Einführung in die medizinische Bildverarbeitung WS 12/13
|
|
- Siegfried Braun
- vor 6 Jahren
- Abrufe
Transkript
1 Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel
2 Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur Aufbereitung des Bildmaterials nicht notwendigerweise für den Menschen, aber für den Computer Glättungsfilter verminderung von Rauschen homogensierung des Bildes Histogramme Häufigkeitsverteilung von Grauwerten Grauwerte in Klassen eingeteilt Anpassung über Skalierung (Bildkontrast) numerisch Effizient über Lookup-Table Binarisierung
3 Kurze Wiederholung Sigmoid Filter Betonung bestimmter Grauwerte für die Visualisierung Pixelweise Transformation α Breite β Center Shift Threshold Aufteilung der Histogramme in Bereich Binarisierung Threshold-Below Threshold-Above Threshold-Outside verschiedene Algorithmen zum finden von guten Threshold Werten Lineare Filter räumlich invariante Systeme Ausgabe entspricht Faltung der Eingabefunktion mit Impulsantwort
4 Filter Lokale Operatoren Die Glättung führt nicht notwendigerweise zu einer visuell wahrnehmbaren Verbesserung des Bildeindrucks Aber sie kann u.u. zu einer Verbesserung für die nachfolgende Bildverarbeitung dienen Die Transformation ist für einen Pixel auf seine lokale Nachbarschaft beschränkt ( lokaler Operator) Für die Transformationen werden Masken bzw. Fenster (engl. Masks, Templates, Windows) verwendet Dabei gilt für die betrachtete Bildumgebung U: U ( 2m+1) ( 2m+1) ( x, y), m 1,2,3,... { } Das transformierte Bild ergibt sich dabei durch Faltung (engl. convolution) des Originalbildes mit einer Maske g. f = f g ( ) = f x + i, y + j f x, y f m m i= m j= m f ( ) g i, j ( )
5 Filter Dabei hat die Faltungsoperation * folgende Eigenschaften: Linearität: Additivität: Assoziativität: Kommutativität: ( α f 1 + β f 2 ) g = f 1 αg + f 2 βg ( ) = f g 1 + f g 2 ( ) f g 1 + g 2 ( f g 1 ) g 2 = f g 1 g 2 ( f g 1 ) g 2 = ( f g 2 ) g 1 Randbereiche in Bildern Am Randbereich ist die Bildfunktion f nicht für alle Bildpunkte definiert Bei einer zweidimensionalen Bildmatrix mit Nx+1 Zeilen und Ny+1 Spalten Die Ergebnisbilder werden auf (Nx+1-2m) x (Ny+1-2m) verkleinert Alternativ kann die Bildfunktion f am Rand auch um m Bildpunkte extrapoliert oder periodisch fortgesetzt werden (engl. wrap around)
6 Filter - Glättung Mittelwert-Filter (Mean) Gehört zu den linearen Filtern Größe des Filterkerns: M x N (i.d.r. M = N) M N f ' ( x,y) = f ( i, j) / 2M +1 i= M j= N (( ) ( 2N +1) ) Kritisch sind Ausreisser in einzelnen Bildpunkten Signaltechnisch: Tiefpassfilter geeignet zur Rauschunterdrückung kleiner Störungen Größe des Kerns bestimmt stärke der Filterwirkung M 3 3 =
7 Filter - Glättung Median-Filter Gehört zu den nicht-linearen Filtern Durchlaufe alle umgebenden Pixel, sortiere diese der Größe nach und wähle das mittlere Element als Pixel für das Ausgangsbild Ist gegenüber Ausreissern toleranter ( ) = Median f ' x, y ( x i,y j ) U x,y ( ) { f ( x i, y )} j I = [ 2, 3, 4, 7, 7,9,10,11,15]
8 Filter - Glättung Gauß-Filter Gehört zu den linearen Filtern gewichtet das Ergebnis des Filters in Abhängigkeit der Entfernung zum Zentrum des Filterkerns Filterwerte werden i.d.r. reziprok zum Abstand zur Mitte des Filterkerns gewählt 2D diskrete Gauß-Funktion Erwartungswerte müssen so gewählt werden, dass die Verteilung zentriert ist Varianz in x- und y-richtung gleich Standardabweichung bestimmt dabei die Weite der Filterfunktion Signaltechnisch: effektive Tiefpassfilter
9 Filter - Glättung Darstellung Gauß-Filter Erwartungswerte müssen so gewählt werden, dass die Verteilung zentriert ist Varianz in x- und y-richtung gleich σ 2 xx = σ 2 yy = σ 2 N ( x, y) = ( ) 1 2πσ exp x 2 + y 2 2 2σ 2 G 3 3 = [Quelle:
10 Filter - Glättung Gauß-Filter Eigenschaften Rotationssymmetrisch Filterwirkung in alle Richtungen gleich Kanten haben im voraus keine bekannte Richtung keine Beeinflussung einer nachgeschalteten Kantendetektion (nächste VL) in eine bestimmte Richtung nur ein Maximum Werte der Gewichtung fallen monoton ab bei größer werdendem Abstand zum Mittelpunkt dadurch entsteht keine Verzerrung von Ecken im Bild Fourier-Tranformierte nur ein Maximum im Frequenzspektrum FT der Gauß-Funktion ist wieder eine Gauß-Funktion, Eigenschaft bleibt erhalten Bilder haben meist hochfrequente Störungen Kanten habe hohe und niedrige Frequenzen, geglättetes Bild beinhaltet hauptsächlich das Signal des ursprünglichen Bildinhaltes, unbeeinflusst von hochfrequenten Störungen
11 Filter - Glättung Gauß-Filter Eigenschaften Standardabweichung erlaubt exakte Anpassung der Filterstärke Implementierung Zerlegung des Filters 1. Schritt: 1D-Filterkern 2. Schritt: 1D-Filterkern auf Ergebnis, orthogonal zum ersten Aufwand steigt linear mit Weite der Filter an, statt quadratisch im ungeteilten Fall
12 Filter Erhöhung der Bildschärfe hochfrequente Anteile werden hervorgehoben (Hochpass) Bildrauschen wird dadurch aber auch verstärkt f [ k,l] = Summe der Gewichtungswerte = 1, dadurch bleibt die Helligkeit des Bildes erhalten
13 Filter - Kanten Kantenfilter Sind Basis für die Bildverarbeitung und werden eingesetzt um Kanten hervorzuheben Kanten stehen für starke lokale Veränderung der Grauwerte in einem Bild. Der Betrag des Gradienten nimmt an einer Kante ein lokales Maximum an Der Gradient selbst, ist ein zweidimensionaler Vektor an der Stelle (x,y) einer kontinuierlichen Bildfunktion, der in die Richtung des steilsten Anstiegs zeigt Der Gradient entlang einer Kante steht orthogonal zur Richtung der Kante grad( f ( x, y) ) = f ( x, y) = f ( x, y) x f ( x, y) y Die zweite Ableitung hat einen Nulldurchgang 2 f ( x, y) = 2 f ( x, y) x 2 2 f ( x, y) y 2
Digitale 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
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
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
MehrZusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann
Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:
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
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
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
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
MehrSkript zur Vorlesung Digitale Bildverarbeitung Sommersemester 2014
Skript zur Vorlesung Digitale Bildverarbeitung Sommersemester 2014 (Version 3.3, 3.4.2014) Susanne Winter Institut für Neuroinformatik 2 Inhalt Erläuterungen... 5 1. Einführung... 7 2. Was ist ein Digitales
MehrBildverarbeitung und Mustererkennung
Bildverarbeitung und Mustererkennung Prüfung im Modul ET5030 für den Masterstudiengang Systems Design & Production Management Professor Dr.-Ing. Martin Werner Juli 2013 Hinweise zur Bearbeitung der Klausur
MehrInstitut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) Sommersemester 2012. Aufgabe 3 (für Informatiker)
Rheinisch-Westfälische Technische Hochschule Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) Sommersemester 22 Prof. Dr. Wolfgang Dahmen Yuanjun Zhang, M.Sc., Dipl.-Math.
MehrDetektion, Kompression und Rekonstruktion von geometrischen Objekten mittels numerischer Methoden
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Detektion, Kompression und Rekonstruktion von geometrischen Objekten mittels numerischer Methoden Bachelorarbeit in Mathematik vorgelegt
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. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Thorsten Hermes Eine praktische Einführung ISBN 3-446-22969-8 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-22969-8 sowie im Buchhandel Kapitel
MehrKapitel 7. Bildverarbeitung im Frequenzraum
Kapitel 7 Bildverarbeitung im Frequenzraum Durchführung von Faltungen im Frequenzraum Filterung im Frequenzraum: Tiefpass- und Hochpass-Filter, etc. Bildrestaurierung Notch-Filter: Entfernung periodischer
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrBildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science
Bildmerkmalssuche Seminar Computational Photography EINFÜHRUNG 2 Einführung Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Inhaltsverzeichnis 1 Einführung 2 FFT 3 Anwendungen 4 Beschränkungen 5 Zusammenfassung Definition Fouriertransformation
MehrDigitale Bildverarbeitung Einheit 5 Bilder und Statistik
Digitale Bildverarbeitung Einheit 5 Bilder und Statistik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, welche
MehrImplementierung und Evaluierung von Video Feature Tracking auf moderner Grafik Hardware
Implementierung und Evaluierung von Video Feature Tracking auf moderner Diplomarbeit vorgelegt von Sebastian Heymann Betreut von Prof. Dr. Bernd Fröhlich Bauhaus Universität t Dr. Aljoscha Smolic Fraunhofer
MehrHauptseminar Autofokus
Hauptseminar Autofokus Hans Dichtl 30. Januar 2007 Wann ist ein Bild fokussiert? Wann ist ein Bild fokusiert? Welche mathematischen Modelle stehen uns zur Verfügung? Wie wird das elektronisch und mechanisch
MehrDavid Obermann Fragen zu Grundlagen Digitaler Medien SoSe 2012 (Teil II)
Fragen ab ca SU 7 Histogramme: Was kann man an einem Histogramm ablesen, was nicht? Welche Aussagen können Sie zu Belichtung, Kontrast, Dynamik sagen, wenn Ihnen ein Histogramm vorgelegt wird? Skizzieren
MehrTermin3 Klassifikation multispektraler Daten unüberwachte Verfahren
Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrBildverarbeitung/Mustererkennung: Zusammenfassung und Ausblick
Bildverarbeitung/Mustererkennung: Zusammenfassung und Ausblick D. Schlesinger TUD/INF/KI/IS D. Schlesinger () BV/ME: Zusammenfassung 1 / 6 Organisatorisches Es gibt keine Scheine und keine bestanden Abschlüsse
MehrStudienarbeit zur Still Image Segmentation
Studienarbeit zur Still Image Segmentation Studienarbeit von Susanne Krabbe aus Greifswald vorgelegt am Lehrstuhl für Praktische Informatik IV Prof. Dr. Effelsberg Fakultät für Mathematik und Informatik
MehrVersuch 3: Anwendungen der schnellen Fourier-Transformation (FFT)
Versuch 3: Anwendungen der schnellen Fourier-Transformation (FFT) Ziele In diesem Versuch lernen Sie zwei Anwendungen der Diskreten Fourier-Transformation in der Realisierung als recheneffiziente schnelle
MehrDPF Dynamic Partial distance Function
DPF Dynamic Partial distance Function Vorgelegt von Sebastian Loose (MatrikelNR.: 169172), Computervisualistikstudent im 4. Semester. Hausarbeit zum Papier DPF A Perceptual Distance Function for Image
MehrSkaleninvariante Merkmalstransformation - SIFT Merkmale
Skaleninvariante Merkmalstransformation - SIFT Merkmale Felix Gremse Betreuer: Thomas Deselaers Inhalt 1 Einleitung 152 2 Reproduzierbare Schlüsselpunkte 152 2.1 Skalen- und Rotationsinvarianz... 152 2.2
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrBildrekonstruktion & Multiresolution
Bildrekonstruktion & Multiresolution Verkleinern von Bildern? Was ist zu beachten? Es kann aliasing auftreten! Das Abtasttheorem sagt wie man es vermeidet? ===> Page 1 Verkleinern von Bildern (2) Vor dem
MehrSeminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Ingmar Gründel HAW-Hamburg 15. Dezember 2006 Ingmar Gründel Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
MehrBLITZ /BLITZLOSE FOTOGRAFIE
Antje Hemling Seminar Computational Photography BLITZ /BLITZLOSE FOTOGRAFIE 1 Inhalt Einleitung Geschichte des Blitzes Funktion des Blitzes Probleme Methode Petschniggu.A. Bilaterale Filterung Joint Bilaterale
MehrVorbereitungsaufgaben
Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät
MehrBildverarbeitungssystem als zentrale Komponente für die Positionierung
Bildverarbeitungssystem als zentrale Komponente für die Positionierung Bernd Köhler, Franz Eberle, Forschungszentrum Karlsruhe, Institut für Angewandte Informatik, Herrman-von-Helmholtz-Platz 1, 76334
MehrZeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT)
Zeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT) Inhaltsverzeichnis 1 Allgemeines Filter... 2 2 Filter auf dem Signalprozessor... 2 3 Zusammenhang Zeitsignal und Frequenzspektrum...
MehrKernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung
Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
MehrMasterarbeit. Studiengang Informatik. Dipl.-Inf. (FH) Michael Schäferling
Masterarbeit Studiengang Informatik Dipl.-Inf. (FH) Michael Schäferling Entwurf eines FPGA-basierten Systems zur Merkmalsextraktion für optische Trackingverfahren. Erstprüfer: Prof. Dr. Gundolf Kiefer
MehrGemeinsame Tagung 2014 der DGfK, der DGPF, der GfGI und des GiN (DGPF Tagungsband 23 / 2014) Bildqualität
Bildqualität KARSTEN JACOBSEN Zusammenfassung: Die effektive Bildqualität kann mittels Kantenanalyse bestimmt werden. Die Ergebnisse der Kantenanalyse können allerdings durch Bildschärfungsoperatoren beeinflusst
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrKybernetik LTI-Systeme
Kybernetik LTI-Systeme Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 04. 2012 Was ist Kybernetik? environment agent Kybernetik ermöglicht, die Rückkopplung
MehrKapitel 9. Kombination von Vektor- und Rasterdaten. Rasterdaten. 3. Transformationen des Formats. 4. Kombinierte Auswertungen
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2011/12 Ludwig-Maximilians-Universität
MehrVersuch: Bild- und Videosignalverarbeitung
Technische Universität Kaiserslautern Fachbereich Elektro- und Informationstechnik Lehrstuhl für Nachrichtentechnik Prof. Dr.-Ing. R. Urbansky Versuch: Bild- und Videosignalverarbeitung 1 Digitale Bildsignale
MehrDigitale Bildverarbeitung Image/Picture processing
Digitale Bildverarbeitung Image/Picture processing Ausarbeitung zum Seminarvortrag am 25. Januar 2002 Ralf Bruder Inhaltsverzeichnis Einstieg in die Bildverarbeitung 3 Industrielle Bildverarbeitung 3 Interaktive
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrInhalte. HS BO Lab. für Photogrammetrie: Verfahren zur automatisierten Auswertung 1
Inhalte Verfahren zur automatisierten Auswertung Korrespondenzanalyse Bildzuordnungsverfahren Merkmalsextraktion Merkmalsbasierte Zuordnung Interest-Operatoren Flächenbasierte Zuordnung Korrelationsalgorithmen
MehrKappa ImageBase Control
Kappa ImageBase Control Bedienungsanleitung KIB Control Version 3.0 Kappa opto-electronics GmbH Kleines Feld 6 37130 Gleichen Germany Fon +49.5508.974.010 Fax +49.5508.974.100 info@kappa.de www.kappa.de
MehrKapitel 6: Graphalgorithmen Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrIndustrielle Bildverarbeitung mit OpenCV
Industrielle Bildverarbeitung mit OpenCV Zhang,Duoyi 6.7.2 Gliederung. Einführung für OpenCV 2. Die Struktur von OpenCV Überblick Funktionsumfang in Ausschnitten mit Beispielen 3. Industrielles Anwendungsbeispiel
MehrIm Original veränderbare Word-Dateien
Computergrafik Bilder, Grafiken, Zeichnungen etc., die mithilfe von Computern hergestellt oder bearbeitet werden, bezeichnet man allgemein als Computergrafiken. Früher wurde streng zwischen Computergrafik
MehrWas bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrPrüfung der VO Grundlagen der digitalen Bildverarbeitung Kropatsch
Prüfung der VO Grundlagen der digitalen Bildverarbeitung Kropatsch Grundsätzliches: Im Allgemeinen scheint die Angabe etwas verwirrend zu sein, da man bei manchen Beispielen mit seiner Matrikelnummer jonglieren
MehrEntwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words
Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields
MehrFakultät für Informatik. Professur Medieninformatik. Studienarbeit. Möglichkeiten der Indentifikation und Entfernung von Bildstörungen.
Fakultät für Informatik Professur Medieninformatik Studienarbeit Möglichkeiten der Indentifikation und Entfernung von Bildstörungen Janina Bär Chemnitz, den 12. Februar 2006 Betreuer: Dr. Maximilian Eibl
Mehr1 Verteilungen und ihre Darstellung
GKC Statistische Grundlagen für die Korpuslinguistik Kapitel 2: Univariate Deskription von Daten 8.11.2004 Univariate (= eindimensionale) Daten bestehen aus Beobachtungen eines einzelnen Merkmals. 1 Verteilungen
MehrDigitale Bildverarbeitung
Einführung Studienblock (10 ECTS, Prüf.Nr. 2635) FH-Aachen / Jülich, FB 9 Prof. Dr. rer. nat. Walter Hillen (Dig Img 0 Intro) 1 Einführung: Verfahrensschritte: Bilderzeugung Bild-Analyse, Interpretation
MehrBildanalyse zur Extraktion von Knochenkonturen in medizinischen Röntgenbildern mittels der Entwicklungsumgebung. (Interactive Data Language)
Nachdiplomstudium Informatik NDSI Ingenieurschule beider Basel, Muttenz Bildanalyse zur Extraktion von Knochenkonturen in medizinischen Röntgenbildern mittels der Entwicklungsumgebung IDL (Interactive
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrOne-class Support Vector Machines
One-class Support Vector Machines Seminar Wissensbasierte Systeme Dietrich Derksen 3. Januar 204 Motivation One-class Support Vector Machines: Detektion von Ausreißern (Systemfehlererkennung) Klassifikation
MehrHeute. Motivation. Diskretisierung. Medizinische Bildverarbeitung. Volumenrepräsentationen. Volumenrepräsentationen. Thomas Jung
t.jung@fhtw-berlin.de Heute Volumenrepräsentationen Thomas Jung Generierung von Volumenrepräsentationen Rendering von Volumenrepräsentationen Konvertierung in Oberflächenrepräsentationen Weitere Geometrische
MehrPraktikum Sensitometrie
0 Praktikum Sensitometrie Bestimmung des Dichteumfanges eines Scanners Name: Name: Matr.: Nr.: Matr.: Nr.: Datum: Prof. Dr. C. Blendl Stand: Februar 2005 1 1 Einleitung Es soll der Dichteumfang eines Scanners
MehrKapitel 13 Binärisierung und Verarbeitung von Binärbildern p.2/40
Kapitel 13 Binärisierung und Verarbeitung von Binärbildern Automatische Schwellwertbestimmung Verarbeitung von Dokumentbildern (Skew- und Slant-Korrektur) Mathematische Morphologie Distanz-Transformation
MehrNetzwerke - Bitübertragungsschicht (1)
Netzwerke - Bitübertragungsschicht (1) Theoretische Grundlagen Fourier-Analyse Jedes Signal kann als Funktion über die Zeit f(t) beschrieben werden Signale lassen sich aus einer (möglicherweise unendlichen)
Mehr1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18
3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen
Mehr-Oktavanalyse Wavelet. FFT 1 / n. -Oktavanalyse Wavelet. Fast Fourier Transformation
11/13 FFT 1 / n -Oktavanalyse Wavelet FFT 1 / n -Oktavanalyse Wavelet Für die meisten akustischen Untersuchungen ist eine reine Pegelanalyse unzureichend, denn nicht nur der Pegel, sondern auch die frequenzabhängige
MehrKapitel 2. Grundlagen Computer Vision. ,,Even a journey of a thousand miles begins with a small step
Kapitel 2 Kapitel 2 Grundlagen p. 1/40 Grundlagen Computer Vision,,Even a journey of a thousand miles begins with a small step Bildtypen Beleuchtung Bildentstehung Digitale Topologie Globale Charakterisierung
MehrFarbverarbeitung mit Bayer-Mosaic Sensoren
Autor: Dipl. Ing. (FH) Uwe Furtner Geschäftsführer BV-Produkte bei MATRIX Vision GmbH Stand: 31.08.2001 Farbverarbeitung mit Bayer-Mosaic Sensoren Einleitung Im Bereich der industriellen Farbbildverarbeitung
MehrMerkzettel Bildverarbeitung
Merkzettel Bildverarbeitung Sven Findeiß im Sommersemester 005 Inhaltsverzeichnis Bildrepresentation 3. achbarschaften...................................... Abstandsmaße......................................
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
MehrDigitale Signalbearbeitung und statistische Datenanalyse
Digitale Signalbearbeitung und statistische Datenanalyse Teil 5 8 Aus ontinuierlichem Signal werden in onstanten Zeitintervallen Daten entnommen ontinuierliches Signal x(t) Einheitsimpulsfuntion Gewichtete
Mehrbilinear interpoliert ideal interpoliert
Bildverarbeitung und Objekterkennung Privatdozent (PD) Dr.-Ing. habil. K.-H. Franke Technische Universität Ilmenau Fakultät für Informatik und Automatisierung Institut für Prakt. Inf. und Medieninf. Fachgebiet
MehrBildcodierung und -speicherung
Bildcodierung und -speicherung Allgemeine Datenstruktur zur universellen Bildcodierung: Grundsätzlich als Zeiger: Größen, die zur Compilierungszeit nicht #define LENGTH 80 bekannt sein können typedef char
MehrMATHEMATISCHE ANALYSE VON ALGORITHMEN
MATHEMATISCHE ANALYSE VON ALGORITHMEN Michael Drmota Institut für Diskrete Mathematik und Geometrie, TU Wien michael.drmota@tuwien.ac.at www.dmg.tuwien.ac.at/drmota/ Ringvorlesung SS 2008, TU Wien Algorithmus
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrSchrifterkennung in Videobildern
Schrifterkennung in Videobildern Diplomarbeit im Fachbereich Photoingenieurwesen und Medientechnik an der Fachhochschule Köln Vorgelegt von Axel Näther Mat.-Nr. 11017774 Email: axel.naether@gmx.de Referent:
MehrLokale Frequenzanalyse
Lokale Frequenzanalyse Fourieranalyse bzw. Powerspektrum liefern globale Maße für einen Datensatz (mittleres Verhalten über die gesamte Länge des Datensatzes) Wiederkehrdiagramme zeigten, dass Periodizitäten
MehrMorphologische Bildoperationen
Morphologische Bildoperationen Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Gürcan Karakoc Betreuer: Suat Gedikli Abgabetermin: 10.04.2006 1 Inhaltsverzeichnis
MehrMATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE
Europäische Schulen Büro des Generalsekretärs Abteilung für pädagogische Entwicklung Ref.:2010-D-581-de-2 Orig.: EN MATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE Kurs 4 Stunden/Woche VOM GEMISCHTER PÄDAGOGISCHER
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
Mehr2. Eindimensionale (univariate) Datenanalyse
2. Eindimensionale (univariate) Datenanalyse Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Kennzahlen, Statistiken In der Regel interessieren uns nicht so sehr die beobachteten Einzeldaten
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrKR II: Visuelle Verarbeitung II (Bildverarbeitung, Objekterkennung, Interpretation)
KR II: Visuelle Verarbeitung II (Bildverarbeitung, Objekterkennung, Interpretation) Prof. Dr. Verena V. Hafner, Humboldt-Universität zu Berlin, Institut für Informatik, WS 2008/2009 Ein Großteil dieser
MehrProjekt Systementwicklung
Projekt Systementwicklung Periodische Randbedingungen: Das Leben auf dem Torus Prof. Dr. Nikolaus Wulff Prüfungsanmeldung Die Modulprüfung Projekt Systementwicklung findet am 26. und 25. Juni statt. Es
MehrBroadband EMI Noise Measurement in Time Domain
Broadband EMI Noise Measurement in Time Domain Florian Krug, Peter Russer Institute for High-Frequency Engineering Technische Universität München fkrug@ieee.org 1 Inhalt Einführung Time-Domain Electromagnetic
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015. Vorlesung 5, Donnerstag, 20.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 5, Donnerstag, 20. November 2014 (Wie baut man eine Hash Map, Universelles Hashing)
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
MehrBildverarbeitung. Volker Aurich. Heinrich-Heine-Universität Düsseldorf
Bildverarbeitung Volker Aurich Heinrich-Heine-Universität Düsseldorf Sommersemester 0 Inhaltsverzeichnis 0 Einleitung Grundlagen der digitalen Bildverarbeitung 3. Bildsignale................................................
MehrStatistische Verfahren für das Data Mining in einem Industrieprojekt
Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de
MehrTechnik der Fourier-Transformation
Was ist Fourier-Transformation? Fourier- Transformation Zeitabhängiges Signal in s Frequenzabhängiges Signal in 1/s Wozu braucht man das? Wie macht man das? k = 0 Fourier- Reihe f ( t) = Ak cos( ωkt) +
MehrÜbung 3: Einfache Graphiken und Näherungen durch Regression
Übung 3: Einfache Graphiken und Näherungen durch Regression M. Schlup, 9. August 010 Aufgabe 1 Einfache Graphik Für die abgegebene Leistung P = UI eines linearen, aktiven Zweipols mit Leerlaufspannung
MehrChange Detection mittels Fourieranalysen, segment- sowie texturbasierter Methoden
gi-reports@igf Band 14 Institut für Geoinformatik und Fernerkundung (IGF) Change Detection mittels Fourieranalysen, segment- sowie texturbasierter Methoden Sascha Klonus, Daniel Tomowski, Manfred Ehlers,
MehrVerteilungsmodelle. Verteilungsfunktion und Dichte von T
Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung
MehrIndustrielle Bildverarbeitung
Industrielle Bildverarbeitung Übungen 1. Aufgabe Ein Objektiv mit der Brennweite 12.5mm kann auf Entfernungen zwischen 0.5 m und eingestellt werden. Wie gross ist dann jeweils die Bildweite? Dieses Objektiv
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
Mehr