Proseminar: Grundlagen Bildverarbeitung / Bildverstehen. Bildverbesserung. Sylwia Kawalerowicz
|
|
- Alexa Kaiser
- vor 6 Jahren
- Abrufe
Transkript
1 Proseminar: Grundlagen Bildverarbeitung / Bildverstehen Bildverbesserung Sylwia Kawalerowicz Betreuer: Michael Roth Abgabetermin: 8 April 2006
2 Inhaltverzeichnis Kapitel Die wichtigen Fragen der Bildverbesserung Die drei Gruppen der Methoden der Bildverbesserung....3 Kapitel Pixelbasierte Bildverbesserung Globaler Kontrast Lokaler Kontrast Maximierung der Entropie...7 Kapitel Bildverbesserung durch lineare Filterung Rauschunterdrückung durch lineare Filterung Generierung von Kantenmerkmalen durch lineare Filterung...2 Kapitel Nichtlineare Filterungen Rangordnungsfilter Diffusionsfilter...6 Kapitel Zusammenfassungen...8 Literatur:...9
3 Kapitel.. Die wichtigen Fragen der Bildverbesserung. Die Bildverbesserung soll die Erkennbarkeit von Objekten verbessern. Die wichtigsten Fragenstellungen sind, wie sich die Erkennbarkeit unabhängig von einer Bildinterpretation definieren lässt, welche Faktoren die Erkennbarkeit beeinflussen und wie die diese Einflussgrößen optimal verändert werden können. Die meisten Bildverbeserungmassnahmen werden den Kontrast zwischen Objekten oder zwischen Objekt und Hintergrund anheben. Das kann auch durch Anhebung des Signalabstands zwischen benachbarten Objekten, durch Unterdrückung von Rauschen oder durch Hervorhebung der Objektgrenzen selbst erfolgen. Bildverbesserungsmethoden können auch eine automatische Weiterverarbeitung des Bildes vorbereiten. Dann sorgt die Maßnahme dafür dass nur wesentliche Komponenten des Bildes(zb. Kanten) an den Analyseprozess weitergeleiten werden..2 Die drei Gruppen der Methoden der Bildverbesserung. Methoden der Bildverbesserung können einer von drei Gruppen zugeordnet werden: ) Pixelbasierte Verfahren erzielen eine Kontrastverbesserung durch Steigerung des Abstands zwischen Grauwerten. 2) Lineare Filter berücksichtigen die Nachbarschaften zwischen Pixeln. Die Kontrastverstärkung erfolgt hier durch Unterdrückung von Rauschen oder durch die Hervorhebung von Kanten. 3) Nichtlineare Filter sind so konstruiert, dass sie Nachteile von linearen Filtern bei Unterscheidbarkeit von Rauschen und Kanten aufheben. Kapitel 2 2. Pixelbasierte Bildverbesserung 2.. Globaler Kontrast Zuerst sollen wir Begriff Kontrast definieren. Intuitiv Kontrast versteht man über den Abstand zwischen Helligkeiten eines Bildes. Z.b. Ein von zwei Bildern mit gleichem Bildinhalt den bessere Kontrast hat, dessen Grauwerte über einen gössen Bereich verteilt sind. Kontrastumfang und Resultate einer Kontrastverbesserung können aus einem Histogramm abgelesen werden. Definition des globalen Kontrasts:
4 C global = g max g min. Der Abstand zwischen dem minimalen vorkommenden Grauwert g min und dem höchsten vorkommenden Grauwert g max wird globaler Kontrast genannt. Der globale Kontrast kann durch Grauwertspreizung vergrößert werden. Jedem Pixel mit Grauwert g wird über die Transferfunktion g ' ein von [ g min, g max ] abhängiger neuer Grauwert zugewiesen: g ' ( g ) = ( g g min ) Durch wmin und wmax wmax wmin + wmin g max g min wird der kleinste bzw. Größe repräsentierbare Grauwert bezeichnet. In den meisten Fällen wird wmin = 0 und wmax = 255 sein. Beispiel: Wenn der ursprünglich genutzte Grauwertbereich sehr klein war (z.b Grauwerte) führt das zu einer erheblichen Verbesserung der Erkennbarkeit. Die aus Definition des globalen Kontrasts resultierende Spreizung berücksichtigt die Verteilung der Grauwerte nicht. Sobald auch nur je ein einziges Pixel den Grauwert 0 bzw. 255 hat, ist keine Grauwertspreizung mehr möglich. Dennoch kann ein Grossteil der Pixel sehr ähnliche Grauwerte haben und das Bild kann deshalb als kontrastarm empfunden werden. Zur Messung der Eigenschaft dient der lokale Kontrast Lokaler Kontrast Definition des lokalen Kontrasts:
5 C lokal ( f)= MN M N _ f ( m, n ) f ( m, n) m =0 n =0 Hierbei ist f ( m, n ) der durchschnittliche Wert der Funktion f in einer definierten Nachbarschaft. Der Verbesserung des globalen Kontrasts führt zu einer Verbesserung des lokalen Kontrast. Man kann daher nach Abbildungen suchen g' ( g ) suchen, die den lokalen Kontrast weiter verstärken. Geht man von der Hypothese aus, dass Pixel mit häufig vorkommenden Grauwerten auch häufig zueinander benachbart sind, dann muss g' ( g ) von g der Häufigkeit von abhängig sein. Gamma-Korrektur dient der Verbesserung des lokalen Kontrasts. Die Gamma-Korrektur ist eine Abbildung: g wmin g ' ( g ) = wmax wmax wmin Es wird eine nichtlineare Grauwertspreizung auf wmin γ + wmin. bis wmax ausgeführt. Für γ < werden die hellen Grauwerte gespreizt und die dunkleren Grauwerte getaucht. Für γ > ist es umgekehrt. Wenn die Grauwertspreizung kompliziert ist (Verschiedene Objekten mit verschiedene kontraststarke oder mehrere als eine Maximum hat). Lässt der Bildinhalt eine Stauchung nicht ohne Minderung der Wahrnehmbarkeit der Bildinformation zu, kann eine von zwei Alternativen gewählt werden: Nichtmonotone Abbildung der Grauwerte. Diese Abbildung erreicht das, indem die Grauwertfolge auf eine Funktion abgebildet wird, die mehrere Maxima hat. Diese Abbildung als Beispiel:
6 g'( g ) = wmax ( g mod K ) K wmax, wobei der neue Grauwert nach jedem KK ten Wert von wmax nach Null wechselt. So wird den Kontrast im Bild erhöht. Allerdings kann die Änderung der Ordnung der Grauwerte zu schwer interpretierbaren Bildern führen. Es erfolgt eine Spreizung mit dem Faktor Falschfarbdarstellung. Um den Kontrast zu steigern können wir auch die Farbe nutzen. Der Grauwert wird durch drei unterschiedliche Funktionen auf die Farben rot, grün und blau abgebildet. Aus dem ursprünglich einfarbigen Bild entsteht ein Farbbild, dessen Farben künstlich sind. Da sie mit der aufgenommen Bildinformation nichts zu tun haben. Der Kontrast steigt, erheblich mehr Farben als Grauwerte voneinander zu unterscheiden. Aus zwei farblich unterschiedlich dargestellten Pixel auf die Ordnung der ursprünglichen Funktionswerte zu schlissen ist daher nicht möglich. Die Falschfarbdarstellung hat noch einen weiteren Nachteil. Es ist nicht gelungen, eine Farbskala zu definieren, bei der abstand zwischen zwei benachbarten Farben über die gesamte Skala als gleich empfunden wird. Bei Falschfarbtabellen kommt es wegen des Wechsels von drei unterschiedlichen miteinander korrelierenden Parametern (Farbton, Sättigung und Helligkeit) zu einem Foto von empfundenen Stauchungen und Spreizung der Helligkeitsänderung entlang des Farbkeils. So entstehen die künstlichen Kanten, die Bild behindert können. Beispiel: Die beiden Strategien ermöglichen es, die 256 auszubildenden Grauwerte so zu verändern, dass der Unterschied zwischen zwei benachbarten Grauwerten erkennbar ist.
7 2..3 Maximierung der Entropie Entropie ist ein Maß für die Informationen eingeführt. Entropie ist also neben globalem und lokalem Kontrast ein drittes Maß für den Kontrast. Mit der Entropie steht uns ein Maß zu Verfügung, das die Grauwertverteilung misst und damit geeignet ist, die Spreizung oder Stauchung von Grauwerten in Abhängigkeit von Ihrer Häufung zu steuern. Entropie E H p eines Bildes ist mit nominiertem Histogramm H p definiert. ( ) K E ( H p ) = H p ( i ) log 2 H p ( i ). i =0 Unser Ziel war es, ein Bild so weit zu komprimieren, dass die durchschnittliche Anzahl von Bits pro Pixel nahe an der Entropie liegt. Zur Bildverbesserung suchen wir dagegen nach einer Transferfunktion g ', durch welche die Grauwerte g so auf neue Grauwerte abgebildet werden, dass die Entropie des Histogramms H p ' der Anzahl der verwendeten Bits pro Pixel (in der Regel also 8) entspricht. Das wird genau dann erreicht, wenn H p ' für alle Grauwerte g ' konstant ist. Um die Entropie zu maximieren wird das kumulative Histogramm als Transferfunktion verwendet. Die endgültige Formel lautet: K g ' ( g ) = wmax H p ( i ) i =0 Diese Operation heißt Histogrammlinearisierung.. Durch Histogrammlinearisierung wurde der Kontrast sowohl im mehrheitlich dunklen Bereich und auch im hellen Hintergrund angehoben. Sehr häufig vorkommende Grauwerte liegen im Histogramm weit auseinander und selten vorkommende Grauwerte liegen dichter beieinander. Diese Verfahren können aber auch zu Verschlechterung der Entropie. Z.B.: Die Linearisierung genau wie alle anderen bisher vorgestellten Verfahren nur auf der Auswertung der Grauwerthäufigkeit basiert, können sich in Abhängigkeit vom Bildinhalt dennoch unerwünschte Nebeneffekte einstellen. Die zugrunde liegende Hypothese einer Linearisierung ist, dass häufig vorkommende Grauwerte besonders häufig aneinander grenzen
8 und dass daher ihr Abstand vergrößert werden soll. Das ist zwar der Fall, das gesuchte Objekt kann aber so klein sein, dass dessen Pixel im Histogramm schlecht repräsentiert sind, während die Grauwerte des Hintergrunds das Histogramm dominieren. Eine Linearisierung würde den Kontrast im Hintergrund zuungunsten der Erkennbarkeit des Vordergrunds verstärken. Nachteilig an der Histogrammlinearisierung ist, dass Kontrastanhebung unabhängig vom Bildinthalt ist. Durch lokale Berechnung der Transferfunktion einer Histogrammlinearisierung kann dies verhindert werden. Für jedes Pixel wird aus einer vorgegebenen lokalen Nachbarschaft ein lokales HIstogramm erzeuget. Die Verfahren heißt Adoptive Histogramlinearisierung. Diese Methode den Hintergrund unabhängig von Vordergrund behandelt, kann man erwarten dass in der lokalen Umgebung des Vordergrundsobjekts die Häufigkeit der dieses Objekt beschreibenden Pixelgrauwerte das Histogramm dominiert. Der Kontrast wird also auch dort verstärkt.nachteilig ist jedoch die extreme Anhebung des Kontrasts in sehr homogenen Bildbereichen. Die Bilder nie frei von Rauschen sind, werden sich in solchen Bereichen die Amplituden von Signal und Rauschen kaum unterscheiden. Die Rauschamplitude mag sogar größer sein als die des Signals. Um die Überbetonung von Rauschen auch nach Kontrastverbesserung zu vermeiden, kann man den AHE-Operator um einen Parameter ergänzen, der die maximale Kontrastanhebung begrenzt. Diese Variante heißt Kontrastlimitierte adoptive Histogrammlinearisierung. Kapitel 3 3. Bildverbesserung durch lineare Filterung 3.. Rauschunterdrückung durch lineare Filterung. Durch Rauschunterdrückung kann das Signal gegenüber stochastischen Störungen verstärkt werden. Diese Verfahren müssen die Nachbarschaft eines Pixels berücksichtigen, weil Rauschen nur als statische Eigenschaft einer Menge von Pixeln charakterisiert werden kann. Rauschen werden als stochastischer Prozess definiert. Zuerst die Erwartungswert E η m, n der Rauschfunktion 0 ist. Mit einer steigenden Anzahl der Stichproben des Rauschens η ergibt sich die bessere Schatzung des Erwartungswerts. Um die Verfahren Rauschunterdrückung zu entwickeln, können wir davon ausgehen dass der Erwartungswert der ungestörten Bildfunktion f konstant ist, d.h. E{ f ( m, n ) = f ( m, n )} Das verursachte Bild g ist gegeben durch g ( m, n ) = f ( m, n ) + η ( m, n ). Jetzt können wir Erwartungswert von g zu schätzen: { ( E{ g ( m, n )} = E{ f ( m, n )} + E{η (m, n} = E{ f ( m, n )} = f ( m, n ) )}
9 Also ist dass Problem gelöst, sobald eine gute Schätzung für E{ g ( m, n )} existiert. Wenn eine Bildsequentz g 0, g,..., g k derselben Szene zur Verfügen steht, dann kann das gemittelte Bild als Schätzer für E{ g ( m, n )} dienen. Wenn man betrachtet die Operation als Filterung entlang.... der Zeitachse mit dem folgenden Faltungskern durchgeführt werden: F = K K K Die Summe der Elemente des Faltungskerns ist. Jede von verschiedene Summe würde zu einer entsprechenden Skalierung der Grauwerte der Bildfunktion führen. Falls f die nicht gleich f E ( f ) ist führt die Rauschunterdrückung zur Arteffekten. Manchmal kann man die Einzelbilder zur Rauschunterdrückung addieren. (Summation über die Zeit) Existiert keine Bildfolge, kann man dennoch versuchen, den Erwartungswert von g ( m, n ) zu schätzen. Statt über eine Bildfolge wird nur über die Nachbarschaft jedes Pixels gemittelt z z.b. Mittelwertfilter. Für eine 3x3 Umgebung sieht es wie folgt aus: Mit der Anzahl der Werte steigt auch der Schätzung von E{ f }. Mit 5x5 Filter würden fast 3mal so viele Werte gemittelt als mit dem 3x3 Filter. Allerdings setzt dass voraus, das die Werte von f in der gewählten Umgebung tatsächlich konstant sind. Das gefilterte Bild wirkt immer unschärfer, weil die Artefakte mit größerem Filterkernen an den Kanten sind. Eine Mittelwertoperator weist jedem neuen Pixel der Mittelwert aller Pixel innerhalb des Operatorfenster zu und glätten die Harte Kanten im Bild. Der andere Typ des Rauschens heißt Impulsrausch. Die Erwartungswert dieses Rausch ist zwar auch Null, aber ist ein Große Teil des Pixels bleibt nicht betroffen. Die verbleibende Pixel nehmen entweder den dunkelsten Grauwert 0 oder der hellsten 255 an. So genanntes Salz und Pfeffer Filter kann durch Mittelwertfilter nur abgeschwächt, aber nicht beseitigt werden. Um das Verhalten des Mittelwertsfilters genauer zu beurteilen, kann man die Filterfunktion in den Frequenzbereich transformieren und untersuchen, wie sich die Amplitude des Bildsignals von der Frequenz verändern. Filterfunktion kann transformieren und die Amplitude des Bildsignals in Abhängigkeit von der Frequenz verändern. Die fouriertransformierte Funktion B eines Rechteckimpulses bk der Größe KxK mit Zentrum im Ursprung des k Koordinatensystems ist symmetrisch zum Koordinatenursprung und lässt sich so bestimmen: Bk ( u, v ) = sin ( πuk ) sin ( πvk ) πuk πvk
10 Tiefpassfilter- als lineare Filter zur Rauschunterdrückung. Die Amplitude nimmt wegen der Division mit u und v mit zunehmender Frequenz ab. Die niedrige Frequenzteile erhalten bleiben. Die hohen Frequenzen unterdrückt wurden. Allerdings ist das gefilterte Bild im Vergleich zum Original unscharf. Durch diese Methode verursachten Arteffekte die sich gut in Bild erkennen, das sich aus Wellen unterschiedlicher Frequenz und Richtung zusammensetzt. Für die Entwicklung eines besseren Filters sollen wir also versuchen, die Filterfunktion gleich im Frequenzraum zu entwickeln. Ideales Tieffpasfilter - für diese Filter muss diejenige Grenzfrequenz bestimmt werden, für die Signal und Rauschen etwa gleich stark sind. Nur Frequenzen unterhalb dieser Frequenz bleiben erhalten. Dieser Filter Formel sieht so aus: H Fmax ( u, v ) = { falls u + v Fmax 0 für sonstiges. Bei einer Rauschunterdrückung durch ein ideales Tiefpassfilter entstehen noch deutlichere Artefakte. Sie treten vornehmlich an Kanten auf und werden Ringing-Artefakte genannt. Ringing-Artefakte des idealen Tiefpassfilters entstehen wegen des wellenförmigen Verhaltens im Ortsbereich. Butterworth-Tiefpassfilter - ein ideales Rauschfilter der beides( Rauschen in Orts- und im Frequenzenbereich) vereinen. Man kann diese Anforderung ausgehend von einer Filterung im Ortsraum oder im Frequenzenraum angehen. Ringing-Arteffekte nach Filterung treten Erwartungsgemäß nicht mehr auf. Z.B.:
11 Binomialfilter - der Filter kann Rekursiv definiert werden. Dieser Filter bewirkt eine Glättung des Signals. Hohe Frequenzanteile werden gedämpft, umso stärker, je höher die Frequenz. Ein Binomialfilter B der Ordnung ist eine Funktion, deren Faltungskern ( ) 2 Weiter haben wir Filter B K mit höherer K Ordnung: B2 = ( 2 ) 4 B3 = ( 3 3 ) 8 Mit höherer Ordnung ähnelt das Verhalten der Filter immer mehr dem Verhalten des Buttterworth-Filters. Die Filterung mit Binomialfilter führt nicht zu Artefakten. Es gibt auch zweier eindimensionaler Filter von gleicher Ordnung: ( ) B K,K = B K x B K T Das bedeutet dass kann man hintereinander zwei eindimensionale Filterungen durchführen. Die Binomialfilter nähern ein optimales Rauschfilter aus Sicht einer Operation im Ortsbereich an, während das Butterworthfilter das Ergebnis einer Suche nach dem optimalen Verhalten im Frequenzbereich ist. Wird diese Optimierungsprozess konsequent zu Ende geführt, ergibt sich ein neues Filter. Dieses Filter ist die Faltung im Ortsbereich bzw. die Multiplikation im Frequenzbereich mit einer Gaus-Funktion:
12 x2 + y2 h( x, y ) = exp 2δ 2 δ 2π Die Analyse der Filterfunktion im Ortsraum und Frequenzraum zeigt ein ideales Verhalten, so dass die Gauss-Funktion ein optimales Filter für Rauschunterdrückung ist Generierung von Kantenmerkmalen durch lineare Filterung Durch Kantenhervorhebung kann die Grenze zwischen zwei Objekten betont oder extrahiert werden. Verfahren zur Kantenanhebung benötigt die Nachbarschaftinformation, weil Kanten über die approximierten partiellen Ableitungen der Bildfunktion sind. Die Auswertung von Kantenmerkmalen dagegen ermöglicht die bessere Betonung von Granzen zwischen Objekten. Idealen Hochpassfilter mit Grenzfrequenz im Frequenzraum: H Fmax ( u, v ) = { falls u + v Fmax 0 für sonstiges. Multipliziert man eine Funktion F mit H Fmax und Transformiert dann transformiert das Resultat züruck in den Ortsraum, dann enthält das Resultat fast ausschließlich Kanteninformation. Information über die Helligkeit innerhalb von Objekten ist zum großen Teil verloren gegangen. Ideale Hochpassfilter führen zur Ringing Artefakten, die durch Filter Butterworth-Hochpassfilter verhindert werden können: H Fmax ( u, v ) = F2 + max 2 2 u + v ( k ) Kannten haben nicht nur eine Stärke, sondern auch eine Richtung. Zur Berechnung von Ort und Richtung einer Kante ist es hilfreich, zu einer Betrachtung von Kanten und Kantenmerkmalen im Ortsraum zurückzukehren. Die Stärke einer Kante lässt sich über die Steilheit der Grauwertsfunktion, also den Betrag des Gradienten, bestimmen. Der Richtung der Kante verläuft orthogonal zur Gradientenrichtung. Der Gradient ist ein Vektor, dessen Länge die Kantenstärke repräsentiert und dessen Richtung orthogonall zur Kantenrichtung verläuft. Gradient:
13 dx( m, n ) f ( m, n ) hm wo = f ( m, n ) = dy ( m, n ) f ( m, n ) hn hm = hn = Die Abschätzung des Gradienten kann verbessert werden, indem andere oder Mehr Pixel in der Berechnung einbezogen werden. Faltungskerne eines bekannten Kantenoperators sind: Der Robert s Gradient und der Sobel-Operator. Der Robert s Gradient: 0 0 und. 0 0 Sobel-Operator: und 0 2 Beispiel: Der Sobel Operator hat eine gewisse Ähnlichkeit mit dem Binomialfiltern und in der Tat ist das durch die Sobel - Filterung berechnete Ergebnis die Differenz von zwei Glättungen, die senkrecht zur Differentiationsrichtung ausgeführt würden. Vergleicht man der Furier-
14 Transformation des einfachen Diefferenzfilters mit dem Sobel-Filter, dann erkennt man dass, die Sobel Filter orthogonal zur Differentionsrichtung wie ein Tiefpassfirtel wirkt. Das hat Vorteile, wenn das verarbeitete Bild Rauschen beinhaltet, weil die einfache Differenzberechnung durch die Unterdrückung von niedrigen Frequenzen zu einer Verstärkung des Rauschens führt. Manchmal ist es nicht der Gradient, aus dem Kantenrichtung abgeleitet werden soll, sondern Pixel sollen detektiert werden, durch die Kanten in einer gegebenen Richtung verlaufen. Dazu werden Richtungsoperatoren für unterschiedliche Richtungen auf ein Bild angewendet. Ziel ist die Gruppierung von Bildpunkten nach Richtung. Für jede Bildpunkt wird festgestellt, welche der Richtungen die stärkste Filterantwort geliefert hat. Dazu dienen die zwei Operatoren, wie: Prewitt-Operator und Kirsch-Operator. Der Kirsch-Operator z.b. sieht so aus (die erste drei Faltungskerne): h = 3 0 3, h2 = 5 0 3, h3 = Alle hier ergeben sich Operatoren im Ortsraum basieren auf der erste Ableitung der Bildfunktion. Auch die zweite Ableitung dieser Funktion liefert Informationen über Kanten. Die Hesse-Matrix(auch Jackobi-Matrix genannt: f f 2x y x H( f ) = f x y f 2 y Jakobi-Matrix besteht aus den ersten Ableitungen eines Funktionalen. Die Determinante der Hesse-Matrix ist ein Indikator für Eckpunkte in einem Bild. Je höher der Wert der Determinante ist, desto wahrscheinlicher ist der Ort ein Eckpunkt. Hoche positive Werten stehen für dunkle Ecken von hellem Hintergrund, hohe negative Werte stehen für helle Ecken von dunklem Hintergrund. Durch die Eigenwerte von Hesse-Matrix werden lokale Extrema und Sattelpunkte charakterisiert. Die eigenen Werte sind Die Lösungen dieser quadratischen Gleichung. Genau wie die erste Ableitung kann auch die zweite Ableitung durch Differenzen angenähert werden. Für Bildverbesserung ist auch die Summe der partiellen Ableitungen. Dort wo der Betrag der erste Ableitung maximal ist, gibt es einen Vorzeichenwechsel der zweiten Ableitung. Eine Kante verlaufen genau dort, wo dieser Vorzeichenwechsel - ein so genannten Nulldurchgang - stattfindet. Definition des Laplace-Operator: 0 0 L4 = 4, L8 = Beispiel:
15 Nullgange des Laplace-Operators. Dunkle Pixel bezeichnet negative, helle Pixel bezeichnen positive Werte. Kapitel 4 4. Nichtlineare Filterungen Leider Unterdrückung von Rauschen auch Kanten unterdrückt. Um sie trennen kann man die Filter konstruieren, die die Unterschiede zwischen Rauschen und Kanten nicht ausschließlich im Frequenzraum definieren. Diese Filter werden im Ortsraum konstruiert und sind nicht linear. 4.. Rangordnungsfilter Als ersten wird Medianfilter vorgestellt, der gehört zur Gruppe der Randordnungsfilter. Die unterschiedliche Behandlung von Kanten und Rauschen resultiert aus den unterschiedlichen Eigenschaften beider Einflüsse, wenn sie als stochastischer Prozess betrachtet werden. Durch Rangordnungsfilter werden die Grauwerte einer vorgegebenen Umgebung um einen zu filternden Punkt sortiert. Aus der sortierten Reihenfolge wird der an einem bestimmten Rang eingeordnete Wert anstelle des Ursprungsgrauwerts eingesetzt. Die Werte aus der Umgebung des zu filternden Pixels selektiert werden, bekommen keinen neuen Werten. Hier ist die Unterschied von linearen Filtern. Der an mittlerer Position eingeordnete Wert einer sortierten Folge ist der Median. Das Filterergebnis der in der Mitte Median und Mittelwert Folge von Werten nähen sich einander an. Durch Medianfilterung kann Impulsrauschen beseitigt werden. Unter bestimmten Umständen ist ein quadratisches Medianfilter darüber kantenerhaltend. Dem liegt das folgende Modell einer Kante zugrunde: Die Funktionswerte der ungestörten Funktion auf beiden Seiten der Kante sind jeweils konstant.
16 Der Signalabstand d.h. der Werteunterschied an einer Kante ist größer als die Rauschamplitude Die Kante verläuft die Fläche des Medianfilters gerade. Für die Diskussion über das Verhalten des Filters an einer Kante nennen wir in der sortierten Folge der Pixelwerte die Menge der Pixel auf der dunkleren Seite der Kante Kd und die auf der helleren Seite Kh. Das Medienfilter erhält Kanten nur, wenn sie innerhalb der Filterumgebung nahezu gerade verlaufen Diffusionsfilter Durch Diffusionsfilter wird der physikalische Diffusionsprozess zum Austausch von Konzentrationsunterschieden simuliert. Man nimmt an, dass durch die Bildfunktion die Konzentration einer Flüssigkeit beschreibt wird. Die 3 verschiedenen Diffusionsmodelle werden verwendet: Bei der isotropen homogenen Diffusion erfolgt ein gleichmäßiger Austausch in alle Richtungen
17 Bei der isotropen inhomogenen Diffusion hängt das Ausmaß der Diffusion davon ab, ob sich in der Nachbarschaft die Kanten befinden. Bei der anisotropen Diffusion findet auch an Kanten eine Diffusion statt, jedoch nur parallel und nicht über die Kanten hinaus. Der Fick schen Gesetz: f ( x, y ) x j ( x, y ) = D( x, y ) x u ( x, y ) = D( x, y ) x f ( x, y ) y D - Diffusionstensor (Die Austauschrate für die Konzentration der Diffusion u - Dichtergradient (Die Diffusion in Abhängigkeit von der Richtung von einem Konzentrationsgradienten). Der Diffusionstensor spezifiziert die Art der Fluss j in Abhängigkeit vom Dichtegradient u. Der Fluss verändert sich über die Zeit, deshalb können wir weiter schreiben: u ( x, y, t ) = div j ( x, y, t ) t Durch div wurde der Divergenzoperator bezeichnet: j ( x, y, t ) j y ( x, y, t ). div j = x + x y Die Diffusion können wir durch Approximation: u ( x, y, t i + ) = u ( x, y, t i ) + (t i + t i ) u ( x, y, t i ) t Bei der homogenen Diffusion sind alle Kanten vollständig verschwunden. Bei der isotropen inhomogenen Diffusion bleibt der Unterschied zwischen Vordergrund und Hintergrund erhalten, allerdings bleiben die Kanten verrauscht. Dies ist anders bei der anisotropen inhomogenen Diffusion, bei der auch eine Diffusion parallel zur Kante stattfindet. Diffusion im Vergleich:
18 Kapitel 5 5. Zusammenfassungen Bildverbesserung umfasst Methoden für die Hervorhebung von Objekten bzw. von objektbegrenzten Kanten. Hauptkriterium ist der Kontrast zwischen Objekt und Hintergrund. Kontrastverstärkung kann durch eine Grauwerttransformation, durch Rauschunterdrückung oder durch Hervorhebung von Kanten erzielt werden. Durch Grauwertspreizung kann man der globalen Kontrast zwischen hellstem und dunkelstem Pixel angehoben werden. Gamma-Korrektur sowie Histogrammlinearisierung steigern den lokalen Kontrast zwischen benachbarten Pixeln. Durch nichtlineare Grauwerttransformation und die Falschfarbdarstellung kann die Wahrnehmbarkeit von Unterschieden zwischen Pixeln mit ähnlichen Grauwerten gesteigert werden. Mit linearen Filtern können das Signal gegenüber Rauschen verbessert oder Kantenpixel verstärkt werden. Lineare Filtern können im Ortsbereich(als Faltung) oder im Frequenzbereich(als Multiplikation)angewendet werden. Lineare Filter zur Rauschunterdrückung sind Tiefpassfilter. Bekannte Filter zur Faltung im Ortsbereich sind Mittelwertfilter, Binomialfilter oder die Filterung mit Gauss-Funktion. Filter im Frequenzraum sind das Ideale Tiefpassfilter und das Butterworth-Filter. Bei der Filterung zur Rauschunterdrückung wird vorausgesetzt, dass die gefilterte Region homogen ist. An Kanten führt die Rauschunterdrückung zur Artefakten. Lineare Filter zur Kantenhervorhebung sind Hochpassfilter. Kantenfilter schätzen die partiellen Ableitungen durch Differenzen (Sobel-Filter, Robert s Gradient) oder die Summe zweite partielle Ableitung (Laplace-Filter). Die partiellen ersten Ableitungen ergeben den Gradienten, dessen Richtung orthogonal zur Kantenrichtung ist und dessen Stärke die Steilheit der Kante angibt. Die Berechnung von partiellen Ableitungen in eine der acht Richtungen von Kompassrose ergibt ein Bild der Kantenstärkste in diese Richtungen(Kompassfilter, z.b. Prewitt oder Kirsch-Operator). Das Laplace-
19 Fiter erzeugt an Kanten Nulldurchgänge. Auch Hochpassfilter können im Frequenzraum ausgeführt werden(ideales Hochpassfilter, Butterworth-Filter) Durch nicht lineare Filterung kann eine Kantenerhaltene Rauschunterdrückung vorgenommen werden, indem die Zufälligkeit von Rauschen als wesentlicher Unterschied zu den Eigenschaften von Kanten genutzt wird. Das Medianfilter nutz diese Eigenschaft richtungsunabhängig und über eine vorgegebene Nachbarschaft. Durch Diffusionfilter kann diese Berechnung richtungssensitiv und über beliebig große Nachbarschaften erfolgen. Literatur:. Klaus D.Tönnies, Grundlagen der Bildverarbeitung
Proseminar 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
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
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
MehrStruktur 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
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
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:
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
MehrNichtmonotone Grauwertabbildung
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 02.12.2005 Folie 1 Nichtmonotone Grauwertabbildung Zwei Grauwertfenster in einem Bild. g (g) 0 511 2100 g Erzeugt künstliche Kanten. Grenzen
MehrComputergraphik 1 2. Teil: Bildverarbeitung
1 Computergraphik 1 2. Teil: Bildverarbeitung Bildverbesserung 2 Themen jetzt gleich Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert 3 Was ist Rauschen? Rauschen n(m,n) 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: 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
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
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
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,
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
MehrSystemtheorie abbildender Systeme
Bandbegrenzung Bild in (b) nicht band-begrenzt: scharfe Kanten = Dirac-Funktionen = weißes Spektrum Erfordert Tapering vor Digitalisierung (Multiplikation mit geeigneter Fensterfunktion; auf Null drücken
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
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
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-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
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
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
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
MehrGrundlagen der Bildverarbeitung
Grundlagen der Bildverarbeitung Inhaltsverzeichnis Vorwort 9 Kapitel 1 Einführung 13 1.1 Anwendungen der digitalen Bildverarbeitung 16 1.2 Algorithmische Verarbeitung von Bildinformation 17 1.3 Zu diesem
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
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Fourier-Transformation Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 1 Einordnung in die Inhalte der Vorlesung Einführung
MehrGraphische Datenverarbeitung
Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Übersicht l Neu Folien:, 28 und ab 56 l Maße zur Beurteilung von Bildern: l Histogramm l Entropie l Punktoperationen: l Lineare Veränderung
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
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
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
MehrComputergraphik 1 2. Teil: Bildverarbeitung. Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation
Computergraphik 1 2. Teil: Bildverarbeitung Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation LMU München Medieninformatik Butz/Hoppe Computergrafik 1 SS2009 1 2 Repräsentation
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
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen 7. Juni 201 *Aufgabe 1. Gegeben seien fx, y = xy 2 8e x+y und P = 1, 2. Der Gradient von f ist genau an der Stelle P Null. a Untersuchen Sie mit Hilfe der Hesse-Matrix,
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 6
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Lineare Filterung - 1 Einführung 2 Definition der Faltung 3 Beispiele linearer Filter 4 Diskussion 5 Ausblick: nichtlineare Filterung 6 Literatur 1 Einführung
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 Signalverarbeitung und diskrete Systeme
Diskrete Signalverarbeitung und diskrete Systeme Computer- basierte Verarbeitung von Signalen und Realisierung von Systemverhalten erfordern diskrete Signale und diskrete Systembeschreibungen. Wegen der
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
Mehr7.11. Extrema unter Nebenbedingungen
7.11. Extrema unter Nebenbedingungen Randextrema Wir haben schon bemerkt, daß die üblichen Tests mit Hilfe von (eventuell höheren) Ableitungen nur Kriterien für (lokale) Extrema im Inneren des Definitionsgebietes
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrSerie 3. z = f(x, y) = 9 (x 2) 2 (y 3) 2 z 2 = 9 (x 2) 2 (y 3) 2, z 0 9 = (x 2) 2 + (y 3) 2 + z 2, z 0.
Analysis D-BAUG Dr Cornelia Busch FS 2016 Serie 3 1 a) Zeigen Sie, dass der Graph von f(x, y) = 9 (x 2) 2 (y 3) 2 eine Halbkugel beschreibt und bestimmen Sie ihren Radius und ihr Zentrum z = f(x, y) =
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
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
Mehr1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
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
Mehr8 Extremwerte reellwertiger Funktionen
8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrPrüfung zur Vorlesung Mathematik I/II
Dr. A. Caspar ETH Zürich, August 2011 D BIOL, D CHAB Prüfung zur Vorlesung Mathematik I/II Bitte ausfüllen! Name: Vorname: Legi-Nr.: Nicht ausfüllen! Aufgabe Punkte Kontrolle 1 2 3 4 5 6 Total Vollständigkeit
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
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
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
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
MehrVisual Servoing using Mutual Information
Visual Servoing using Mutual Information Christian Rupprecht Robotics and Embedded Systems Technische Universität München Outline 1 Visual Servoing Was ist Visual Servoing? Typische Lösungsansätze 2 Mutual
Mehr1 Mathematische Hilfsmittel
Mathematische Hilfsmittel. Vektoranalysis Wiederholung Vektor: Länge und Richtung Vektoraddition: A + B = B + A (A + B) + C = A + (B + C) kartesische Koordinaten: B A + B = i (a i + b i )e i A+B Multiplikation
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
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
MehrGrundlagen der Bildverarbeitung Klaus D. Tönnies
Grundlagen der Bildverarbeitung Klaus D. Tönnies ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Grundlagen der Bildverarbeitung
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrEinführung. Ablesen von einander zugeordneten Werten
Einführung Zusammenhänge zwischen Größen wie Temperatur, Geschwindigkeit, Lautstärke, Fahrstrecke, Preis, Einkommen, Steuer etc. werden mit beschrieben. Eine Zuordnung f, die jedem x A genau ein y B zuweist,
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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
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
MehrComputergrafik 2: Kanten, Linien, Ecken
Computergrafik 2: Kanten, Linien, Ecken Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrTopologie und Differentialrechnung mehrerer Veränderlicher, SS 2009 Modulprüfung/Abschlussklausur. Aufgabe Punkte
Universität München 22. Juli 29 Topologie und Differentialrechnung mehrerer Veränderlicher, SS 29 Modulprüfung/Abschlussklausur Name: Aufgabe 2 3 4 Punkte Gesamtpunktzahl: Gesamturteil: Schreiben Sie unbedingt
MehrBildverarbeitung. Fachschaftsrat Informatik. Professor Fuchs. Fragen TECHNISCHE UNIVERSITÄT DRESDEN. Unterteilung der Filter in Klassen
Professor Fuchs Unterteilung der Filter in Klassen Wie erstellt man bei der Segmentierung objektumschreibende Formen? Eigenschaften der Zellkomplextopologie Was ist ein Histogramm? Wozu ist es gut? Unterschied
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
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
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
Mehr& sind die Vektorkomponenten von und sind die Vektorkoordinaten von. A x. a) Der Betrag eines Vektors
Einführu hnung Was ist ein Vektor? In Bereichen der Naturwissenschaften treten Größen auf, die nicht nur durch eine Zahlenangabe dargestellt werden können, wie Kraft oder Geschwindigkeit. Zur vollständigen
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
MehrDieses Kapitel vermittelt:
2 Funktionen Lernziele Dieses Kapitel vermittelt: wie die Abhängigkeit quantitativer Größen mit Funktionen beschrieben wird die erforderlichen Grundkenntnisse elementarer Funktionen grundlegende Eigenschaften
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
MehrEiniges zu den Potenzfunktionen. Exponentialfunktionen
Einiges zu den Potenzfunktionen Es sind zunächst zwei Arten der Potenzfunktionen zu unterscheiden. Erstens die eigentlichen Potenzfunktionen, bei denen die Variable x als Basis von Potenzen vorkommt. Diese
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
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
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
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
MehrWir erinnern zunächst an die verschiedenen Arten von Funktionen, die uns bisher begegnet sind: V : r 0 3 V ( r) 0 3
3 1. Mathematische Grundlagen Zur Vorbereitung fassen wir in diesem ersten Kapitel die wichtigsten mathematischen Konzepte zusammen, mit denen wir in der Elektrodynamik immer wieder umgehen werden. 1.1.
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrKarlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang. Sommersemester
Karlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang Sommersemester 03 6.06.03 Höhere Mathematik II für die Fachrichtungen Elektrotechnik und Informationstechnik
Mehr