Bildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg
|
|
- Klaus Messner
- vor 6 Jahren
- Abrufe
Transkript
1 Bildverbesserung Frequenz-, Punkt- und Maskenoperationen
2 Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x)
3 local-domain frequency-domain F-Trafo Manipulation Rück-Trafo
4 Tief-Paß: Gauss, moderat
5 Tief-Paß: Gauss, stark
6 Hoch-Paß: Rampenfilter
7 Butterworth-Filter 2 Parameter Cut-off frequency f c Ordnung n Tiefpaß Hochpaß
8 Butterworth-Low: Order, Cut-off order cut-off
9 Butterworth-Lowpass
10 Butterworth-High: Order, Cut-off order cut-off
11 Butterworth-Highpass
12 Point Transformations Vorlesung FH-Hagenberg SE
13 Punktoperation Jedem Bildpunkt wird ein neuer Grauwert zugeordnet, d.h. aus dem Bild R wird ein neues Bild S errechnet. Für jeden Bildpunkt muss eine eindeutige Zuordnung existieren. Der neue Grauwert wird nur aufgrund des alten bestimmt. Digitale Signal & Bildverarbeitung Werner Backfrieder
14 Darstellung der Punktoperation s i T(ri) Alle Bildpukte werden entsprechend s i =T(r i ) transformiert. r i Im Graph werden unten die Grauwerte des Bildes R aufgetragen, die transformierten Werte werden an der orangen Linie abgelesen. Digitale Signal & Bildverarbeitung Werner Backfrieder
15 Beispiele für Intensitätstransformatonen
16 Kontrastumkehr
17 Double Thresholding Window
18 Kompression des Dynamikbereiches
19 Fensterung Grauwerte werden auf ein Intervall [r w1,r w2 ] verteilt. Werte kleiner r w1 werden auf s min transformiert. Werte größer r w2 werden auf s max transformiert. s max s min r w1 r w2 Digitale Signal & Bildverarbeitung Werner Backfrieder
20 Selektive Dehnung des Kontrasts
21 Histogramm: Kenngrößen M=Anzahl der Pixel K=Anzahl der Grauwerte N Standardabweichung Mittelwert Grauwert
22 Histogramme
23 Selektive Kontrastverstärkung Intensitätstransformation s=t(r) abhängig vom Histogramm Benachbarte Werte im Histogramm => geringer Kontrast im Bild R => hohe Steigung von T(r) => hoher Kontrast im Bild S N s N i r Digitale Signal & Bildverarbeitung Werner Backfrieder
24 Bedingungen für Intensitätstrafo T(r) Eindeutigkeit monoton steigend Begrenztheit z.b T(r) < 1
25 Histogramm Einebnung Nichtlineare Intensitätstransformation Kontrastanpassung aufgrund der Häufigkeitsverteilung der Pixel Berechnung des Histogramms h(r) über das Bild I Normierung von h(r) auf Wahrscheinlichkeiten p(r)=h(r)/n; N=Anzahl der Pixel Bildung des kumulativen Histogramms Erfüllt Bedingungen für Intensitätstrafo Digitale Signal & Bildverarbeitung Werner Backfrieder
26 Global Histrogram Equalisation
27 Histogram-Equalisation Anpassung an eine vordefinierte Verteilungsfunktion
28 Lokale Histogramm Einebnung Verschieben einer Maske lokale Auswertung der Histogramme ->Kleine Strukturen
29 Bild-Subtraktion
30 Signal/Noise Enhancement Serie gleicher Bilder wird summiert
31 Beispiele: Lunge native weißes-rauschen Salt&Pepper-Rauschen
32 Histogramm-Einebnung in out
33 Thresholding
34 Windowing
35 Fensterung, Intensity Stretching Weichteilfenster Knochenfenster
36 Mask-Operations Vorlesung FH-Hagenberg SEM
37 Enhancement: f e =T(f) Maske wird über das Bild geschoben. Zentraler Punkt wird als Funktion der Nachbarn verändert
38 Pseudo-Code for i=1:n-ki % N,M image size for j=1:m-kj val=0; for k=1:ki % ki,kj kernel size for l=1:kj val=val+img(i+k-1,j+l-1)*kernel(k,l); end end imgfilt(i+(ki-1)/2,j+(kj-1)/2)=val; end end
39 Randprobleme Bildmatrix Rand- Zone effektive- Zone Maske 1. Randzone 0 setzen 2. Randzone aus Original übernehmen 3. Bild erweitern -> Maske auch in Randzonen aktiv
40 Filterfamilien Tiefpassfilter glätten, hohe Frequenzen werden geschwächt, niedrige passieren den Filter Kernel-Elemente =1 Hochpassfilter Verstärkung der Kanten Kernelelemente = 0
41 Mittelwertfilter 1/9 1/9 1/9 1/9 1/9 1/9 einfachster Glättungsfilter Tiefpass 1/9 1/9 1/ s definiert Wirkungsbreite des Filters s groß -> Kernel groß -> starke Glättung, langsam
42 Tiefpaß-Filter Weichteilfenster Maske 3x3
43 Tiefpaß-Filter Knochenfenster Maske 3x3
44 Tiefpaß-Filter: Maskengröße 3x3 7x7 3x9
45 Gradientenfilter Verstärkung der Kanten starke Intensitätsschwankungen -> Kanten -> hohe erste Ableitung (1D)
46 Gradient Gradient zeigt in Richtung des stärksten Anstieges Länge gibt Stärke der Steigung an Normal an Tangente der Höhenschichtlinien Tangente Gradient
47 Gradient-Implementierung Gradientenfilter berechnet Stärke des Gradienten=Betrag
48 Gradientenfilter nativ Gradient
49 Unsharpen Filter Hochpass Filter Zusammengesetzter Filter Differenz aus Tiefpass-Filter und originalem Bild Verschmierungen an Ecken bilden Differenzen minus
50 Unsharpen-Filter nativ Maske 9x9
51 Unsharpen-Enhanced Filter nativ Gradient
52 Sobbel-Filter nativ Maske 5x5
53 Sobbel-Enhanced Sobbel enhanced
54 Median Filter Nicht-linearer Filter Zum korrigieren von Ausreißern Salt & Pepper Noise Pixel innerhalb der Maske werden sortiert Der mittlere Wert (median) ersetzt das Pixel
55 Median-Filter sortieren Median
56 Median Filter Steigungen bleiben erhalten Filter Spitzen werden abgeflacht
57 Median-Filter Salt&Pepper Noise Median 3x3
58 Rank-Filter Methode ähnlich dem Medianfilter Filterwert ist Minimum oder Maximum Es kann auch jede beliebige Position als Filterwert verwendet werden
59 Rank-Filter nativ Maske 7x7, Rank=1
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
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
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
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
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
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
MehrBildverarbeitung Herbstsemester Punktoperationen
Bildverarbeitung Herbstsemester 2012 Punktoperationen 1 Inhalt Histogramm und dessen Interpretation Definition von Punktoperationen Änderungen der Bildintensität Linearer Histogrammausgleich Gammakorrektur
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
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
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
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
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
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
MehrMedizinische Bildverarbeitung. FH-Campus Hagenberg
Medizinische Bildverarbeitung Campus Hagenberg 20 km nordöstlich von Linz 7 Bachelor-Studiengänge + 5 Masterstudiengänge 3 Cluster: Software / Systeme / Medien Medizin-Informatik, Bioinformatik Derzeit
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
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
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
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
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?
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
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: 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
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
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,
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
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
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
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
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
MehrFilterung von Bildern (2D-Filter)
Prof. Dr. Wolfgang Konen, Thomas Zielke Filterung von Bildern (2D-Filter) SS06 6. Konen, Zielke Aktivierung Was, denken Sie, ist ein Filter in der BV? Welche Filter kennen Sie? neuer Pixelwert bilden aus
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
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
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
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
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
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,
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 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,
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
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
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
MehrStatistische Kenngrößen. Histogramm. Grundlagen zur statistischen Signalverarbeitung. Statistische Beschreibung von Audio
8.3.6 Statistische Kenngrößen Grundlagen zur statistischen Signalverarbeitung Dr. Detlev Marpe Fraunhofer Institut für achrichtentechnik HHI Histogramm Wahrscheinlichkeitsdichteverteilung Mittelwert µ
MehrBildbearbeitung: automatische Eigenschaftserkennung versus visuelle Beurteilung
DACH-Jahrestagung 2012 in Graz - Di.3.C.2 DACH-Jahrestagung, 17. 19. Sept. 2012, Graz BAM Bundesanstalt für Materialforschung und -prüfung Bildbearbeitung: automatische Eigenschaftserkennung versus visuelle
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
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 07/08. Michael Karow. Themen: Niveaumengen und Gradient
Vorlesung: Analysis II für Ingenieure Wintersemester 07/08 Michael Karow Themen: Niveaumengen und Gradient Wir betrachten differenzierbare reellwertige Funktionen f : R n G R, G offen Zur Vereinfachung
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
MehrPraktikum 5. Bildfilter (Teil II)
Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_05 ImageJ.doc Praktikum 5 Digitale Bildverarbeitung Bildfilter (Teil II) Themen: Tiefpass- und Hochpassfilter zur Glättung und
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
MehrPraktikum 1. Bildverarbeitungs - Software ImageJ LUT Manipulationen Bild - Quantisierung
Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_01 ImageJ.doc Praktikum 1 Digitale Bildverarbeitung Bildverarbeitungs - Software ImageJ LUT Manipulationen Bild - Quantisierung
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrElektronik Prof. Dr.-Ing. Heinz Schmidt-Walter
6. Aktive Filter Filterschaltungen sind Schaltungen mit einer frequenzabhängigen Übertragungsfunktion. Man unterscheidet zwischen Tief, Hoch und Bandpässen sowie Sperrfiltern. Diesen Filtern ist gemeinsam,
MehrFaltung, Korrelation, Filtern
Faltung, Korrelation, Filtern Wie beschreibe ich lineare Systeme (z.b. Seismometer) -> Faltung, Konvolution, Dekonvolution? Wie quantifiziere ich die Ähnlichkeit von Zeitreihen (-> Korrelation) Wie quantifiziere
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
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,
MehrDokumentation und Auswertung. Labor. Kaiblinger, Poppenberger, Sulzer, Zöhrer. Impulsformung-Frequenzverhalten
TGM Abteilung Elektronik und Technische Informatik Übungsbetreuer Dokumentation und Auswertung Prof. Zorn Labor Jahrgang 3BHEL Übung am 10.01.2017 Erstellt am 11.01.2017 von Poppenberger Übungsteilnehmer
MehrTeil VII. Deskriptive Statistik. Woche 5: Deskriptive Statistik. Arbeitsschritte der Datenanalyse. Lernziele
Woche 5: Deskriptive Statistik Teil VII Patric Müller Deskriptive Statistik ETHZ WBL 17/19, 22.05.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
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
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
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
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
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
MehrI. Verfahren mit gebrochen rationalen Funktionen:
I. Verfahren mit gebrochen rationalen Funktionen: 1. Definitionslücken bestimmen: Nenner wird gleich 0 gesetzt! 2. Prüfung ob eine hebbare Definitionslücke vorliegt: Eine hebbare Definitionslücke liegt
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
MehrKurvendiskussion. Mag. Mone Denninger 10. Oktober Extremwerte (=Lokale Extrema) 2. 5 Monotonieverhalten 3. 6 Krümmungsverhalten 4
Mag. Mone Denninger 10. Oktober 2004 Inhaltsverzeichnis 1 Definitionsmenge 2 1.1 Verhalten am Rand und an den Lücken des Definitionsbereichs............................ 2 2 Nullstellen 2 3 Extremwerte
MehrDekonvolution von Omnikamerabildern
1 / 23 Dekonvolution von Omnikamerabildern Tobias Börtitz, Hermann Lorenz, Lutz Krätzer, Josef Söntgen Betreuer: Richard Schmidt HTW Dresden, Deutschland Abschluß Präsentation 15. Februar 2012 2 / 23 1
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
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
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
MehrModulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
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
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
MehrAllgemeine Einführung in Filter
Allgemeine Einführung in Filter Konstantin Koslowski TU-Berlin 3. November 2009 Konstantin Koslowski (TU-Berlin) Allgemeine Einführung in Filter 3. November 2009 1 / 22 Inhalt 1 Einführung Was sind Filter
MehrMathe - Lernzettel: Nullstellen, Monotonie und Ableitungen
Mathe - Lernzettel: Nullstellen, Monotonie und Ableitungen Leun4m 29. April 2015 Version: 0 Ich kann nicht für Richtigkeit garantieren! Inhaltsverzeichnis 1 Themenübersicht 1 2 Funktionen und Graphen 2
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
MehrZufallssignal Stationär (z.b. gleichverteiltes Rauschen) Nicht-stationär (z.b. normalverteiltes Rauschen mit wechselnder Streuung) Deterministisches
Zufallssignal Stationär (z.b. gleichverteiltes Rauschen) Nicht-stationär (z.b. normalverteiltes Rauschen mit wechselnder Streuung) Deterministisches Signal Periodisch harmonische Schwingung Summe harmonischer
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrModulationsanalyse. Amplitudenmodulation
10/13 Die liefert Spektren der Einhüllenden von Teilbändern des analysierten Signals. Der Anwender kann damit Amplitudenmodulationen mit ihrer Frequenz, ihrer Stärke und ihrem zeitlichen Verlauf erkennen.
MehrLösungserwartung und Lösungsschlüssel zur prototypischen Schularbeit für die 7. Klasse (Autor: Gottfried Gurtner)
Lösungserwartung und Lösungsschlüssel zur prototypischen Schularbeit für die 7. Klasse (Autor: Gottfried Gurtner) Teil : Mathematische Grundkompetenzen ) Es muss (ausschließlich) die richtige Antwortmöglichkeit
MehrTeil IV-A: Signal- und Bildverarbeitung Methoden
Teil IV-A: Signal- und Bildverarbeitung Methoden 1. Aufgaben der Signal- / Bildverarbeitung 2. Elementare Verarbeitungsmethoden 3. 2D Fourier-Transformation und Faltung Aufgaben der Signal- / Bildverarbeitung
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrAnalysis: Klausur Analysis
Analysis Klausur zu Extrempunkten, Interpretation von Graphen von Ableitungsfunktionen, Tangenten und Normalen, Extremwertaufgaben (Bearbeitungszeit: 90 Minuten) Gymnasium J Alexander Schwarz www.mathe-aufgaben.com
MehrModellschularbeit. Mathematik. März Teil-2-Aufgaben. Korrekturheft
Modellschularbeit Mathematik März 2014 Teil-2-Aufgaben Korrekturheft Aufgabe 1 Druckmessung in einem Behälter a) Lösungserwartung: Momentane Änderungsrate zum Zeitpunkt t = 12: p(t) = 1 64 t 3 3 16 t 2
MehrLinearisierung einer Funktion Tangente, Normale
Linearisierung einer Funktion Tangente, Normale 1 E Linearisierung einer Funktion Abb. 1 1: Die Gerade T ist die Tangente der Funktion y = f (x) im Punkt P Eine im Punkt x = a differenzierbare Funktion
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
MehrEinsatz von Varianzreduktionstechniken II
Einsatz von Varianzreduktionstechniken II Stratified Sampling und Common Random Numbers Bastian Bluhm Betreuer: Christiane Barz Ausgewählte technische, rechtliche und ökonomische Aspekte des Entwurfs von
MehrStatistik eindimensionaler Größen
Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,
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
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 1 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen
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
MehrIm Frequenzbereich beschreiben wir das Verhalten von Systemen mit dem Komplexen Frequenzgang: G (jω)
4 Systeme im Frequenzbereich (jω) 4.1 Allgemeines Im Frequenzbereich beschreiben wir das Verhalten von Systemen mit dem Komplexen Frequenzgang: G (jω) 1 4.2 Berechnung des Frequenzgangs Beispiel: RL-Filter
MehrPartielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung
Partielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung Jörn Loviscach Versionsstand: 29. Juni 2009, 18:41 1 Partielle Ableitungen, Gradient Die Ableitung einer Funktion f an einer
MehrDigitale Bildverarbeitung Einheit 5 Bilder und Statistik
Digitale Bildverarbeitung Einheit 5 Bilder und Statistik Lehrauftrag WS 06/07 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, welche
Mehr16. Differentialquotient, Mittelwertsatz
16. Differentialquotient, Mittelwertsatz Gegeben sei eine stetige Funktion f : R R. Wir suchen die Gleichung der Tangente t an die Kurve y = f(x) im Punkt (x, f(x ), x R. Das Problem dabei ist, dass vorderhand
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrMathematik, Signale und moderne Kommunikation
Natur ab 4 - PH Baden Mathematik, Signale und moderne Kommunikation 1 monika.doerfler@univie.ac.at 29.4.2009 1 NuHAG, Universität Wien monika.doerfler@univie.ac.at Mathematik, Signale und moderne Kommunikation
Mehr