Graphische Datenverarbeitung
|
|
- Marie Walter
- vor 6 Jahren
- Abrufe
Transkript
1 Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder
2 Übersicht l Neu Folien:, 28 und ab 56 l Maße zur Beurteilung von Bildern: l Histogramm l Entropie l Punktoperationen: l Lineare Veränderung der Grauwerte: l Addition & Multiplikation l Komb. aus Add. & Mult.: lineare Grauwerttransformation l Binarisierung & Äquidistantenbildung (Vorgriff auf Kap. 4) l Nicht lineare Veränderung der Grauwerte: l Gamma-Korrektur l Lokale Bildoperatoren: l Faltung l Rangfolgeoperatoren
3 Ein Maß zur Beurteilung eines Bildes Histogramm: Häufigkeitsverteilung der Grauwerte Häufigkeit eines Grauwertes Grauwerte Zugrunde liegendes Grautonbild
4 Histogramm: Häufigkeitsverteilung der Grauwerte
5 Wie sehen die Histogramme aus?
6 Was ist aus einem Histogramm abzulesen? Belichtungsfehler l ein Ende der Grauwertskala bleibt ungenutzt l Während beim anderen Ende Häufungen eintreten Kontrast l Als Kontrast bezeichnet man die Differenz zwischen minimal und maximal genutzten Grauwert. Ein voller Kontrast nützt den gesamten Grauwertbereich. Dynamik l Unter Dynamik versteht man die Anzahl verschiedener Pixelwerte in einem Bild. Im Idealfall wird der Wertebereich voll ausgeschöpft.
7 Im Histogramm sichtbar: Kontrast & Dynamik l Eingeschränkter Kontrastumfang l mit eingeschränkter Dynamik im Kontrastbereich Woher kommen die Spitzen im Histogramm? Wenn diese Lücke gefüllt wäre, hätte man die maximal mögliche Dynamik im eingeschränken Kontrastbereich erreicht
8 Im Histogramm sichtbar: Auswirkungen von Kompression Durch die JPEG-Komprimierung sind, neben weiß und schwarz, zusätzliche Grauwerte hinzugekommen.
9 Punktoperationen Punktoperation: l Berechnungsvorschrift wird auf jeden Pixel angewendet. l Nachbarschaften spielen keine Rolle Einige mögliche Punktoperationen: l Addition l Invertieren l Addition & Multiplikation: Lineare Grauwerttransformation l Gamma-Korrektur
10 gg -Diagramm g Identische Abbildung der Grauwerte des Ausgangsbildes g MAX Bereich in dem sich die Grauwerte nach der Abbildung befinden g max g min g MIN gmin Histogramm des Ausgangsbildes gmin gmax gmax g
11 absolute Häufigkeit Invertieren eines Bildes Pixeloperation: g (i,j)=gmax-g(i,j) daraus folgt: h(gi ) = h(gmax-i) Grauwerte
12 Kontrast kontrastreich Dg kontrastarm Dg Grauwertbilder Histogramme
13 Punktoperation: Addition Pixeloperation: g(i,j) <= 25 dann g (i,j) = g(i,j) + 5 g(i,j) > 25 dann g (i,j) = 255
14 Punktoperation: Addition g = Min(g+5,255) g Wie wirkt sich die Addition im Histogramm aus, wenn die relative Häufigkeit der Grauwerte vorher für alle Grauwerte gleich war?
15 Punktoperation: Biniarisierung g g
16 Punktoperation: Biniarisierung g 255 gs=2 g gs=3 Schwellwert gs=2
17 Punktoperation: Äquidensitenbild (Poster) g 255 g mit 6 gleichmäßig verteilten Stufen
18 Punktoperation: Äquidensitenbild (Poster) mit 4 gleichmäßig verteilten Stufen
19 Wie kann man den Kontrast erhöhen?
20 Kontrasterhöhung: Das nennt man lineare Grauwerttransformation!
21 Nach der Kontrasterhöhung:
22 Punktoperation: Lineare Grauwerttransformation Multiplikation bewirkt, dass nicht mehr jeder Grauwert genutzt wird!!
23 Nutzen des optimalen Grauwertbereichs g g Wie berechnet man das?
24 Nutzen des optimalen Grauwertbereichs. Teilschritt g 255 Kontrastumfang g g = max( g, ) sorgt dafür, dass g nicht kleiner werden kann.
25 Nutzen des optimalen Grauwertbereichs 2. Teilschritt g g 255 Üben anhand kleiner Zahlen: g ' (g ) 78 mit g = wenn g < g = 255 wenn g > 255
26 Lineare Grauwerttransformation g MAX g MIN g ' (i, j ) [ g (i, j ) g min ] g max g min g MIN falls g ' (i, j ) g MIN wäre mit g ' (i, j ) g MAX falls g ' (i, j ) g MAX wäre
27 Lineare Grauwerttransformation g MIN falls g ' (i, j ) g MIN wäre g MAX g MIN g ' (i, j ) [ g (i, j ) g min ] mit g ' (i, j ) g max g min g MAX falls g ' (i, j ) g MAX wäre Umrechnung zur eigentlichen linearen Grauwerttransformation: g g ' (i, j ) g (i, j ) g MAX g MIN g g MIN g MAX g min MAX g max g min g max g min g ' (i, j, ) g (i, j ) mult add g g MIN mult MAX mit g max g min add g min mult g MIN gmin gmin gmax gmax
28 Lineare Grauwerttransformation g 'MAX g 'MIN g 'MAX g 'MIN g ' (i, j ) g (i, j ) g min g max g min g max g min g ' (i, j, ) g (i, j ) mult add g ' g 'MIN mult MAX mit g max g min add g min mult Ste g igu ng d g255 MAX er Str eck e gmin gmax gmax g
29 Lineare Grauwerttransformation gm ' (i, j ) g (i, j ) g 'MAX g 'MIN g ' g 'MIN g min MAX g max g min g max g min g g ' (i, j, ) g (i, j ) mult add g 255 MAX g 'MAX g 'MIN mult mit g max g min add g min mult Abstand zwischen gm -Kurve und Zielfunktion gmin gmax gmax g
30 Lineare Grauwerttransformation m g 'MAX g 'MIN g 'MAX g 'MIN g ' (i, j ) g (i, j ) g min g max g min g max g min g g ' (i, j, ) g (i, j ) mult add g 255 MAX g g MIN mult MAX mit g max g min add g min mult Welchen Wert muss man von der gm Kurve abziehen um zur Zielfunktion zu kommen? -gmin * mult gmin gmax gmax g
31 Lineare Grauwerttransformation g 'MAX g 'MIN g 'MAX g 'MIN g ' (i, j ) g (i, j ) g min g max g min g max g min g ' (i, j, ) g (i, j ) mult add g g 255 MAX g ' g 'MIN mult MAX mit g max g min add g min mult gmin gmax gmax g
32 Punktoperation und lokale Bildoperation Punktoperation Original Bild Transformiertes Bild Lokale Bildoperation Original Bild Transformiertes Bild
33 N4- und N8-Nachbarschaften 4er-Nachbarschaft Original Bild Transformiertes Bild
34 N4- und N8-Nachbarschaften 4er-Nachbarschaft 8er-Nachbarschaft Faltungsmatrix
35 Faltung: Identität FI=
36 Faltung l l l l Ergebniswerte e(i,j) Position des aktuell betrachteten Pixels (i,j) Grauwerte des aktuell betrachten Pixels g(i,j) Wert der Faltungsmatrix f(k,l) Beispiel einer 3x3-Faltungsmatrix 2 2 e(i, j ) g(i k, j l ) * f (k, l ) l k
37 Faltung: Glättung der Bildfunktion FM= Tafelbeispiel: Bild ist 8*6 Pixel groß?
38 Faltung: Glättung der Bildfunktion FM= Tafelbeispiel: g (i,j)= 255*8/9 = 227
39 Faltung von farbigen Bildern.Aufteilen in die unterschiedlichen RGB-Farbkanäle 2.Grauwertbilder filtern 3.Farbbild erstellen R G B
40 Wie muss die Faltungsmatrix aussehen um ein Bild zu glätten?
41 Glättungsfilter im Vergleich FM= FG= Gaus-Filter Mittelwert-Filter
42 Faltung Lineare Grauwerttransformation für l Mittelwert: mult = /9 & add = l gmin = l gmax = 9 * 255 = 2295 l Gaus-Filter: mult = /6 & add = Formel zur linearen Grauwerttransformation: g ' (i, j, ) g (i, j ) mult add g ' g 'MIN mult MAX mit g max g min add g min mult
43 Glättungsfilter im Vergleich l Mittelwert-Filter l Gaus-Filter
44 Wirkung des Gaus-Filters (5x5-Faltungsmatrix) Original und gefiltert
45 Bilder von Peter Wienerroither Woran erkennt man am digitalen Bild verwaschene (unscharfe) und kontrastreiche (scharfe) Bildbereiche?
46 Bilder von Peter Wienerroither Woran erkennt man am digitalen Bild verwaschene (unscharfe) und kontrastreiche (scharfe) Bildbereiche?
47 Wie muss die Faltungsmatrix aussehen, die den Kontrast verstärkt? Kanten müssen betont werden! Vorgehen: l Kanten finden und hervorheben l Mit Originalbild verknüpfen
48 Biologische Kontrastverstärkung Gleichbleibende Reize von Flächen werden gedämpft und Kontraste überzeichnet Testbild Stark überzeichnet dargestellte Wahrnehmung
49 Vorbereitungen zur Kantendetektion Grauwertprofil s(x) Bildzeile Funktion, die den Grauwertverlauf entlang dieser Bildzeile darstellt
50 Vorbereitungen zur Kantendetektion Grauwertprofil s(x). Ableitung s (x)
51 Für eine stetige Funktion s(x) gilt:. Ableitung von s(x) ist definiert durch: lim g ( x x ) g ( x ) g' ( x) x x Grenzwertbildung für Funktionen mit einen diskreten x : g ( x ) g ( x ) g ( x ) g ( x )
52 Differenzenoperatoren FDy= -
53 Umsetzung der. Ableitung: Differenzoperatoren Negative Werte können auftreten: FDy { 255,..., 255} FDy= -
54 Wirkung des horizontalen Differenzoperators
55 Differenzenoperatoren FDx= -
56 Differenzenoperatoren FDx= - - -
57 Anwendung der folgenden Differenzoperatoren: FDx= - FDx= -
58 Kantendetektoren in senkrechter, waagrechter (oben) und diagonaler Ausrichtung (unten)
59 Kombinationsfilter: Ermittelt Kanten in allen Richtungen FD + FD2 + FD3 + FD4 = FK = - 3 3
60 Anwendung des Kombinationsfilters Vergleich mit dem vertikalen Differenzoperator
61 Wie kombiniert man die ursprüngliche Bildinformation mit dem Kombinationsfilter?
62 Relief-Filter Original Bild FR=n*FI+FD2= n - - FR=n*FI+FD4= - n
63 Anwendung des Kombinationsfilters mit unterschiedlichen n: original n=3 n= n=7
64 Kantendetektion mit dem Laplace-Operator Grauwertprofil von g(x).ableitung von s(x): g (x) 2.Ableitung von s(x): g (x)
65 2. Ableitung von s(x) mit einem diskreten x ( g ( x x ) g ( x)) ( g ( x) g ( x x)) g ' ' ( x) lim x x g ' ' ( x ) g ( x ) 2 g ( x ) g ( x ) Für Rasterbilder: x 2. Ableitung in wagrechter & senkrechter Richtung: -4 Laplace-Operator
66 Laplace-Operator zur Kantendetektion Grauwertprofil. Ableitung 2. Ableitung FL= -4
67 Laplace-Operator zur Kantendetektion Original Bild FL= -4
68 Kantendetektion mit Laplace-Operator
69 Vom Laplace-Operator zur Kontrastverbesserung FL= -4 FK = n*fidentity-fl FK = - - n+4 - -
70 Kontrastverbesserung mit dem Laplace-Operator Original Bild FK= - - n+4 - -
71 Kontrastverbesserung mit Laplace-Operator
72 Wiederholung: Faltungsoperatoren l l l l Mittelwertoperator (Weichzeichner) Differenzoperatoren (Kantendetektor) Laplace-Operator Kontrastverstärker Kennen Sie auch l Biniarisierung l Identitätsoperator
73 Rangfolgeoperatoren Rangfolge der Grauwerte wird gebildet:.sortieren: g g... gn 2.Entsprechend des Operators wird ein Grauwert an einer spezifischen Position der Rangfolge ausgewählt: l Median-Operator: g (i,j) = g4 l Erosion: g (i,j) = g l Dilatation: g (i,j) = g8
74 Rangfolgeoperatoren / Rangordnungsoperatoren l l l l l Median Dilatation Erosion Opening Closing
75 Rangfolgeoperatoren / Rangordnungsoperatoren Am Beispiel der N8-Nachbarschaft: l Aktuell betrachtete Bildposition: g(i,j) l g(i,j) und die Grauwerte der Nachbarschaft werden größenabhängig sortiert: g g... g n l Rangfolgeoperatoren wählen nun bestimmte Positionen dieser Sortierung aus...
76 Rangfolgeoperatoren / Rangordnungsoperatoren Beispiele für strukturierende Elemente l Bezugspunkt: l Nachbarpunkt: Elementarrechteck Elementarraute N4-Nachbarschaft N8-Nachbarschaft Schräges Element
77 Medianfilter Bezugspunkt nimmt mittleren Grauwert der Rangfolge an:.sortieren: g g... gn 2.Für eine N8-Nachbarschaft gilt: g (i,j) = g4 l. Verbesserung von verrauschten Bildern: Eliminiert isolierte, fehlerhafte Bildpunkte l. Kanten werden jedoch nicht verwaschen (vergleiche Mittelwertoperator)
78 Medianoperator Originalbild W. Kestner: Folien zur Vorlesung GDV I Ausschnitt nach Anwendung des Medianoperators
79 Medianoperator Original Ergebnis W. Kestner: Folien zur Vorlesung GDV I
80 Medianoperator Original Ergebnis W. Kestner: Folien zur Vorlesung GDV I
81 Vergleich: Mittelwert- und Medianoperator Original 3x3 Mittelwert W. Kestner: Folien zur Vorlesung GDV I 3x3 Median
82 Vergleich: Mittelwert- und Medianoperator Ausgangsbilder 3x3 Mittelwert 3x3 Median W. Kestner: Folien zur Vorlesung GDV I
83 Vergleich: Mittelwert und Median Ausgangsbild 3x3 Mittelwert 3x3 Median
84 Anwendung des Median-Filter bei einem verrauschten Bild Quelle:
85 Dilatation Bezugspunkt nimmt maximalen Grauwert der Rangfolge an: g g... g n.sortieren: 2.Für eine N8-Nachbarschaft gilt: g (i,j) = g8 Allgemein: dil( x, y ) max {se ( x i, y j ) k (i, j )} i,j Die Indizes i und j laufen dabei über den Geltungsbereich des strukturierenden Elements. Folge: Ausdehnung der helleren Bereiche (=Bildvordergrund)
86 Dilatation Originalbild Ausschnitt nach Anwendung der Dilatation
87 Erosion Bezugspunkt nimmt minimalen Grauwert der Rangfolge an:.sortieren: g g... gn 2.Für eine N8-Nachbarschaft gilt: g (i,j) = g Allgemein: ero( x, y ) min{se ( x i, y j ) k (i, j )} i,j Die Indices i und j laufen dabei über den Geltungsbereich des strukturierenden Elements. Folge: Ausdehnung der dunkleren Bereiche (=Bildhintergrund)
88 Erosion Originalbild Ausschnitt nach Anwendung der Erosion
89 5 Minuten Aufgabe: Im Bild sollen nur die Pixel der Pfeile sichtbar sein. Wie würden Sie vorgehen?
90 Biniarisierung des Originalbildes Original Histogramm Schwellwert 27 Schwellwert 225
91 Anwendung von Opening und Closing um ein biniarisiertes Bild für die Segmentierung vorzubereiten: Aufgaben: l Rauschen eliminieren l Lücken innerhalb des Pfeils schließen Idee zur Elimination des Rauschens: x Erosion x Dilatation
92 . Lösung: Ein Opening gefolgt von einem Closing 2. eine Dilatation 3. eine Dilatation 4. eine Erosion Opening. eine Erosion Closing
93 2. Lösung: Ein Closing gefolgt von einem Opening 2. eine Erosion 3. eine Erosion 4. eine Dilatation Closing. eine Dilatation Opening
94 Segmentierung dient zur l Unterscheidung der Objekte vom Hintergrund und l zur Unterscheidung der Objekte untereinander. A: Original Bild, B: Knochengewebe wird hervorgehoben, C: Lungengewebe wird hervorgehoben
95 Zusammenhangskomponente (ZHK) in 2D Der Vordergrund (blau) enthält 7 N4 ZHK 2 N8 ZHK Vorder- und Hintergrund müssen immer mit entgegen gesetzten Nachbarschaftsverhältnis ermittelt werden. Warum?
96 Zusammenhangskomponente (ZHK) in 2D Der Hintergrund enthält 4 N4 ZHK N8 ZHK
97 Variante der ZHK-Markierung: Rekursives Fluten
98 Rekursives Fluten N8 Nachbarschaft N4 Nachbarschaft Quelle:
99 Rekursives Fluten (~floodfill) in größerem Maßstab Quelle:
100 Übersicht l Maße zur Beurteilung von Bildern: l Histogramm l Entropie l Punktoperationen: l Lineare Veränderung der Grauwerte: l Addition & Multiplikation l Komb. aus Add. & Mult.: lineare Grauwerttransformation l Binarisierung & Äquidistantenbildung (Vorgriff auf Kap. 4) l Nicht lineare Veränderung der Grauwerte: l Gamma-Korrektur l Lokale Bildoperatoren: l Faltung l Rangfolgeoperatoren
101 Motivation zur Gamma-Korrektur l Charge Coupled Device = Ladungsgekoppelte Bildsensoren l am weitesten verbreitet: Scanner, Digitalkamera l Wandelt Lichtenergie in elektrischen Strom um:
102 Der entstandene Fehler muss durch eine Korrekturfunktion die Gammakorrektur behoben werden:
103 Verlauf der Gamma-Korrektur g' gmax g gmax g=2 g=,5 :
104 Gamma-Korrektur Nicht lineares Aufhellen der Grauwerte
105 Gamma-Korrektur Welche Bereiche werden aufgehellt und welche abgedunkelt? Wie ändert sich der Kontrast?
106 Gamma-Korrektur Nicht lineares Abdunkeln der Grauwerte g /gmax g=.5 g/gmax Welche Bereiche werden aufgehellt und welche abgedunkelt? g' Wie ändert sich der Kontrast? gmax g gmax.5 g-wert
Struktur des menschlichen Auges. Bildgebende Verfahren in der Medizin und medizinische Bildverarbeitung Bildverbesserung 2 / 99
Struktur des menschlichen Auges 2 / 99 Detektoren im Auge Ca. 100 150 Mio. Stäbchen Ca. 1 Mio. Zäpfchen 3 / 99 Zapfen Entlang der Sehachse, im Fokus Tagessehen (Photopisches Sehen) Scharfsehen Farbsehen
MehrPraktikum-Meßtechnik Verfasser: Dr. H. Bergelt
TU Bergakademie Freiberg Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt Filter in der Bildverarbeitung. Einleitung Digitale Filter gehören zu den wirkungsvollsten Methoden der Bildverarbeitung. Wir können
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
MehrMorphologische Filter
Morphologische Filter Industrielle Bildverarbeitung, Vorlesung No. 8 1 M. O. Franz 28.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Morphologische
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
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
Mehr2D Graphik: Bildverbesserung. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005
2D Graphik: Bildverbesserung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005 Themen heute Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert Was ist
MehrBildverbesserung (Image Enhancement)
Prof. Dr. Wolfgang Konen, Thomas Zielke Bildverbesserung (Image Enhancement) WS07 7.1 Konen, Zielke Der Prozess der Bildverbesserung (1) Bildverbesserung wird häufig dafür eingesetzt, die für einen menschlichen
MehrBildverarbeitung Herbstsemester
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Filter Filter 1 Inhalt Lineare und nichtlineare Filter Glättungsfilter (z.b. Gauss-Filter) Differenzfilter (z.b. Laplace-Filter) Lineare Faltung
MehrFILTER UND FALTUNGEN
Ausarbeitung zum Vortrag von Daniel Schmitzek im Seminar Verarbeitung und Manipulation digitaler Bilder I n h a l t. Der Begriff des Filters 3 2. Faltungsfilter 4 2. Glättungsfilter 4 2.2 Filter zur Kantendetektion
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
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrBildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg
Bildverbesserung Frequenz-, Punkt- und Maskenoperationen Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x) local-domain frequency-domain
MehrModul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt
Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften
MehrDigitale Bildverarbeitung Einheit 6 Punktoperationen
Digitale Bildverarbeitung Einheit 6 Punktoperationen Lehrauftrag WS 06/07 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Elementare Bildverbesserung
Mehr9. Kombination von Vektor- und Rasterdaten
9. Kombination von Vektor- und Rasterdaten 1. Vergleich von Vektor- und Rasterdaten 2. Morphologische Operationen 3. Transformationen des Formats 4. Kombinierte Auswertungen Geo-Informationssysteme 224
MehrProbleme bei der Bildverarbeitung. Digitale Bildverarbeitung. Charge-Coupled-Device Kameras. Beispiel Schärfentiefe
Digitale Bildverarbeitung Keine Bildbearbeitung (z.b. Photoshop) Behandlung von zur Computergrafik inversen Problemen Erkennen von Objekten in Bildern sowie Bestimmung deren 2D (3D) Lage im Bild (im Raum)
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag WS 2007/2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrDigitale Bildverarbeitung
Übungsaufgaben zur Vorlesung: Digitale Bildverarbeitung Allgemeine Fragen ) Sie haben im Rahmen der Vorlesung Operatoren für die digitale Bildverarbeitung kennengelernt. a) In welche beiden Bereiche lässt
MehrKapitel 9 Kombination von Vektor- und Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2014/15
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
MehrZu hell oder zu dunkel? Histogramm im ueye Cockpit nutzen
Zu hell oder zu dunkel? Histogramm im ueye Cockpit nutzen Kennen Sie das? Ihr Bild wirkt flau oder in dem dunklen, kontrastarmen Bild können Sie die aufgenommenen Objekte nicht unterscheiden. In diesem
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrBildverarbeitung Herbstsemester Punktoperationen
Bildverarbeitung Herbstsemester 2012 Punktoperationen 1 Inhalt Histogramm und dessen Interpretation Definition von Punktoperationen Änderungen der Bildintensität Linearer Histogrammausgleich Gammakorrektur
MehrPrüfung Grundlagen der digitalen Bildbearbeitung
Prüfung Grundlagen der digitalen Bildbearbeitung 14.06.2005 1) Gegeben sind 24 Bilder, die als Eingabe als auch als Ergebnis einer der 10 Bildoperationen auftreten können. (14 Punkte) 10 folgenden Bildoperationen,
Mehr6. Tonwertkorrektur. HBS Gimp 2
6. Tonwertkorrektur Im vorigen Kapitel wurde gezeigt, wie man Bild vom Scanner oder der Digitalkamera grob korrigiert. In Kapitel 6 beschäftigen wir uns mit den anschließend durchzuführenden Arbeiten,
MehrMorphologie auf Binärbildern
Morphologie auf Binärbildern WS07 5.1 Konen, Zielke WS07 5.2 Konen, Zielke Motivation Aufgabe: Objekte zählen Probleme: "Salt-&-Pepper"-Rauschen erzeugt falsche Objekte Verschmelzen richtiger Objekte durch
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
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:
MehrDistributed Algorithms. Image and Video Processing
Chapter 7 High Dynamic Range (HDR) Distributed Algorithms for Quelle: wikipedia.org 2 1 High Dynamic Range bezeichnet ein hohes Kontrastverhältnis in einem Bild Kontrastverhältnis bei digitalem Bild: 1.000:1
MehrZusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann
Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:
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
MehrLU Grundlagen der digitalen Bildverarbeitung Abgabe 2. Gruppe 25 peter holzkorn andreas bretschneider martin tintel
LU Grundlagen der digitalen Bildverarbeitung Abgabe 2 Gruppe 25 peter holzkorn 0426262 andreas bretschneider 0327444 martin tintel 0402913 Beispiel 6 Texturanalyse und Texturklassifikation Texturklassen
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, wie lineare
MehrBildverarbeitung in R
Bildverarbeitung in R Tobias Klinke Proseminar R Fachbereich Informatik Fakultät für Mathematik, Informatik und Naturwissenschaften Universität Hamburg Betreuer: Jakob Lüttgau 2016-07-13 Tobias Klinke
MehrFilter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale
MehrPunktoperationen / Grauwerttransformationen
Fortsetzung zu Kapitel 4: Bildoperationen Punktoperationen / Grauwerttransformationen Zusammenfassung: wirken unabhängig von der Position im Bild Transformation T der Originalhelligkeit p in die Helligkeit
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
MehrDigitalisierung. Vorlesung FH-Hagenberg DSB
Digitalisierung Vorlesung FH-Hagenberg DSB Abbildungssysteme Camera obscura einfachstes Abbildungssystem bekannt seit dem Altertum Licht fällt durch eine Lochblende in das Innere einer abgedunkelten Kammer
Mehr14. Bildbearbeitung. Bildverbesserung Compositing, Masken, Layer-Techniken Painting. Bildverbesserung
14. Bildbearbeitung Bildverbesserung Compositing, Masken, Layer-Techniken Painting Bildverbesserung Einfachste Methode: Steuerung der Intensitätswiedergabe durch Anwendung von Funktionen auf alle 3 Grundfarben-Intensitäten
MehrMorphologische Filter. Vorlesung FH-Hagenberg DSB
Morphologische Filter Vorlesung FH-Hagenberg DSB Mathematische Morphologie Binäre Morphologie Strukturelement Grundlegende Operatoren Erosion, Dilation Abgeleitete Operatoren Open, close Grauwert-Morphologie
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
Mehr12.2 Grauwertmorphologie
12.2 Grauwertmorphologie 735 12.2 Grauwertmorphologie 12.2 12.2.1 Punktmenge eines Grauwertbildes Die Punktmenge eines Binärbildes besteht aus allen Pixeln vom Wert 1.Wie lässt sich nun ein Bild, das mehr
MehrEinführung in das 6. Aufgabenblatt: Bildverarbeitung und Klassifkation
Einführung in das 6. Aufgabenblatt: Bildverarbeitung und Klassifkation Philippe Dreuw dreuw@i6.informatik.rwth-aachen.de Praktikum im Grundstudium SS 2007 28. Juni 2007 Human Language Technology and Pattern
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
MehrStretching Fitswork und Photoshop. Markus Blauensteiner AAS Gahberg 2014
Stretching Fitswork und Photoshop Markus Blauensteiner AAS Gahberg 2014 www.deeplook.astronomie.at 1. Sauberer Import des.fits Summenbildes: - in Photoshop mit dem Plugin Fits Liberator möglich Hier gehen
MehrKAPITEL Füllmethoden von Ebenen 493. Zebra.tif
31 Füllmethoden von Ebenen KAPITEL 31 Bisher haben Sie sich bei der Verwendung von Ebenen ganz auf die richtige Reihenfolge und auf die Ebenenmasken verlassen. Alles, was über einer Ebene liegt, verdeckt
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
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
MehrRobert Klaßen. Photoshop Elements 5. für digitale Fotos. Zusatzkapitel Füllmethoden
Robert Klaßen Photoshop Elements 5 für digitale Fotos Zusatzkapitel Füllmethoden Photoshop Elements 5 für digitale Fotos Füllmethoden Um die verschiedenen Füllmethoden besser nachvollziehen zu können,
MehrGimp 2.6. Mag. Günther Laner HTLinn-Elektronik Bildbearbeitung Gimp
Bildbearbeitung Gimp Gimp 2.6 Gimp 2.6 Die wichtigsten Bildbearbeitungsfunktionen Bild drehen von liegend zu stehend Ändern der Bildgröße Ändern der Leinwandgröße Aufhellen, Abdunkeln Korrektur
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
MehrEn Theoriefragen LU GDBV
En Theoriefragen LU GDBV 1. Cooccurrence Matrix Die Cooccurrence Matrix wird auch als Gray-Tone Spatial- Dependence Matrices oder als Grauwertpaarhäufigkeitsmatrix (GPM) bezeichnet. Wir gehen von einem
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
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
MehrProseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev
Proseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev 1 Inhaltsverzeichnis: 1.Pixelbasierte Bildverbesserung...3 1.1.Monotone Grauwertabbildung...3 1.1.1.Maximierung des
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
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
MehrDigitale Bildbearbeitung und Fotografie. Dozenten: Arne Scheffer
Dozenten: Arne Scheffer Wiederholung: Kompression: Einführung zum Verständnis Teil 1: nicht fertig, Teil 2: nicht fertig, Teil 3: nicht fertig, Teil 4: nicht fertig Fortsetzung Teil 2: Teil 2.2: blau!
MehrEinfluss der Bildverarbeitung - Artefakte und Korrekturmöglichkeiten
Einfluss der Bildverarbeitung - Artefakte und Korrekturmöglichkeiten Karl-Friedrich Kamm Norderstedt Karl-Friedrich Kamm 29/07/2013 1 Mögliche Fehler bei digitalen Röntgenaufnahmen flaue Bilder fehlender
MehrIm Original veränderbare Word-Dateien
Helligkeit Belichtungskorrekturen Gelegentlich sind Bilder zu hell oder zu dunkel. Das passiert, wenn die Bilder mit der Kamera falsch belichtet wurden. Zu helle Bilder sind überbelichtet, zu dunkle Bilder
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
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
MehrKennen, können, beherrschen lernen was gebraucht wird
Abbildung 1 - Übersichtsorganigramm 14.06.2013 Seite 1 Inhaltsverzeichnis Inhaltsverzeichnis... 2 Bildqualität verbessern... 2 Die Reihenfolge der Korrekturen bei der Bildbearbeitung... 2 Ebenenangleichungen...
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
MehrBildkontrolle mit Hilfe des Histogramms
Bildkontrolle mit Hilfe des Histogramms Mit Hilfe des Kamera-Histogramms lässt sich direkt nach der Aufnahme prüfen ob die Belichtung richtig war oder ob Korrekturen vorgenommen werden müssen. Die meisten
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
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
MehrLösungsvorschlag zur 5. Übung zu Multimediale Systeme
Lösungsvorschlag zur 5. Übung zu Multimediale Systeme Dipl. Inf. Günter Robbert Universität Bayreuth Lehrstuhl für Angewandte Informatik I 20.6.2003 Lösungsvorschlag zur 5. Übung 1 AdOculos (1) AdOculos
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,
MehrLinear Workflow. Linear Workflow. Version 1.0-2011-10-11
Version 1.0-2011-10-11 Verfahren, Bilder unter Rücksichtnahme ihres Farbprofils und der des Ausgabegeräts zu berechnen (3D), bzw. zu bearbeiten (Compositing), um eine mathematisch und physikalisch korrekte
MehrProseminar: Grundlagen Bildverarbeitung / Bildverstehen. Bildverbesserung. Sylwia Kawalerowicz
Proseminar: Grundlagen Bildverarbeitung / Bildverstehen Bildverbesserung Sylwia Kawalerowicz Betreuer: Michael Roth Abgabetermin: 8 April 2006 Inhaltverzeichnis Kapitel...3.. Die wichtigen Fragen der Bildverbesserung....3.2
MehrBinärbildverarbeitung
Prof. Dr.-Ing. Thomas Zielke " Binärbildverarbeitung SS 2013 3.1 Anwendungen von Binärbildern" Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte mit dem Wert Null
MehrÜbung zu Einführung in die Informatik # 14
Übung zu Einführung in die Informatik # 14 Tobias Schill tschill@techfak.uni-bielefeld.de 12. Februar 2016 Aktualisiert am 12. Februar 2016 um 11:13 Erstklausur: Mi, 24.02.2016 von 10-12Uhr Antworten von
MehrEs sei g I das Input-Bild (oder eine Bildfolge), g o das Output-Bild. (Liedtke 2002)
3. Bildoperationen 3.1 Übersicht zu Bildoperationen Man unterscheidet Punktoperationen (wo für jedes Pixel unabhängig gerechnet werden kann), lokale Operationen und globale Operationen. Es sei g I das
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
MehrComputergrafik 2: Übung 2. Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung
Computergrafik 2: Übung 2 Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung Inhalt Besprechung von Übung 1 Subsampling und Moiré Effekte Color Maps Histogrammlinearisierung Computergrafik
Mehr4.1 Scans sofort verbessern
4.1 Scans sofort verbessern Fangen wir bei unseren Versuchen mit einigen Verbesserungen an, die das gesamte Bild betreffen. Wenn Sie ein Bild mit 24 Bit-Farbtiefe eingescannt haben, können auch bei korrekter
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.
MehrGrundlagen der digitalen Bildverarbeitung / Fortsetzung
Grundlagen der digitalen Bildverarbeitung / Fortsetzung Wir haben bereits zwei Beispiele digitaler Bildfilter gesehen. Es gibt eine große Menge von Filtern mit ganz unterschiedlicher Auswirkung auf das
MehrMorphologische Bildverarbeitung I
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Abteilung Stochastik Abteilung Angewandte Informationsverarbeitung SS 03 Morphologische Bildverarbeitung I Vortrag mit Programmvorstellung
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
Mehr102 2 Arbeiten mit dem GIMP: Bildkorrekturen und Retuschearbeiten
D3kjd3Di38lk323nnm 102 2 Arbeiten mit dem GIMP: Bildkorrekturen und Retuschearbeiten Wenn Sie es wünschen, können Sie das Bild mit den eben getroffenen Einstellungen zur weiteren Bearbeitung an die Funktion
MehrDigitale Bildbearbeitung und Fotografie. Dozenten: Arne Scheffer, Olaf Glaser
Dozenten: Arne Scheffer, Olaf Glaser Wiederholung: Helligkeitsverteilung, Histogramm dargestellt durch eine Mengenverteilung der Helligkeitswerte im Bild ordnet man jedem Wert die Anzahl der Punkte zu
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
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
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
MehrProseminar: Grundlagen der digitalen Bildverarbeitung
Proseminar: Grundlaen der diitalen Bildverarbeitun Thema: Punktoperatoren Referent: Alexander Perzylo Betreuer: Dimitris Golias.05.004 Überblick Bildbearbeitunsoperatoren Hilfsmittel der Operatoren Punktoperatoren:
Mehr"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"
"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs" Ning Liu HAW-Hamburg Seminarvortrag December 15, 2006 Ning Liu Kanten- und Linienerkennung
MehrGrundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1. Histogramm & Histogrammäqualisierung
Grundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1 Histogramm & Histogrammäqualisierung Histogramm: Häufigkeiten der Grauwerte eines Bildes geordnet nach Helligkeit: oft relative Häufigkeit
MehrEinführung in die med. Bildverarbeitung. 0 Verwendetes Buch
Einführung in die med. Bildverarbeitung 0 Verwendetes Buch 1 1 EINLEITUNG... 4 1.1 VISUELLE WAHRNEHMUNG... 4 1.1.1 Aufbau der Netzhaut... 4 1.1.2 Kontrastverstärkung im menschlichen Auge... 4 1.1.3 Visueller
MehrInhaltsverzeichnis. 3. Erläuterungen zu den Programmbeispielen 13 3.1 Arbeitsblätter 13
Inhaltsverzeichnis 1. Einführung 1 1.1 Ursprünge der Bildverarbeitung 1 1.2 Einordnung und Anwendungen der Bildverarbeitung ] 1.3 Die Bildverarbeitungskette 2 1.4 Aufbau und Inhalt des Buches 3 2. Das
MehrDiese Prozesse und noch viele andere Tricks werden in der Digitalfotografie mit Hilfe von Bildbearbeitungsprogrammen, wie z. B. Gimp, bewältigt.
Workflows mit Gimp Workflows sind Arbeitsabläufe, in denen man ein rohes Bildmaterial in ein ansehnliches Foto verwandelt. Denn das, was die Kamera sieht, entspricht selten unseren Vorstellungen eines
MehrBildkorrektur und -verbesserung
Bildkorrektur und -verbesserung Seminararbeit im Fach Informatik vorgelegt von Enkelejda Tafaj geb. am 18. Juli 1981 in Diber, Albanien angefertigt am Fakultät Informatik, Elektrotechnik und Informationstechnik
MehrNützliche Bildverarbeitungs- Verfahren
MIN-Fakultät Fachbereich Informatik Arbeitsbereich SAV/BV (KOGS) Nützliche Bildverarbeitungs- Verfahren BV-Praktikum im Sommersemester 2016 Leonie Dreschler-Fischer, David Mosteller und Benjamin Seppke
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
Mehr