Einführung in die medizinische Bildverarbeitung SS 2013
|
|
- Kathrin Hofer
- vor 6 Jahren
- Abrufe
Transkript
1 Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1
2 Live-Wire Segmentierung ist ein halbautomatisches Verfahren zur kantenorientierten Segmentierung von einzelnen Bildobjekten es werden Objektkonturen interaktiv in das 2D-Bild eingezeichnet zwischen einem interaktiv markierten Konturpunkt und der Mausposition wird automatisch eine Verbindung entlang der Objektkante berechnet und angezeigt der Zielpunkt wird dann interaktiv gesetzt und als nächster Startpunkt für die nächste Teilkontur verwendet der gesuchte Konturabschnitt wird mittels graphentheoretischer Methoden und Algorithmen bestimmt dies wird als Optimierungsproblem behandelt Ziel: finden einer kostenoptimalen Verbindung zwischen zwei Konturpunkten Transformation des Bildes in einen Graphen und dort lösen [Quelle: H.Handels, Medizinische Bildverarbeitung] 2
3 sei G ein Graph: G = (V, E, c) repräsentiert durch die Menge seiner Knoten V (engl.: vertices), die Menge seiner Kanten E (engl.: edges) und einer Kostenfunktion c (engl.: costs) aus einem 2D-Bild f(x,y) mit x {0,..., N x } und y {0,..., N y } kann ein Graph G = (V, E, c) generiert werden mit der Knotenmenge V = { p=(x,y) mit x {0,..., N x } und y {0,..., N y } } = Pixelmenge mit der Kantenmenge E = { (p,q) p,q V } und der Kostenfunktion c: E R zwei Knoten im Graphen G sind durch eine Kante verbunden, also adjazent, wenn die zugehörigen Bildpunkte benachbart sind (i.d.r. N8-Nachbarschaft) der so gewonnene Graph wird als Kostengraph bezeichnet und repräsentiert das Bild eine Kontur im Bild korrespondiert zu einem Pfad im Kostengraphen Bildpunkte Knoten Benachbarte Bildpunkte Adjazente Knoten Kontur Pfad Bild Kostengraph 3
4 die Kosten für einen Pfad ergeben sich durch die Summe der Kantenkosten entlang des Pfades Ziel: Pfad finden mit minimalen Kosten zwischen den beiden Knoten Definition der Kosten um einen kostenoptimalen Pfad entlang der Objektkontur zu finden, muss die Kostenfunktion c so definiert sein, dass Pfade entlang von Objektkanten niedrige Kosten enthalten z.b. über die diskrete Approximation des Bildgradienten mittels Differenzen-Filter hier bei wird die Eigenschaft ausgenutzt, dass dieser an Kanten hohe und in homogenen Bereichen niedrige Werte aufweist daraus entsteht folgender Kostenterm grad f ( x, y) c Gradient = ( x, y) = 1 { ( )} max grad f x, y x { 0,...,N x },y { 0,...,N y } [ 0,1] hierdurch enthalten Punkte an der stärksten Kante den Kostenwert 0 und Punkte die in ideal homogenen Bereichen liegen den Kostenwert 1 eine kostenoptimale Verbindungslinie liegt also bevorzugt entlang starken Kanten 4
5 eine weitere Möglichkeit für Kanteninformationen ist der Laplace-Operator, der zusätzlich zur Gradienteneigenschaft auch die 2. Ableitung berücksichtigt (Nulldurchgang bei Kante) die Punkte können im Bild B L (nach Anwendung des Laplace-Operators) detektiert und binär markiert werden dabei wird der Kostenterm c Laplace folgendermaßen gewählt 0, falls B c Laplace ( x, y) = L x, y 1, sonst c lokal1 ( ) = 0 oder Vorzeichenwechsel vorkommt daraus ergibt sich für die Verbindung von zwei Knoten (bzw. Pixel p und q) durch eine Kante die Kostenfunktion ( p,q) = ω Gradient c Gradient ( q) + ω Laplace c Laplace ( q) mit ω Gradient,ω Laplace 0,1 [ ] als Gewichte der Kostenwert der Kante (p,q) wird dem Knoten q zugeordnet, womit die Kostenfunktion in einem Kostenbild visualisiert werden kann. Dies geschieht durch Darstellung des Pixels q durch einen Grauwert proportional zum Kostenwert Alternativ können auch Kantenfilter wie Sobel-, Marr-Hildreth-, Canny- oder Deriche-Filter verwendet werden 5
6 Darstellung des Kostenbildes gemäß Kostenfunktion [Quelle: H.Handels, Medizinische Bildverarbeitung] ein weiteres Kostenelement ist der Richtungsterm glatte Konturverläufe sollen während des Optimierungsprozesses bevorzugt werden (Richtung des Gradienten senkrecht zur Kante) betrachte zwei adjazente Knoten (benachbarte Pixel p und q): so ergibt sich der Einheitsvektor, der orthogonal zum Gradienten im Bildpunkt p steht 1 f y ( x, y) D( p) = D( x, y) = grad( f ( x, y) ) f x ( x, y) D(p) ist dabei in Relation zum Gradienten um 90 im Uhrzeigersinn gedreht und weist in Richtung der Kante 6
7 daraus ergibt sich der richtungsabhängige Kostenterm ( p,q) = 2 c Richtung 3π arccos d p p,q mit d p ( p,q) = D( p) L p,q und L( p,q) = { ( ) ( p,q) } + arccos d q ( ) und d q ( p,q) = D q q p q p falls D p ( ) q p ( ) 0 p q p q falls D p ( ) q p ( ) < 0 d p (p,q) und d q (p,q) sind dabei Skalarprodukte und L(p,q) der normierte Differenzenvektor zwischen p und q L(p,q) ist entweder horizontal, vertikal oder diagonal gerichtet, bedingt durch die betrachtete N8-Nachbarschaft ( ) L p,q ( ) für den Winkel zwischen den Vektoren D(p) und L(p,q) gilt dabei: ( ( )) = arccos d p ( p,q) arccos D( p) L p,q da d p (p,q) 0 ergibt sich: 0 c Richtung ( p,q) 2 π 3π 2 + π = 1 [ ] ( ) 0,π / 2 die Richtungskosten c Richtung zwischen p und q werden gering wenn beide Summanden in c Richtung ( p,q) = 2 { klein werden 3π arccos d p ( p,q) + arccos d q ( p,q) } 7
8 der Term d p (p,q) = D(p) L(p,q) wird klein, wenn der Verbindungsvektor L(p,q) zwischen p und q beinah orthogonal zum Gradienten steht und damit in die Kantenrichtung D(p) weist der Kostenterm d q (p,q) = D(q) L(p,q) wird klein, wenn die Gradientenrichtung in p und q ähnlich sind es wird bevorzugt der Nachbarpunkt q, für den bereits gefundenen Kantenpunkt p, verwendet, welcher in der Kantenrichtung von p liegt und ebenfalls eine ähnliche Gradientenrichtung wie p hat daraus ergibt sich eine erweiterte Definition einer Kostenfunktion p,q c lokal2 ( ) = ω Gradient c Gradient ( q) + ω Laplace c Laplace ( q) + ω Richtung c Richtung ( p,q) [ ] mit ω Gradient,ω Laplace,ω Richtung 0,1 für die Darstellung obiger Kostenfunktion werden 8 Bilder benötigt, da die Kosten der Kanten zwischen q und p i (i=1,...,8) variieren die Kosten zwischen zwei Knoten ergeben sich, wie zuvor erwähnt, als Summe der lokalen Kosten entlang des Pfades 8
9 Berechnung des Pfadgraphen nach Dijkstra Erstellung eines saatpunktspezifischen Pfadgraphen G s, welcher von jedem beliebigen Knoten (Bildpunkt) den kostengünstigsten Weg zum Saatpunkt S beschreibt die Menge E der expandierenden Knoten, verwaltet alle Knoten für die es bereits ein kostenoptimaler Pfad im Graphen G gefunden wurde die Menge R der erreichbaren Knoten, enthält alle Knoten für die ein Pfad zum Saatpunkt S bereits bekannt ist - aber nicht unbedingt optimal zusätzlich werden alle kumulativen Gesamtkosten aller Pfade von S zu einem in der Menge R enthaltenen Knoten verwaltet Ausgangspunkt ist der Saatpunkt S als Startpunkt der in die Menge R mit den kumulativen Kosten 0 eingefügt wird der saatpunktspezifische Graph G s ist dabei ein minimal spannender Baum gerichtete Kante eines Knotens p weist stets auf den adjazenten Knoten, der auf dem kostenoptimalen Pfad von S nach p der Vorgänger von p ist Pfadgraph G s beinhaltet alle optimalen Pfade von den expandierenden Punkten zum Saatpunkt S Visualisierung für zwei benachbarte Pixel z.b. über Zuordnung von 8 verschiedenen Grauwerten (8 Richtungen) 9
10 Algorithmus berechnet für ein Bild mit vorgegebenem Saatpunkt S den vollständigen Pfadgraphen G s mit kostenoptimalem Pfad für jeden Bildpunkt Reduktion des Berechnungsaufwandes durch anhalten der Berechnung, wenn Zielpunkt p expandiert worden ist, da der kostenoptimale Pfad zwischen S und p bereits in G s enthalten ist Reduktion ist größer, je größer das zu segmentierende Bild ist und je näher der Zielpunkt am Saatpunkt S liegt Berechnung zu einem interaktiv neu gewählten Zielpunkt, für den in G s noch kein kostenoptimaler Pfad existiert, erfolgt on demand (Echtzeit) [Quelle: H.Handels, Medizinische Bildverarbeitung] vollständiger Pfadgraph G s eingeschränkter Pfadgraph G s 10
11 Algorithmus nach Dijkstra zum Aufbau des saatpunktspezifischen Pfadgraphen (Pseudo-Code) BEGIN END E := { }; R := {S}; cs := 0; WHILE (R {}) DO BEGIN Wähle aus R den Knoten p mit geringsten kumulativen Kosten; Expandiere p, d.h. betrachte jeden Nachbarknoten q von p und prüfe IF (q R q E) THEN BEGIN END IF (der Knoten wurde bislang noch nicht erreicht) cq := cp + clokal(p,q) R := R {q}; (trage gerichtete Kante von q nach p im saatpunktspezifischen Graphen Gs ein) IF (q R q E) THEN BEGIN END IF (es gibt bereits einen Pfad von q zu S und Gs mit Kosten cq) IF (Cp + clokal(p,q)<cq) THEN BEGIN END IF (falls Pfad über p kostengünstiger ist) cq := cp + clokal(p,q); (aktualisiere die von q ausgehende Kante im Graphen Gs so, dass sie p als Endknoten aufweist) (falls q E tue nichts, da zu q bereits ein optimaler Pfad gefunden wurde) R := R/{p}; E := E {p}; END WHILE 11
12 Anwendung implizites Ausnutzen von Vorwissen des Anwenders Ausnutzen von Vorwissen über Kontureigenschaften wie Gradientenstärke und Glattheit der Kontur durch Kostenterme Punkte mit entlang glatten Konturverläufen und starken Gradientenbeträgen werden bevorzugt optimaler Pfad zwischen Punkt p und Saatpunkt S ergibt sich durch folgen der optimalen Verbindungen in G s vom Punkt p aus, bis S erreicht ist Hüftknochen Blase Wirbel 12
13 Erweiterungen Kontur Snapping in der dxd Umgebung des interaktiv selektierten Punktes wird automatisch der Punkt als Saatpunkt gewählt, der die niedrigsten lokalen Kosten c lokal1 hat damit ist sichergestellt, dass ein Kantenpunkt als Saatpunkt gewählt wird, auch wenn der interaktiv selektierte Punkt nicht auf einer Kante liegt (sofern dieser nicht weiter als d/2-1 Pixel entfernt liegt) Kostentraining durch die Definition ( ) = ω Gradient c Gradient ( q) + ω Laplace c Laplace ( q) + ω Richtung c Richtung ( p,q) c lokal2 p,q werden starke Kanten beim Finden der Kontur bevorzugt Problem was passiert, wenn das Objekt in der nähe einer starken Kante liegt, die aber nicht zum Objekt gehört? Lösung Trainieren der Kostenfunktion durch Berücksichtigung der Ähnlichkeit bereits segmentierter Konturteile in der Kostenfunktion 13
14 Kostentraining dies kann über Konturmerkmale wie Gradientenbeträge und Grauwerte entlang des Konturteils geschehen für jedes Konturmerkmal m M wird ein Histogramm generiert der Wertebereich des Merkmals wird äquidistant in n Intervalle {I 1,...I n } unterteilt das generierte Histogramm ˆp m :{ I 1,..., I n } [ 0,1] ist also ein Schätzer der Wahrscheinlichkeitsdichte des Konturmerkmals den Kostenfunktionsterm, bei dem niedrige Kosten zu häufig auftretenden Merkmalsausprägungen korrespondieren, liefert dabei die invertierte Histogrammfunktion 1 ˆp m Merkmalsausprägungen die nicht im Konturverlauf vorkommen haben maximale Kosten daraus ergibt sich: p,q c lokal3 ( ) = ω Gradient c Gradient ( q) + ω Laplace c Laplace ( q) + ω Richtung c Richtung ( p,q) + ω Training c Training ( q) ( ) mit c Training ( q) = 1 ˆp m I j m ( ) und m q ( ) I j und m M 14
15 Atlasbasierte Segmentierung Ausnutzung von Atlasinformationen zur Segmentierung verwendet wird die Ähnlichkeit des Konturverlaufs von anatomischen Strukturen in verschiedenen Aufnahmen hierdurch wird die verwendete Kostenfunktion strukturspezifisch justiert Zwei Schritte 1. Übertragung der Saatpunkte vom Referenz- in den Patientendatensatz 2. Verbindung der Saatpunkte im Patientendatensatz, durch Nutzung von Ähnlichkeiten zwischen Referenz- und Patientendatensatz Übertragung der Saatpunkte vom Atlas auf die Patientenkontur durch Bestimmung eines Punktes im Patientendatensatz der in der Nähe des korrespondierenden Punktes liegt und in der Umgebung eine ähnliche Grauwertkombination hat Verbindung der Saatpunkte durch Erweiterung der Kostenfunktion um Ähnlichkeiten (Grauwerte, Krümmung, Gradientenbeträge, usw.) der korrespondierenden Konturteilstücke zu berücksichtigen dies geschieht durch Nutzung der invertierten Histogramme der Konturmerkmale 15
16 Segmentierte Konturen und Krümmungsprofile [Quelle: H.Handels, Medizinische Bildverarbeitung] Atlaskonturen Atlas Segmentierte Patientenkonturen Patientendatensatz 16
17 Atlasbasierte Segmentierung (3D) die Vorverarbeitung besteht aus einer 3D-3D affinen voxelbasierten Registrierung, die beide 3D-Datensätze in ein gemeinsames Koordinatensystem überführt und ausrichtet danach wird für korrespondierende 2D-Bilder wie bei der atlasbasierten Segmentierung verfahren Konturpropagierung (3D) Annahme: bei verschiedenen pathologischen Strukturen (Tumore, etc.) zweier Patienten ist die Ähnlichkeit nicht gegeben also muss die Ähnlichkeit des Konturverlaufs in räumlich benachbarten Schichten genutzt werden im ersten Schritt muss in einem 2D-Schichtbild die Struktur mittels interaktivem Live- Wire-Verfahren segmentiert werden dies erstellt eine Referenzschicht aus der Referenzschicht werden die Saatpunkte automatisch in die benachbarten Schichten übertragen und dann verbunden (atlasbasierte Live-Wire-Segmentierung) die Referenzschicht dient also als Atlas unter der Annahme dass die Kontur ähnlich verläuft 17
18 Nachbarschicht Referenzschicht Nachbarschicht 18
Einführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel zentrales Problem in der medizinischen Bildanalyse eingesetzt in der computergestützten Diagnostik und Therapie bildet die Grundlage
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,
MehrAtlasbasierte 3D-Segmentierung medizinischer Bilddaten mit Fast-Marching-Methoden
Atlasbasierte 3D-Segmentierung medizinischer Bilddaten mit Fast-Marching-Methoden Michael Schwenke 1,2, Matthias Färber 1, Jan Ehrhardt 1, Andreas Plaß 2, Heinz Handels 1 1 Institut für Medizinische Informatik,
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
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Prozess einer räumliche Transformation zu finden um ein Bild auf ein anderes Bild abzubilden Eingabe: Fixed und
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
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
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
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
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
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
MehrDiskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9
MehrGraphen und Bäume. A.1 Graphen
Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt
Mehr4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1
Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau
MehrKap. 6.6: Kürzeste Wege
Kap. 6.6: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1./. VO DAP SS 009./9. Juli 009 1 Nachtest für Ausnahmefälle Di 1. Juli 009, 16:00 Uhr,
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
Mehr1 DFS-Bäume in ungerichteten Graphen
Praktikum Algorithmen-Entwurf (Teil 3) 06.11.2006 1 1 DFS-Bäume in ungerichteten Graphen Sei ein ungerichteter, zusammenhängender Graph G = (V, E) gegeben. Sei ferner ein Startknoten s V ausgewählt. Startet
MehrMinimal spannender Baum
Minimal spannender Baum 16 1 2 21 5 11 19 6 6 3 14 33 10 5 4 18 Die Kreise zeigen die vorgesehenen Standorte neu zu errichtender Filialen einer Bank. Entlang der bestehenden Straßen sollen Telefonleitungen
MehrWie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler
Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen? /Anwendungsgebiete Wenn man sie denn gefunden
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
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:
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrMatchings (Paarungen) in Graphen. PS Algorithmen auf Graphen SS `06 Steven Birr
Matchings (Paarungen) in Graphen PS Algorithmen auf Graphen SS `06 Steven Birr 1 Gliederung 1) Definitionen und Beispiele 2) Algorithmus des maximalen Matchings 3) Das Personal-Zuteilungsproblem Ungarischer
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
MehrSolutions I Publication:
WS 215/16 Solutions I Publication: 28.1.15 1 Vektor I 4 2 Ein Objekt A befindet sich bei a = 5. Das zweite Objekt B befindet sich bei b = 4. 2 3 (a) Die Entfernung von Objekt A zum Ursprung ist die Länge
MehrEinheit 11 - Graphen
Einheit - Graphen Bevor wir in medias res (eigentlich heißt es medias in res) gehen, eine Zusammenfassung der wichtigsten Definitionen und Notationen für Graphen. Graphen bestehen aus Knoten (vertex, vertices)
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrLösungen zu Kapitel 5
Lösungen zu Kapitel 5 Lösung zu Aufgabe : (a) Es gibt derartige Graphen: (b) Offensichtlich besitzen 0 der Graphen einen solchen Teilgraphen. Lösung zu Aufgabe : Es sei G = (V, E) zusammenhängend und V
MehrOperations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.
Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil
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
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
Mehr9 Minimum Spanning Trees
Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne
MehrNachbarschaft, Grad, regulär, Inzidenz
Nachbarschaft, Grad, regulär, Inzidenz Definition Eigenschaften von Graphen Sei G = (V, E) ein ungerichteter Graph. 1 Die Nachbarschaftschaft Γ(u) eines Knoten u V ist Γ(u) := {v V {u, v} E}. 2 Der Grad
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
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
MehrBerechnung von Abständen
3. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 3.4. Es sei G = (V, E) ein Graph. Der Abstand d(v, w) zweier Knoten v, w V ist die minimale Länge eines Weges von v nach w.
MehrVerkettete Datenstrukturen: Bäume
Verkettete Datenstrukturen: Bäume 1 Graphen Gerichteter Graph: Menge von Knoten (= Elementen) + Menge von Kanten. Kante: Verbindung zwischen zwei Knoten k 1 k 2 = Paar von Knoten (k 1, k 2 ). Menge aller
MehrStud.-Nummer: Datenstrukturen & Algorithmen Seite 1
Stud.-Nummer: Datenstrukturen & Algorithmen Seite 1 Aufgabe 1. / 16 P Instruktionen: 1) In dieser Aufgabe sollen Sie nur die Ergebnisse angeben. Diese können Sie direkt bei den Aufgaben notieren. 2) Sofern
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrLernunterlagen Vektoren in R 2
Die Menge aller reellen Zahlen wird mit R bezeichnet, die Menge aller Paare a 1 a 2 reeller Zahlen wird mit R 2 bezeichnet. Definition der Menge R 2 : R 2 { a 1 a 2 a 1, a 2 R} Ein Zahlenpaar a 1 a 2 bezeichnet
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
Mehr\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
MehrAlle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)).
8. Untere Schranken für Sortieren Alle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)). Werden nun gemeinsame Eigenschaften dieser Algorithmen untersuchen. Fassen gemeinsame
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
MehrBildverarbeitung: Diffusion Filters. D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10
Bildverarbeitung: Diffusion Filters D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10 Diffusion Idee Motiviert durch physikalische Prozesse Ausgleich der Konzentration eines Stoffes. Konzentration
MehrMustererkennung: Graphentheorie
Mustererkennung: Graphentheorie D. Schlesinger TUD/INF/KI/IS D. Schlesinger () ME: Graphentheorie 1 / 9 Definitionen Ein Graph ist ein Paar G = (V, E) mit der Menge der Knoten V und der Menge der Kanten:
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
MehrKürzeste Wege in einem gewichteten Graphen. Anwendungen
Kürzeste Wege in einem gewichteten Graphen Dazu werden die Gewichte als Weglängen interpretiert. Der kürzeste Weg zwischen zwei Knoten in einem zusammenhängenden Graphen ist derjenige, bei dem die Summe
MehrEuler und Hamiltonkreise
Euler und Hamiltonkreise 1. Königsberger Brücken 2. Eulerwege und Kreise Definition, Algorithmus mit Tiefensuche 3. Hamiltonwege und Kreise Definition 4. Problem des Handlungsreisenden Enumeration und
MehrZiel: Erkennen von Geraden allgemeiner: von einfachen parametrischen Kurven (Kreise, Ellipsen...)
6. Die Hough-Transformation (sprich: "haff") P.V.C. Hough, Patentschrift von 1962 Ziel: Erkennen von Geraden allgemeiner: von einfachen parametrischen Kurven (Kreise, Ellipsen...) Anwendung: Detektion
MehrGeometrische Algorithmen Segmentschnitt
Folie 1 von 36 Geometrische Algorithmen Segmentschnitt Folie 2 von 36 Segmentschnitt Übersicht Zwei Segmente Lage zweier Segmente Prüfung auf Schnittfreiheit Formeln zum Geradenschnitt Feststellen des
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
MehrWS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrWasserscheiden-Ansätze zur Bildsegmentierung I
Seminar Bildsegmentierung und Computer Vision Wasserscheiden-Ansätze zur Bildsegmentierung I Stefan Sugg 19.12.2005 Gliederung 1. Einführung 2. Morphologische Grundlagen 3. Simulation durch Überflutung
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung ITK Konzepte aus PAD1/2 Template Klassen Typedefs Smart Pointer (für ITK Objekte) Fehlerbehebung Doku, Mailing-List
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
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
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)
WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 22. Januar 2014 ZÜ DS ZÜ XIII
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Bäume)
WS 2016/17 Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrUberblick 1. Problemstellung 2. Kongurationsraum 3. Bewegungsplanung fur einen Punktroboter 4. Minkowski Summen 5. Pseudo-Scheiben 6. Bewegungsplanung
Vorlesung Geometrische Algorithmen Bewegungsplanung fur Roboter (Robot Motion Planning) Sven Schuierer Uberblick 1. Problemstellung 2. Kongurationsraum 3. Bewegungsplanung fur einen Punktroboter 4. Minkowski
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
MehrWintersemester 2004/ Februar 2005
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
Mehr5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (18 Bäume: Grundlagen und natürliche Suchbäume) Prof. Dr. Susanne Albers Bäume (1) Bäume sind verallgemeinerte Listen (jedes Knoten-Element kann mehr
Mehr= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2
1 Graphen Definition: Ein Graph G = (V,E) setzt sich aus einer Knotenmenge V und einer (Multi)Menge E V V, die als Kantenmenge bezeichnet wird, zusammen. Falls E symmetrisch ist, d.h.( u,v V)[(u,v) E (v,u)
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
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrKapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Teil 10 Suche in Graphen Version vom 13. Dezember 2016 1 / 2 Vorlesung 2016 / 2017 2 /
MehrBildverarbeitung: Kontinuierliche Energieminimierung. D. Schlesinger BV: () Kontinuierliche Energieminimierung 1 / 9
Bildverarbeitung: Kontinuierliche Energieminimierung D. Schlesinger BV: () Kontinuierliche Energieminimierung 1 / 9 Idee Statt zu sagen, wie die Lösung geändert werden muss (explizite Algorithmus, Diffusion),
MehrDiskrete Mathematik 1
Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 2008/09 Blatt
MehrFerienkurs Propädeutikum Diskrete Mathematik
Ferienkurs Propädeutikum Diskrete Mathematik Teil 3: Grundlagen Graphentheorie Tina Janne Schmidt Technische Universität München April 2012 Tina Janne Schmidt (TU München) Ferienkurs Propädeutikum Diskrete
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
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
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
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 11. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen Safe
Mehr