fouriertransformation ist separabel, d.h., sie kann zunächst in M-Richtung und anschließend auf diesen Zwischenergebnissen in N-Richtung ausgeführt werden. F(u,v) = 1/N 2 Σ n Σ m f(m,n)exp(- i2π(umvn)/n) = 1/N 2 Σ n Σ m f(m,n)exp(- i2πum/n)exp(-i2πvn/n) = 1/N 2 Σ n [Σ m f(m,n)exp(- i2πum/n)]exp(-i2πvn/n) = 1/N 2 Σ n F u (m,n)exp(-i2πvn/n) kann aus der inneren Summe ausgeklammert werden m n f(m,n) F (u,n) u F(u,v) Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 32
17 8.10 Filterung Was geschieht, wenn ich nur einen Teil der Werte im Frequenzbereich nutze? F (u,v) = F(u,v), wenn SQRT(u 2 v 2 ) < 16 0, sonst Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation Tiefpassfilter Kompressionsfaktor: ca. 1:81 F (u,v) = F(u,v), wenn SQRT(u 2 v 2 ) < 32 0, sonst Ringing -Artefakt Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 34
18 Tiefpassfilter Kompressionsfaktor: ca. 1:9 F (u,v) = F(u,v), wenn SQRT(u 2 v 2 ) < 100 0, sonst Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation Hochpassfilter F (u,v) = F(u,v), wenn SQRT(u 2 v 2 ) > 32 0, sonst Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 36
19 Rauschen Weisses Rauschen (gleichverteilt mit Mittelwert 0) enthält gleichverteilt alle Frequenzen mit durchschnittlich gleicher. -> Rauschunterdrückung = Unterdrückung der hohen Frequenzanteile Signal Rauschen Frequenz Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 37 Filterung im Frequenzraum Funktion F Signal Rauschen Frequenz Frequenz G(u,v) = F(u,v) H(u,v) mit F(u,v) H(u,v) G(u,v) - Originalfunktion - Filterfunktion - Filterungsresultat Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 38
20 Filterung mit Richtungsfiltern Ortsbereich Frequenzbereich Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation Zusammenhang zwischen Ortsbereich und Frequenzbereich Originalbild S(x,y) FT Fourier-transformiertes Bild F(u,v) Faltung mit der Maske S(x,y)*M(x,y) M M FT FT -1 H H Multiplikation mit der Filterfunktion F(u,v) H(u,v) Ergebnis der Filterung S (x,y) FT -1 Gefilterte Fouriertransformierte G(u,v) Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 40
21 Transformation zwischen Basen Zusammenfassung Invertierbarkeit von Transformationen Basisfunktionen der Fourier-Transformation Bedeutung von Frequenz,, Phase und Wellenrichtung Darstellung der Fouriertransformierten Nutzung der Eigenschaften der Fouriertransformation im Bereich der Merkmalsermittlung Filterung im Frequenzraum Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 41
Graphische 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
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Antialiasing Graphische DV und BV, Regina Pohle, 5. Antialiasing 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Segmentierung Graphische DV und BV, Regina Pohle, 13. Segmentierung 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Schattenberechnung Graphische DV und BV, Regina Pohle, 23. Schattenberechnung 1 Einordnung in die Inhalte der Vorlesung Einführung
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
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Beleuchtungsberechnung Graphische DV und BV, Regina Pohle, 21. Beleuchtungsberechnung 1 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
MehrComputergraphik 1 2. Teil: Bildverarbeitung. Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation
Computergraphik 1 2. Teil: Bildverarbeitung Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation LMU München Medieninformatik Butz/Hoppe Computergrafik 1 SS2009 1 2 Repräsentation
Mehr2D Graphik: FFT und Anwendungen der Fouriertransformation. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 25.
LMU München Medieninformatik Butz/Hilliges D Graphics WS005 5..005 Folie D Graphik: FFT und Anwendungen der Fouriertransformation Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 5. ovember 005
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
MehrComputergraphik I. Das Abtasttheorem. Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1
Das Abtasttheorem Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1 Problem bei zeitlicher Abtastung: Oliver Deussen Abtasttheorem 2 Darstellung auf Monitor Was geschieht eigentlich, wenn
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Verdeckung Graphische DV und BV, Regina Pohle, 20. Verdeckung Einordnung in die Inhalte der Vorlesung Einführung mathematische und
MehrTechnische Universität
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Filterung im Frequenzraum: Fouriertransformation Proseminar: Grundlagen Bildverarbeitung / Bildverstehen
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Merkmale und Klassifikation Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation 1 Einordnung in die Inhalte der
MehrSkalarprodukt und Orthogonalität
Skalarprodukt und Orthogonalität Skalarprodukt und Orthogonalität in R n Wir erinnern an das euklidische Skalarprodukt im R 2 : Wir erinnern an das euklidische Skalarprodukt im R 2 : < a, b >:= α 1 β 1
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
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrFilterung von Bildern (2D-Filter)
Prof. Dr. Wolfgang Konen, Thomas Zielke Filterung von Bildern (2D-Filter) SS06 6. Konen, Zielke Aktivierung Was, denken Sie, ist ein Filter in der BV? Welche Filter kennen Sie? neuer Pixelwert bilden aus
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?
MehrZiel: Minimalität der Feature-Werte Ausnutzung Kompaktheit im Frequenzbereich Kompaktheit:
Anwendung DFT zur Feature-Aufbereitung Ziel: Minimalität der Feature-Werte Ausnutzung Kompaktheit im Frequenzbereich Kompaktheit: Funktion häufig durch wenige, niedrige Frequenzkoeffizienten approximierbar,
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Graphische Grundalgorithmen Graphische DV und BV, Regina Pohle, 4. Algorithmen für graphische Primitive 1 Einordnung in die Inhalte
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
MehrMathematik, Signale und moderne Kommunikation
Natur ab 4 - PH Baden Mathematik, Signale und moderne Kommunikation 1 monika.doerfler@univie.ac.at 29.4.2009 1 NuHAG, Universität Wien monika.doerfler@univie.ac.at Mathematik, Signale und moderne Kommunikation
MehrParseval-Identität: Seien zwei Funktionen v. mit Fourier-Reihen: dann gilt: Parseval-Identität. Speziell:
Parseval-Identität: Seien zwei Funktionen v. mit Fourier-Reihen: dann gilt: (kühnes Vertauschen von Integral und Summe!) Parseval-Identität Speziell: Anmerkung: beide Seiten kann man als Skalarprodukt
MehrDie Fourier-Transformation
1/20 Die Fourier-Transformation 2/20 Die FT ermittelt aus dem Signal von überlagerten Schwingungen welche Frequenzen enthalten sind FT 3/20 Von der folgenden Schwingung soll die Frequenz ermittelt werden
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).
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
Mehr3.3. Drehungen und Spiegelungen
3.3. Drehungen und Spiegelungen Drehungen und Spiegelungen in der Ebene Die Multiplikation einer komplexen Zahl z = x + i y (aufgefaßt als Punkt oder Ortsvektor der Ebene) mit der Zahl w = e ( ) = i φ
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
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
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
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
MehrComputergrafik 1 Transformationen
Computergrafik 1 Transformationen Kai Köchy Sommersemester 2010 Beuth Hochschule für Technik Berlin Überblick Repräsentationen, Primitiven Transformationen in 2D Skalierung Translation Rotation Scherung
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
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 Inhaltsverzeichnis
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
MehrGrundlagen der Bildverarbeitung: Übung 3
Grundlagen der Bildverarbeitung: Übung 3 Michael Korn Raum: BC414, Tel.: 0203-379 - 3583, E-Mail: michael.korn@uni-due.de Michael Korn (michael.korn@uni-due.de) Grundlagen der Bildverarbeitung: Übung 3
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2008/2009 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Systeme bei stochastischer
Mehr2D-Fourieranalyse und Farbräume
2D-Fourieranalyse und Farbräume Industrielle Bildverarbeitung, Vorlesung No. 12 1 M. O. Franz 09.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2010/2011 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Filterentwurf
MehrInhaltsverzeichnis. Daniel von Grünigen. Digitale Signalverarbeitung. mit einer Einführung in die kontinuierlichen Signale und Systeme
Inhaltsverzeichnis Daniel von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme ISBN (Buch): 978-3-446-44079-1 ISBN (E-Book): 978-3-446-43991-7 Weitere
Mehrf (t) =A sin ( t+ ) (1)
1 Das Sinoid in verschiedenen Schreibweisen f (t) A t enthalt fur jedes zwei Parameter, A und v. f (t) =A sin ( t+ ) (1) Formt man um f (t) =A (cos tsin + sin tcos ) und setzt b = A sin a = A cos so ergibt
MehrTechnische Universität München
Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
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
MehrMerkmale von Bildregionen, Einführung in Spektraltechniken
Merkmale von Bildregionen, Einführung in Spektraltechniken Industrielle Bildverarbeitung, Vorlesung No. 10 1 M. O. Franz 12.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2007/2008 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Systeme bei stochastischer
MehrGlobale Operationen. Prof. Dr. Aris Christidis WS 2018 / 19
Globale Operationen Operationen / Funktionen, die alle Pixel des Eingabebildes benötigen, bevor sie ein Pixel oder eine Aussage für das Ergebnisbild ermitteln, nennt man global. (Beispiel: Erkennung /
MehrLineare Algebra und Computer Grafik
Lineare Algebra und Computer Grafik Kurze Zusammenfassung (Stand: 3 Juli 2) Prof Dr V Stahl Copyright 28 by Volker Stahl All rights reserved V Stahl Lineare Algebra und Computer Grafik Zusammenfassung
MehrMathematische Grundlagen
Mathematische Grundlagen Oliver Deussen Mathematische Grundlagen 1 Affine Räume um Zeichenebene bzw. Raum zu beschreiben, muß vorher ein Koordinatensystem festgelegt werden durch geometrische Fragestellungen
MehrMathematischer Vorkurs für Physiker WS 2012/13: Vorlesung 1
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13: Vorlesung 1 Komplexe Zahlen Das Auffinden aller Nullstellen von algebraischen Gleichungen ist ein Grundproblem, das in der Physik
Mehr3D-Transformationen. Kapitel Translation Skalierung
Kapitel 3 3D-Transformationen Wie im weidimensionalen Fall, werden die Definitionspunkte der Objekte als Spaltenvektoren mit homogener Koordinate geschrieben. Die notwendigen Transformationen werden wieder
MehrExkurs: Klassifikation orthogonaler 2 2-Matrizen.
Exkurs: Klassifikation orthogonaler 2 2-Matrizen. Aussage: Es gilt: (a) Jede orthogonale 2 2 Matrix A mit det(a) = 1 hat das Aussehen cos(α) sin(α) D(α) = sin(α) cos(α), wobei α [0,2π[. Ist sin(α) 0, so
MehrDigitale Signalverarbeitung
Daniel Ch. von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme 4. Auflage Mit 222 Bildern, 91 Beispielen, 80 Aufgaben sowie einer CD-ROM mit Lösungen
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
MehrSpektrum zeitdiskreter Signale
Spektrum zeitdiskreter Signale 1 Aufgabenstellung Mithilfe der Fouriertransformation können zeitkontinuierliche Signale in den Frequenzbereich transformiert werden, um die im Signal enthaltenen Frequenzanteile
MehrLineare Transformationen und Determinanten. 10-E Ma 1 Lubov Vassilevskaya
Lineare Transformationen und Determinanten 10-E Ma 1 Lubov Vassilevskaya Lineare Transformation cc Definition: V und W sind zwei Vektorräume. Eine Funktion T nennt man eine lineare Transformation von V
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
MehrMultiplikation und Division in Polarform
Multiplikation und Division in Polarform 1-E1 1-E Multiplikation und Division in Polarform: Mathematisches Rüstzeug n m b b = b n+m bn bm = bn m ( b n )m = b n m Additionstheoreme: cos 1 = cos 1 cos sin
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
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
MehrLineare Abbildungen (Teschl/Teschl 10.3, 11.2)
Lineare Abbildungen (Teschl/Teschl.3,.2 Eine lineare Abbildung ist eine Abbildung zwischen zwei Vektorräumen, die mit den Vektoroperationen Addition und Multiplikation mit Skalaren verträglich ist. Formal:
MehrYOUNG SCIENTISTS. 4 dimensionale komplexe Zahlen in der Computergrafik. Bastian Weiß 19. Mai 2017 INSTITUT FÜR ANGEWANDTE GEOMETRIE
YOUNG SCIENTISTS 4 dimensionale komplexe in der Computergrafik Bastian Weiß 19. Mai 2017 INSTITUT FÜR ANGEWANDTE GEOMETRIE Programm Vorbereitung (Wiederholung) Komplexe Vektoren Quaternionen Quaternionen
MehrKapitel 3. Transformationen
Oyun Namdag Am 08.11.2007 WS 07/08 Proseminar Numerik: Mathematics for 3D game programming & computer graphics Dozenten: Prof. Dr. V. Schulz, C. Schillings Universität Trier Kapitel 3 Transformationen
Mehr6Si 6. Signal-und Bildfilterung sowie. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1
6Si 6. Signal-und Bildfilterung sowie Korrelation H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I Bildfilterung und Korrelation Die lineare Bildfilterung wird zur Rauschunterdrückung
MehrA Die Menge C der komplexen Zahlen
A Die Menge C der komplexen Zahlen (Vgl. auch Abschnitt C) A.1 Definition Wir erweitern R um eine Zahl i / R (genannt imaginäre Einheit) mit der Eigenschaft i 2 i i = 1. (653) Unter einer komplexen Zahl
MehrVorlesung Mathematik 2 für Informatik
Vorlesung Mathematik für Informatik Inhalt: Lineare Algebra Rechnen mit Vektoren und Matrizen Lineare Gleichungssysteme, GauÿAlgorithmus Vektorräume, Lineare Abbildungen Eigenwerte und Eigenvektoren Literatur
Mehr1. Definition der trigonometrischen Funktionen für beliebige Winkel
1 Trigonometrie 2 1. Definition der trigonometrischen Funktionen für beliebige Winkel In einem Kreis mit Mittelpunkt M(0,0) und Radius r ist der zunächst spitze Winkel α gezeichnet. α legt auf dem Kreis
MehrMathematiklabor 2. Übungsblatt
Dr. Jörg-M. Sautter 3.4.7 Mathematiklabor. Übungsblatt Aufgabe : (Wiederholung) Laden Sie die Dateien mlintro?.m herunter und gehen Sie diese Schritt für Schritt durch. Aufgabe : (Matrix- und Vektoroperationen,
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
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrComputergrafik Universität Osnabrück, Henning Wenke,
Computergrafik Universität Osnabrück, Henning Wenke, 2012-05-30 Korrektur: Kugelkoordinaten II r und θ konstant: Rand einer Kreisscheibe parallel zur xy Ebene z θ fest y θ konstant, r R : Kegel, ausgehend
Mehr3D-Transformationen. Kapitel Translation Skalierung
Kapitel 13 3D-Transformationen Wie im weidimensionalen Fall, werden die Definitionspunkte der Objekte als Spaltenvektoren mit homogener Koordinate geschrieben. Die notwendigen Transformationen werden wieder
MehrSignal- und Systemtheorie
Thomas Frey, Martin Bossert Signal- und Systemtheorie Mit 117 Abbildungen, 26 Tabellen, 64 Aufgaben mit Lösungen und 84 Beispielen Teubner B.G.Teubner Stuttgart Leipzig Wiesbaden Inhaltsverzeichnis 1 Einleitung
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
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
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
Mehr3.7 Anti-Alias-Verfahren
3.7 Anti-Alias-Verfahren Wir hatten Treppeneffekte bereits beim Rastern von Bildern kennengelernt. Aber auch beim Wiederholen verkleinerter Texturen können sich durch Rasterungseffekte unschöne Interferenzerscheinungen
Mehr-dimensionale Darstellungen
1.9 2 1 2 -dimensionale Darstellungen Auf einer Fläche F (2 dimensional) wird eine Operation ausgeführt Zum Beispiel wir eine Verschiebung um den Vektor t durchgeführt. Gemeint ist der Körper, der überstrichen
MehrDeterminante und Inverse
Vorzeigeaufgaben: Determinante und Inverse Bestimmen Sie für welche a R die folgende Matrix invertierbar ist und berechnen Sie deren Inverse: A = a cos(x) sin(x) a sin(x) cos(x) Bestimmen Sie ob folgende
MehrFouriertransformation
Fouriertransformation Radix2 fast fourier transform nach Cooley/Tukey 1 Inhaltsübersicht Mathematische Grundlagen: Komplexe Zahlen und Einheitswurzeln Die diskrete Fouriertransformation Der Radix2-Algorithmus
MehrRelevante Frequenztransformationen
Relevante Frequenztransformationen Medientechnologie IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Sommersemester 206 Andreas Unterweger (FH Salzburg) Relevante Frequenztransformationen
Mehr4. Beschreibung von LTI-Systemen mit der Fourier-Transformation
Die Fourier-Transformation 1. Anwendungsbeispiele der Fourier-Transformation 2. Die kontinuierliche Fourier-Transformation 3. Die Fourier-Reihe 4. Beschreibung von LTI-Systemen mit der Fourier-Transformation
MehrNachrichtentechnik [NAT] Kapitel 4: Fourier-Transformation. Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik
Nachrichtentechnik [NAT] Kapitel 4: Fourier-Transformation Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik Sommersemester 25 Inhaltsverzeichnis Inhalt Inhaltsverzeichnis 4 Fourier-Transformation 3
MehrTransformation Allgemeines Die Lage eines Punktes kann durch einen Ortsvektor (ausgehend vom Ursprung des Koordinatensystems
Transformation - 1 1. Allgemeines 2. Zwei durch eine Translation verknüpfte gleichartige Basissysteme 3. Zwei durch eine Translation verknüpfte verschiedenartige Basissysteme (noch gleiche Orientierung)
MehrC A R L V O N O S S I E T Z K Y. Transformationen. Johannes Diemke. Übung im Modul OpenGL mit Java Wintersemester 2010/2011
C A R L V O N O S S I E T Z K Y Transformationen Johannes Diemke Übung im Modul OpenGL mit Java Wintersemester 2010/2011 Motivation Transformationen Sind Grundlage vieler Verfahren der Computergrafik Model-
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
MehrTransformation - Homogene Koordinaten. y + b )
Transformation - Homogene Koordinaten In der "üblichen" Behandlung werden für die Verschiebung (Translation) und die Drehung (Rotation) verschiedene Rechenvorschriften benutzt - einmal Addition von Vektoren
MehrD-MAVT/D-MATL Analysis I HS 2018 Dr. Andreas Steiger. Lösung - Serie 4
D-MAVT/D-MATL Analysis I HS 018 Dr. Andreas Steiger Lösung - Serie 4 MC-Aufgaben (Online-Abgabe) 1. Sei z := exp ( π 6 i) (5 + b i). Für welches b R ist z eine reelle Zahl? (a) 1 (b) (c) 1 5 (d) 5 (e)
MehrFourier Transformation
Fourier Transformation Frank Essenberger FU Berlin 8.Dezember 006 Inhaltsverzeichnis 1 Endliche Periodenlänge 1 Unendlich Periodenlänge 4 3 Die δ F unktion 4 4 Beispiele 6 4.1 Endliche Periodenlänge.......................
MehrDigitale Bildverarbeitung
Bernd Jahne Digitale Bildverarbeitung 6., überarbeitete und erweiterte Auflage Mit 248 Abbildungen und 155 Übungsaufgaben und CD-ROM Sy Springer Inhaltsverzeichnis I Grundlagen 1 Anwendungen und Werkzeuge
MehrFourier-Transformation Faltungseigenschaft, Sinusförmiger Input an LTI-Systemen
Telekommunikation und Informatik, Mathematik 2, T. Borer Übung 6-2003/04 Übung 6 Fourier-Transformation Faltungseigenschaft, Sinusförmiger Input an LTI-Systemen Lernziele - die Faltungseigenschaft der
MehrLineare Algebra I 14. Tutorium Lineare Abbildungen und Matrizen
Lineare Algebra I 4 Tutorium Lineare Abbildungen und Matrizen Fachbereich Mathematik WS / Prof Dr Kollross 7 Februar Dr Le Roux Dipl-Math Susanne Kürsten Aufgaben Aufgabe G (Bewegungen im ) Als Bewegung
MehrSchnelle Fouriertransformation (FFT)
Schnelle Fouriertransformation (FFT) Inhaltsverzeichnis 1 Schnelle Fouriertransformation (FFT)... 3 1.1 Das Realtime-Konzept der Goldammer-Messkarten... 3 1.2 Das Abtasttheorem oder Regeln für die Abtastung
Mehr