Was ist wo? Erkennung und Lokalisierung von Objekten in Farbstereobildern
|
|
- Ute Messner
- vor 6 Jahren
- Abrufe
Transkript
1 Proc. 4. Workshop Farbbildverarbeitung, V. Rehrmann (Ed.), Koblenz, September 1998, Fölbach- Verlag, Koblenz, pp Was ist wo? Erkennung und Lokalisierung von Objekten in Farbstereobildern Andreas Koschan und Dirk Stürmer Technische Universität Berlin Institut für Technische Informatik FR 3-11, Franklinstr , Berlin Zusammenfassung Es wird ein neuer Ansatz sowohl zur Lokalisierung als auch zur Erkennung von Objekten in der dreidimensionalen Umwelt unter Auswertung von Farbinformation vorgestellt. Zunächst wird in einem Farbstereobild eine Korrespondenzanalyse mit einem chromatischem Block-Matching-Verfahren durchgeführt. Die so gewonnene Disparitätenkarte wird anschließend grob segmentiert, um eine Unterteilung des Bildes in zu erkennende Objekte und den Bildhintergrund zu erreichen. Für die segmentierten Regionen, die nach Annahme einzelne Objekte in der Szene darstellen sollen, werden dann Merkmalsvektoren anhand von Farbhistogrammen bestimmt. Für die Überprüfung der Übereinstimmung der Merkmalsvektoren im Bild mit Merkmalsvektoren in einer angelegten Datenbank wurden sowohl das Skalarprodukt als auch der Euklidische Abstand verwendet. 1 Einleitung Eine sehr effiziente (videoechtzeitfähige) Methode zur Erkennung farbiger Objekte in Farbbildern beruht auf dem Vergleich von Farbverteilungen bzw. Farbhistogrammen von Objekten in einem Farbraum (color indexing) [1]. In den letzten Jahren wurden eine Reihe von Erweiterungsvorschlägen unterbreitet, die das Verfahren annähernd farbkonstant machen sollen. Von Funt und Finlayson wurde vorgeschlagen [2], anstatt der Farbhistogramme Verhältnisse bzw. Quotienten von Farbhistogrammen für die Objektvergleiche zu verwenden. Hierdurch können die Ergebnisse der Objekterkennung bei sich ändernden Beleuchtungsbedingungen gegenüber der "direkten" Farbindizierung verbessert werden. Speziell in schlechtausgeleuchteten Szenenbereichen ist dieses Verfahren jedoch anfällig gegenüber Rauschen. Ein anderer Vorschlag von Healey und Slater [3] besteht darin, für die Repräsentation der Objekte eine kleine Menge von Momenten von Farbhistogrammen zu verwenden. Unter der Annahme, daß die Beleuchtungsänderung durch ein lineares Modell beschrieben werden kann, zeigen sie, daß einige Momente der Farbverteilung gegenüber Beleuchtungsänderungen invariant sind.
2 Ein weiterer Vorschlag in [4] besteht darin, anstatt eines Farbhistogramms sechs Winkel der Farbverteilung für die Repräsentation eines Objektes einzusetzen. In [4] wurden einige Beispiele für Objekte angegeben, bei denen mit dieser Vorgehensweise bei sich ändernder Beleuchtung eine bessere Erkennungsrate für die Objekte erzielt wurde als mit dem Momentenansatz von Healey und Slater. Ein weiterer Vorschlag sieht vor, Histogramme von Farborientierungen anstatt von Farbverteilungen für die Repräsentation von Objekten zu verwenden [5]. Hierbei wird eine Menge von Andersson-Filtern auf die einzelnen Komponenten des Farbbildes im CIELAB-Modell angewendet und anschließend die Orientierung und die Amplitude für jede Vektorkomponente im CIELAB-Modell bestimmt. In [5] wird anhand einiger Tests und Vergleiche die Robustheit dieser Farborientierungshistogramme gegenüber Beleuchtungsvariationen demonstriert. In dieser Arbeit steht nicht eine gegenüber Beleuchtungsvariationen invariante Objekterkennung sondern eine effiziente und robuste Erkennung bei gleichzeitiger Lokalisierung der Objekte in der dreidimensionalen Umgebung der Kameras im Vordergrund. Für die Lokalisierung der Objekte wird ein auf der Farbindizierung basierendes Objekterkennungsverfahren mit einem bewährten Farbstereoverfahren [6] kombiniert. Die so erhaltenen Disparitätenkarten werden zusätzlich zur Segmentierung der Farbbilder in Objekte und Bildhintergrund verwendet. Hierdurch ist eine Erkennung und Lokalisierung der Objekte in Farbbildern möglich, die mehrere Objekte zeigen. Vorausgesetzt wird, daß die Objekte opak sind und sich nicht gegenseitig verdecken. Nachfolgend werden die einzelnen Verarbeitungsschritte und die Ergebnisse erläutert. 2 Korrespondenzanalyse in Farbstereobildern Die Korrespondenzanalyse in den beiden Farbbildern stellt die Hauptschwierigkeit bei einem Stereoverfahren dar. Hierfür wird ein chromatisches Block-Matching-Verfahren [6] eingesetzt, dessen Grundidee auf einem Ähnlichkeitsvergleich der Farbverteilungen zwischen zwei gleich großen Blöcken (n x m-matrizen) im linken und im rechten Bild basiert. Eines der Bilder (z.b. das linke) wird in gleich große Blöcke unterteilt und für jeden dieser Blöcke wird im anderen Bild der korrespondierende Block gesucht. Als Ähnlichkeitsmaß wird der mittlere quadratische Fehler MSE (mean square error) zwischen den vektoriellen Funktionswerten der Farbbildfunktionen innerhalb der entsprechenden Blöcke verwendet. Die Farbabstände im RGB-Farbraum werden anhand des Euklidischen Abstandes Euklid bestimmt. Es bezeichnen CL bzw. CR das linke bzw. rechte Farbbild. Das Ähnlichkeitsmaß MSE kann für einen Offset δ, der die Differenz (x L x R ) zwischen den Spaltenpositionen im rechten und im linken Bild angibt, und eine Blockgröße von n m Pixeln durch MSE (x, y,δ ) = 1 n 1 m 1 n Euklid ( CR(x + i, y + j), CL(x + i + δ, y + j) ) m i=0 j=0
3 Abbildung 1: Darstellung der berechneten Disparitätenkarte für das Farbstereobild SZENE8 (vgl. Farbabb. 2). angegeben werden. Hierbei bezeichnet (x, y) jeweils die linke obere Ecke eines Blockes im rechten Bild. Die Disparität D zwischen den Blöcken ist definiert durch den Abstand zwischen den Positionen (Spaltenunterschied) der Blöcke, die die minimale Abweichung aufweisen. Innerhalb des Suchbereiches wird der n x m-große Block punktweise verschoben. Der Verschiebungswert δ, für den die MSE-Funktion ihr Minimum annimmt, bestimmt den Blockdisparitätswert D. Im Gegensatz zu [6] wird zur Steigerung der Recheneffizienz auf eine Berechnung eines Disparitätswertes für jedes einzelne Pixel (Pixelselektion) verzichtet. Da keine Oberflächenrekonstruktion sondern eine grobe Lokalisierung der Objekte im Raum erfolgen soll, ist die Berechnung der Blockdisparitäten für diesen Ansatz ausreichend. Für ein farbiges Objekt wird jeweils eine (gemittelte) Distanz, z.b. die Entfernung zwischen Objekt und Kameras von 1.25 m, angegeben. Ist der Objekthintergrund einfarbig oder relativ homogen, so werden mit diesem Verfahren für die den Bildhintergrund repräsentierenden Pixel zufällige Disparitätswerte bestimmt (vergleiche Abb. 1). Diese (überwiegend falschen) Werte werden jedoch im nachfolgenden Verfahrensablauf nicht weiter berücksichtigt. Es werden ausschließlich die dem Objekt zugeordneten Werte betrachtet. Hierzu wird eine grobe Segmentierung der Disparitätenkarte durchgeführt. 3 Segmentierung der Disparitätenkarten Die Segmentierung der Disparitätenkarten in Objekte und Bildhintergrund stellt ein besonderes Problem dar, das sich ohne zusätzliche Annahmen bzw. Informationen über die Szene
4 nicht ohne weiteres lösen läßt. Eine grundlegende Annahme besteht darin, daß Objekte im Vordergrund der Szene größere Disparitätswerte aufweisen, während die Disparitätswerte für den Bildhintergrund nahe bei Null liegen. Dies ist jedoch nicht der Fall, wenn der Bildhintergrund einfarbig oder relativ homogen ist. In diesem Fall werden zufällige (falsche) Disparitätswerte für den Bildhintergrund berechnet. Eine Segmentierung ausschließlich anhand dieses Kriteriums würde somit auch falsche Ergebnisse liefern. Weiterhin besitzt ein Objektschatten etwa dieselben Disparitätswerte wie das Objekt und würde somit zu dem Objekt gehörig erklärt werden. Zur zumindestens teilweisen Lösung dieses Problems wurde ein optional zweistufiges Kriterium eingesetzt. Es wird angenommen, daß der Bildhintergrund entweder einfarbig mit bekannter Farbinformation vorliegt oder der Bildhintergrund sollte so strukturiert sein, daß eine Korrespondenzanalyse für den Bildhintergrund erfolgreich durchgeführt werden kann. Ein Pixel wird zu einem Objekt gehörig erklärt, wenn die Disparitätswerte entlang einer Abtastlinie über einen größeren (festzulegenden) Bereich relativ konstant sind und sich die zugehörigen Farbvektoren von der Hintergrundfarbe (bei unseren Aufnahmen Schwarz) unterscheiden. Gegenüber einer ausschließlichen Auswertung der Bildwerte hat dieses Verfahren den Vorteil, daß auch Szenen mit nicht einfarbigem Bildhintergrund ausgewertet werden können. Mit dieser Vorgehensweise läßt sich zumindestens eine "grobe" Segmentierung der Objekte erreichen, die jedoch nicht alle zu einem Objekt gehörigen Pixel einschließt (siehe Farbabb. 3). Aufgrund der Robustheit der Farbindizierung hat das Fehlen einzelner Pixel jedoch im allgemeinen keinen Einfluß auf das Erkennungsergebnis. 4 Generierung von Merkmalsvektoren Die Generierung von Merkmalsvektoren wurde für jedes Objekt (für die Datenbank und die "grob" segmentierten Objekte) im HSV-Farbraum durchgeführt, da in diesem Farbraum eine einfache Untersuchung von Buntton (H), Farbsättigung (S) und Helligkeitswert (V) möglich ist. Untersucht wurde, ob eine feinere Unterteilung der Bunttonbereiche eine höhere Erkennungsrate liefert und ob die zusätzlich Auswertung der Sättigungs- oder Intensitätswerte Vorteile bietet. Hierzu wurden sechs Varianten von Merkmalsvektoren generiert. Bei der Variante 1 werden sämtliche Farben auf die Ebene V=1 im HSV-Raum abgebildet. Des weiteren werden die H-Werte in 5 -große Regionen, beginnend bei 0, zusammengefaßt. Jeder auftretende Wert, die innerhalb dieser Regionen liegt, wird auf einen Wert in dem zu erzeugenden Merkmalsvektor abgebildet. Die Farbhistogramme werden aus den Farbwerten beider Stereobilder gewonnen und normalisiert. Die Merkmalsvektoren haben eine Länge von 72 Einträgen. Die Variante 2 ist bis auf eine Unterteilung der Farben in 3 -große Regionen mit der Variante 1 identisch. Die Merkmalsvektoren haben eine Länge von 120 Einträgen. Bei der Variante 3 werden die Sättigungswerte in zwei Bereichen größer 0.5 und kleiner 0.5 und die
5 H-Werte in 5 -große Regionen zusammengefaßt. Die Merkmalsvektoren haben eine Länge von 144 Einträgen. Die Variante 4 ist bis auf eine Unterteilung der Farben in 3 -große Regionen mit der Variante 3 identisch. Die Merkmalsvektoren haben eine Länge von 240 Einträgen. Bei der Variante 5 werden die Sättigungswerte nicht betrachtet. Es werden die Helligkeitswerte in zwei Bereichen größer 0.5 und kleiner 0.5 und die H-Werte in 5 -große Regionen zusammengefaßt. Die Merkmalsvektoren haben eine Länge von 144 Einträgen. Die Variante 6 ist bis auf eine Unterteilung der Farben in 3 -große Regionen mit der Variante 5 identisch. Die Merkmalsvektoren haben eine Länge von 240 Einträgen. Als weitere Varianten wurden statt der Farbwerte Farbabstandswerte in den Merkmalsvektoren vermerkt. Diese Vorgehensweise hat sich jedoch als sehr störanfällig gegenüber Rauschen und kleinen Beleuchtungsvariationen erwiesen und wird hier nicht weiter erläutert. 5 Objekterkennung mittels Farbindizierung Für die Überprüfung der im Farbbild extrahierten Merkmalsvektoren mit den in einer Datenbank gespeicherten Merkmalsvektoren wurden alternativ das Skalarprodukt der Merkmalsvektoren und der Euklidische Abstand zwischen ihnen ausgewertet. Bei Verwendung des Skalarproduktes wird eine große Übereinstimmung durch einen Wert nahe Eins und bei dem Euklidischen Abstand durch einen Wert nahe Null indiziert. 6 Ergebnisse Für die Evaluierung der in den voranstehenden Abschnitten skizzierten Vorgehensweise zur Objekterkennung und Objektlokalisierung wurde eine Datenbank generiert. Insgesamt umfaßt diese Datenbank 103 Ansichten von 20 verschiedenen, farbigen Objekten. Es wurden 34 unterschiedlich komplexe Farbbilder mit in der Regel zwei Objekten untersucht. Die Objekte wurden transliert, rotiert und verformt (non rigid objects). Weiterhin wurden Stereobilder unter veränderten Beleuchtungsbedingungen erzeugt. Zwei Beispiele untersuchter Farbstereobilder sind für die Szenen 3 und 8 in Farbabb. 1 bzw. in Farbabb. 2 dargestellt. Die SZENE3 zeigt zwei sehr ähnlich texturierte Objekte und die SZENE8 zeigt zwei in den Komplementärfarben gemusterte Objekte. Einige Ergebnisse werden in den Tabellen 1 und 2 aufgezeigt. Es werden die Objekterkennungsraten bei Verwendung der Varianten 1 bis 6 gemittelt über 15 Aufnahmen dargestellt. Zusätzlich erfolgt eine Unterscheidung der Ergebnisse anhand des Ähnlichkeitskriteriums für die Merkmalsvektoren. Hierbei bezeichnet "euklid" den Euklidischen Abstand und "skalar" das Skalarprodukt. Zusammenfassend läßt sich sagen, daß bei einer relativ gleichmäßigen Beleuchtung der Szenen eine gute Erkennungsrate erzielt werden konnte. Die Verwendung einer feineren Unterteilung von 3 anstatt von 5 hat eher eine Verschlechterung als
6 Variante 1 Variante 2 Variante 3 euklid. skalar euklid. skalar euklid. skalar 90 % 96 % 90 % 90 % 90 % 93 % Tabelle 1: Prozentuale Objekterkennungsraten bei Verwendung der Varianten 1 bis 3 für die Merkmalsvektoren gemittelt über 15 Aufnahmen. Variante 4 Variante 5 Variante 6 euklid. skalar euklid. skalar euklid. skalar 90 % 90 % 86 % 93 % 86 % 83 % Tabelle 2: Prozentuale Objekterkennungsraten bei Verwendung der Varianten 4 bis 6 für die Merkmalsvektoren gemittelt über 15 Aufnahmen. eine Verbesserung der Ergebnisse bewirkt. Ebenfalls hat die zusätzliche Auswertung der Sättigungs- und der Intensitätswerte keine Verbesserung bewirkt. Bei Beleuchtungsvariationen in der Szene wird jedoch eine wesentlich geringere Objekterkennungsrate erreicht. Danksagung Unser Dank gilt der Technischen Universität Berlin an der diese Arbeiten durchgeführt wurden. Literatur [1] M.J. Swain and D.H. Ballard. Color indexing. In Int. Journal of Computer Vision 7, pages 11-32, [2] B.V. Funt and G.D. Finlayson. Color constant color indexing. In IEEE Transactions on Pattern Analysis and Machine Intelligence 17, pages , [3] G. Healey and D. Slater. Global color constancy: recognition of objects by use of illumination-invariant properties of color distributions. In Journal Optical Society of America A 11, pages , [4] G.D. Finlayson, S.S. Chatterjee, and B.V. Funt: Color angular indexing. In Proc. of the 4th European Conference on Computer Vision, Vol. II, pages 16-27, Cambridge, England, April [5] U. Mahlmeister, H. Pahl, and G. Sommer. Color-orientation indexing. In Proc. 18. DAGM-Symposium Mustererkennung, pages 3-10, Heidelberg, September 1996p. [6] A. Koschan. Chromatic Block Matching for Dense Stereo Correspondence. In Proc. of the 7th International Conference on Image Analysis and Processing 7ICIAP, pages Capitolo, Monopoly, Italien, Sept.,
7 Farbabbildung 1: Linkes und rechtes Stereobild SZENE3. Farbabbildung 2: Linkes und rechtes Stereobild SZENE8. Farbabbildung 3: Segmentiertes linkes Stereobild in SZENE3.
Bildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrStereo Vision. Projekt zur 3D Computer Vision Wintersemester 05/06
Stereo Vision Projekt zur 3D Computer Vision Wintersemester 05/06 Stereo Vision 3D Computer Vision: Rekonstruktion von Objektoberflächen aus Bildern Stereo Vision: Gleichzeitige Aufnahme eines Objekts
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
MehrObjekterkennung durch Vergleich von Farben. Videoanalyse Dr. Stephan Kopf HWS2007 Kapitel 5: Objekterkennung
Objekterkennung durch Vergleich von Farben 48 Farbräume (I) Definitionen: Farbe: Sinnesempfindung (keine physikalische Eigenschaft), falls Licht einer bestimmten Wellenlänge auf die Netzhaut des Auges
MehrInternationaler Studiengang Medieninformatik
HTW Berlin Prof. Dr. Kai Uwe Barthel Nachname: Vorname: Codename: Matr. Nr: Internationaler Studiengang Medieninformatik Grundlagen digitaler Medien Sitzplatz: Punkte: Note: Nachklausur WS09/10 26. 3.
MehrImplizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
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
MehrNichtmetrische multidimensionale Skalierung (NMDS) Dr. Heike Culmsee Vegetationsanalyse & Phytodiversität
Nichtmetrische multidimensionale Skalierung (NMDS) Dr. Heike Culmsee Vegetationsanalyse & Phytodiversität Übersicht Ordinationsverfahren Linear methods Weighted averaging Multidimensional scaling Unconstrained
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrSuperpixels for Skin Segmentation
Farbworkshop Wuppertal 2014 1 Superpixels for Skin Segmentation Frerk Saxen und Ayoub Al-Hamadi 2 Fachgebiet Neuro-Informationstechnik Unter Leitung von Prof. Ayoub Al-Hamadi 18 Mitarbeiter Davon 12 Doktoranden
MehrDreidimensionales Computersehen
X. Jiang, H. Bunke Dreidimensionales Computersehen Gewinnung und Analyse von Tiefenbildern Mit 137 Abbildungen und 3 Tafeln Springer Inhaltsverzeichnis 1 Einleitung 1 1.1 Bildanalyse 1 1.2 Gewinnung und
MehrMethoden des automatischen Weißabgleichs und ihr Bezug zur Farbkonstanz. R. Jahn, K.-H. Franke
Methoden des automatischen Weißabgleichs und ihr Bezug zur Farbkonstanz R. Jahn, K.-H. Franke Inhalt 4 Farbkonstanz, Metamerie 4 Automatischer Weißabgleich (AWB) im Überblick 4 Ausgewählte AWB-Verfahren
MehrFarbtechnik und Raumgestaltung/EDV
Abb. 1 Das RGB-Farbmodell Über die additive Farbmischung werden durch die 3 Grundfarben Rot, Grün und Blau alle Farben erzeugt. Im RGB Modell werden ihre Werte je von 0 bis 1 festgelegt. R = G = B = 1
MehrNeue Ansätze für Mustererkennung und automatisches Lernen
Z Y X Neue Ansätze für Mustererkennung und automatisches Lernen Vortrag im Rahmen des 2. Technologieforums Bildverarbeitung am 03./04. November 2015 Johannes Zügner STEMMER IMAGING GmbH, Puchheim GLIEDERUNG
Mehr3D-Rekonstruktion aus Bildern
Allgemeine Nachrichtentechnik Prof. Dr.-Ing. Udo Zölzer 3D-Rekonstruktion aus Bildern Dipl.-Ing. Christian Ruwwe 41. Treffen der ITG-Fachgruppe Algorithmen für die Signalverarbeitung HSU Hamburg 24. Februar
MehrKrümmungsapproximation auf 3D-Modellen
Krümmungsapproximation auf 3D-Modellen Mathematische Grundlagen und Approximation Christian Cyrus Matrikelnummer 157707 Fakultät für Informatik Otto-von-Guericke-Universität Magdeburg Diese Ausarbeitung
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
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:
MehrInterpolation, lineare Gleichungen (mit und ohne Lösungen) und lineare Regression
Interpolation, lineare Gleichungen (mit und ohne Lösungen) und lineare Regression Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at
MehrDabei bezeichnet x die Einflussgrösse (Regressor), y die Zielvariable (die eine Folge der Ursache x ist) und die Störung. Die n = 3 Beobachtungen
Lineare Regression und Matrizen. Einführendes Beispiel Der im Kapitel Skalarprodukt gewählte Lösungsweg für das Problem der linearen Regression kann auch mit Matrizen formuliert werden. Die Idee wird zunächst
MehrWissenschaftliches Rechnen
Institut für Numerische und Angewandte Mathematik 11.04.2012 FB Mathematik und Informatik der Universität Münster Prof. Dr. Christian Engwer, Dipl. Math. Dipl. Inf. Sebastian Westerheide Übung zur Vorlesung
MehrNichtrealistische Darstellung von Gebirgen mit OpenGL
Nichtrealistische Darstellung von Gebirgen mit OpenGL Großer Beleg Torsten Keil Betreuer: Prof. Deussen Zielstellung Entwicklung eines Algorithmus, der die 3D- Daten einer Geometrie in eine nichtrealistische
Mehrmit. Wir definieren (Skalarprodukt = Winkel).
1 Grundidee des Simplexverfahrens (von George Dantzig): Man bestimmt eine beliebige Ecke (Extremalpunkt) einer Lösungsmenge eines Ungleichungssystems. Nun geht man an den Kanten vom Punkt entlang und kontrolliert
MehrGPU-friendly multi-view stereo reconstruction using surfel representation and graph cuts
GPU-friendly multi-view stereo reconstruction using surfel representation and graph cuts Rico Jonschkowski Seminar 3D Rekonstruktion SoSe 2011 Verantstalter: Prof. Raúl Rojas, Fabian Wiesel FU Berlin,
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
MehrMedienforensik - Manipulationserkennung. Multimedia Sicherheit, Martin Steinebach
Medienforensik - Manipulationserkennung - Ballistik Image Forensics Forensische Anwendungen im Bildbereich sind mehrfach belegt Optimierung von Bildern, die z.b. mit Überwachungskameras aufgenommen wurden
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
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
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrFabian Fritzer. Universität Koblenz-Landau
appeared in 10. Workshop Farbbildverarbeitung 2004, Koblenz, Online-Proceedings http://www.uni-koblenz.de/icv/fws2004/ Bestimmungshilfe für Mollusken und Eulenfalter mittels digitaler Bildanalyse Fabian
MehrStatistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
MehrZugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II
Zugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II Matrixzugriff Wir wollen nun unsere Einführung in die Arbeit mit Vektoren und Matrizen in MATLAB
MehrVom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Vom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
MehrPassive Fingerabdrücke / Übertragbarkeit
Passive Fingerabdrücke / Übertragbarkeit Algorithmus nach Haitsma etist auch auf Video-Daten übertragbar: Unterteilung des Bildes in Blöcke Vergleich von Differenzen der durchschnittlichen Luminanzwerte
MehrRandomisierte Algorithmen 2. Erste Beispiele
Randomisierte Algorithmen Randomisierte Algorithmen 2. Erste Beispiele Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 35 Randomisierter Identitätstest
MehrAnalyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung
Analyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung Zusammenfassung der Diplomarbeit an der Hochschule Zittau/Görlitz Maria Kiseleva Motivation
Mehr4.7 Globale Beleuchtungsmodelle
Erinnerung: - Ein lokales Beleuchtungsmodell berücksichtigt nur das direkt einfallende Licht einer Lichtquelle - Nur lokale Beleuchtung + konstante ambiente Beleuchtung, um reflektiertes und gebrochenes
MehrWoraus besteht ein Bild? 28.02.2008 (c) Winfried Heinkele 2006 2
Woraus besteht ein Bild? 28.02.2008 (c) Winfried Heinkele 2006 2 Was ist ein Pixel? Die durch das Objektiv einer Kamera auf einen Film oder einen elektronischen Bildsensor projizierte Wirklichkeit ist
Mehr2 Darstellung von Zahlen und Zeichen
2.1 Analoge und digitale Darstellung von Werten 79 2 Darstellung von Zahlen und Zeichen Computer- bzw. Prozessorsysteme führen Transformationen durch, die Eingaben X auf Ausgaben Y abbilden, d.h. Y = f
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
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
MehrErweitertes boolsches Retrieval
Erweitertes boolsches Retrieval In diesem Unterabschnitt werden andere Ansätze zur Verbesserung des boolschen Retrievals vorgestellt. Im Gegensatz zum Vektorraummodell wird bei diesen Ansätzen versucht,
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
MehrLEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610
LEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610 Dominik Weinrich dominik.weinrich@tu-dresden.de Dresden, 30.11.2017 Gliederung Motivation Aufbau und Hardware
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 12. Juli 2011 Gesichtserkennung Begriffsunterscheidung: Lokalisation eines Gesichts im Bild Zuordnung des Gesichts zu einer bestimmten Person Technische
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
MehrMathematische Werkzeuge für Computergrafik 2016/17. Gleitkommzahlen
Mathematische Werkzeuge für Computergrafik 2016/17 Gleitkommzahlen 1 Grundlagen 1 Da im Computer nur endliche Ressourcen zur Verfügung stehen, können reelle Zahlen in vielen Fällen nicht exakt dargestellt
MehrProtokoll Grundpraktikum: O1 Dünne Linsen
Protokoll Grundpraktikum: O1 Dünne Linsen Sebastian Pfitzner 22. Januar 2013 Durchführung: Sebastian Pfitzner (553983), Jannis Schürmer (552892) Arbeitsplatz: 3 Betreuer: A. Ahlrichs Versuchsdatum: 16.01.2013
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
MehrKapitel 2. Mittelwerte
Kapitel 2. Mittelwerte Im Zusammenhang mit dem Begriff der Verteilung, der im ersten Kapitel eingeführt wurde, taucht häufig die Frage auf, wie man die vorliegenden Daten durch eine geeignete Größe repräsentieren
MehrU9: FARBCODIERUNG FARBCODIERUNG NACH VERSCHIEDENEN FARBMODELLEN
U9: FARBCODIERUNG FARBCODIERUNG NACH VERSCHIEDENEN FARBMODELLEN Für die Darstellung von Farben gibt es unterschiedliche Farbmodelle: einfache Modelle für additivergb) und subtraktive Mischung CMYK) von
MehrEigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection
Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection Peter N. Belhumeur, João P. Hespanha, David J. Kriegman IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.
Mehr9. Kombination von Vektor- und Rasterdaten
9. Kombination von Vektor- und Rasterdaten 1. Vergleich von Vektor- und Rasterdaten 2. Morphologische Operationen 3. Transformationen des Formats 4. Kombinierte Auswertungen Geo-Informationssysteme 224
MehrKapitel 31 Bild- und Tonretrieval. HHU Düsseldorf, WS 2008/09 Information Retrieval 483
Kapitel 31 Bild- und Tonretrieval HHU Düsseldorf, WS 2008/09 Information Retrieval 483 Multimedia Information Retrieval Content-based Information Retrieval gesprochene Sprache Musik und weitere Audio-Dokumente
MehrVektor-Multiplikation Vektor- Multiplikation
Vektor- Multiplikation a d c b Thema: Schultyp: Vorkenntnisse: Bearbeitungsdauer: Vektor-Multiplikation: Vektorprodukt Mittelschule, Berufsschule, Fachhochschule Elementare Programmierkenntnisse, Geometrie,
MehrFarbtiefe. Gängige Farbtiefen
Farbtiefe Die Anzahl der darstellbaren Farben ist abhängig von den Farbabstufungen, die in einem Pixel gespeichert werden. Die Anzahl der darstellbaren Farbtöne wird als Farbtiefe bezeichnet. Die Farbtiefe
MehrZentrale Klausur am Ende der Einführungsphase Mathematik
Teil I (hilfsmittelfrei) Seite von Name: Zentrale Klausur am Ende der Einführungsphase Teil I: Hilfsmittelfreier Teil Aufgabe : Analysis 05 Mathematik Die Abbildung zeigt den Graphen der Funktion f mit
MehrIGDT: Image Processing Advanced Teil 9
Teil 9 Rainer Schubert Institut für Biomedizinische Bildanalyse Inhalt Teil 9 Registrierung Grauwert-basierte / Intensity-based Methoden Klassifikation von Registrierungsmethoden 1 Viele Klassifikationskriterien
MehrModellbasiertes Suchen von Objekten
Modellbasiertes Suchen von Objekten Anwendung 1 Vortrag HAW-Hamburg Betreuende Professoren Hosnia Najem Kai von Luck Gunter Klemke Agenda Welches Projekt? Motivation Szenario Technologische Anforderungen
MehrLineare Algebra: Theorie und Anwendungen
Lineare Algebra: Theorie und Anwendungen Sommersemester 2012 Bernhard Burgeth Universität des Saarlandes c 2010 2012, Bernhard Burgeth 1 VEKTOREN IN DER EBENE UND IM RAUM 2 1 Vektoren in der Ebene und
MehrMathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 12
Dipl.Inf. Malte Isberner Dr. Oliver Rüthing Dipl.Inf. Melanie Schmidt Dr. Hubert Wagner Übungen zur Vorlesung Mathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 12 Die Lösungshinweise dienen
Mehr9. Übung zur Linearen Algebra II -
9. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 33 (i) Beweise oder widerlege: In einem euklidischen VR gilt x + y = x + y x y (Satz von Pythagoras).
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
MehrBeschleunigung von Bild-Segmentierungs- Algorithmen mit FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Algorithmen mit FPGAs Vortrag von Jan Frenzel Dresden, Gliederung Was ist Bildsegmentierung?
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 29/ Vorlesung 9, Freitag vormittag Linienintegrale und Potential Wir betrachten einen Massenpunkt, auf den die konstante
MehrFarbräume. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Farbräume Industrielle Bildverarbeitung, Vorlesung No. 13 1 M. O. Franz 16.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 RGB- und HSV-Farbraum
MehrPassive Fingerabdrücke / Sicherheit
Passive Fingerabdrücke / Sicherheit Kann man eine Datei so verändern, dass ihr Fingerabdruck der einer anderen Datei entspricht? Lösungsansatz: Permutation der zu vergleichenden Frequenzen mittels geheimen
MehrFlächen- und Volumenmessung lokaler Objekte in DICOM-Bildern und Bildfolgen
Flächen- und Volumenmessung lokaler Objekte in ICOM-Bildern und Bildfolgen Sergei Hludov, Christoph Meinel und Thomas Engel Institut für Telematik Bahnhofsstr. 30-3, 549 Trier Email: hludov@ti.fhg.de Zusammenfassung.
MehrERKENNUNG UND MANIPULATION VON OBJEKTEN IM EINZELHANDEL UND LOGISTIK
ERKENNUNG UND MANIPULATION VON OBJEKTEN IM EINZELHANDEL UND LOGISTIK Joshua Hampp, Fraunhofer IPA, Stuttgart joshua.hampp@ipa.fraunhofer.de Einleitung Care-O-bot: Eine Produktvision eines mobilen Serviceroboters
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) =
MehrStereo-Matching. Medieninformatik IL. Andreas Unterweger. Vertiefung Medieninformatik Studiengang ITS FH Salzburg. Wintersemester 2014/15
Stereo-Matching Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH Salzburg) Stereo-Matching Wintersemester 2014/15
MehrAnwendungen der Hauptkomponentenanalyse. Volker Tresp vertreten durch Florian Steinke
Anwendungen der Hauptkomponentenanalyse Volker Tresp vertreten durch Florian Steinke 1 Dimensionsreduktion für Supervised Learning 2 Beispiel: Kaufentscheidung 3 Verbesserte Abstandsmaße durch Hauptkomponentenanalyse
MehrDer Weg eines Betrunkenen
Der Weg eines Betrunkenen 2 Hätte es damals schon Computer gegeben, wäre es für unseren Mathematiker um einiges leichter gewesen, den Weg des Betrunkenen zu bestimmen. Er hätte nicht nur eine beliebige
MehrFachartikel. Telezentrische Objektive für Kameras größer 1 Zoll
Vision & Control GmbH Mittelbergstraße 16 98527 Suhl. Germany Telefon: +49 3681 / 79 74-0 Telefax: +49 36 81 / 79 74-33 www.vision-control.com Fachartikel Telezentrische Objektive für Kameras größer 1
MehrBlendaX Grundlagen der Computergrafik
BlendaX Grundlagen der Computergrafik Beleuchtungsmodelle (Reflection Models) 16.11.2007 BlendaX Grundlagen der Computergrafik 1 Rendering von Polygonen Der Renderingprozess lässt sich grob in folgende
MehrStrassenlärm: Korrekturen zum Strassenlärm- Berechnungsmodell
Vollzug Umwelt MITTEILUNGEN ZUR LÄRMSCHUTZ-VERORDNUNG (LSV) NR. 6 Strassenlärm: Korrekturen zum Strassenlärm- Berechnungsmodell Bundesamt für Umwelt, Wald und Landschaft BUWAL Herausgeber Bundesamt für
MehrSoftware in der Industriellen Bildverarbeitung
Software in der Industriellen Bildverarbeitung Technologieentwicklung am Beispiel Pattern Matching Dr. Olaf Munkelt MVTec Software GmbH MVTec Software GmbH Firma konzentriert sich auf Building Vision for
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen
Mehrsquaremixer Gerrit s (fully coloured) Eine interaktive, farbtheoretische Flash- Anwendung für Mac und PC. Gerrit van Aaken,
Gerrit s TM squaremixer (fully coloured) Eine interaktive, farbtheoretische Flash- Anwendung für Mac und PC. Gerrit van Aaken, 2. Semester Gestaltungsgrundlagen, Prof. Namislow, FH Mainz. Dokumentation
Mehr(query by image content)
Proseminar Multimedia Information-Retrieval-Systeme (query by image content) Das QBIC Projekt 1. Einleitung 1.1 Was ist QBIC 1.2 Wo wird es verwendet 2. QBIC im Detail 2.1 technische Grundlagen 2.2 Aufbau
Mehr5 Grundlagen der Differentialrechnung
VWA-Mathematik WS 2003/04 1 5 Grundlagen der Differentialrechnung 5.1 Abbildungen Unter einer Abbildung f, f:d W, y= f( ) von einer Menge D (Definitionsbereich) in eine Menge W (Wertemenge) versteht man
MehrProjektionen auf abgeschlossene konvexe Mengen
Projektionen auf abgeschlossene konvexe Mengen Seminarvortrag von Veronika Pick Seminar Optimierung bei Herrn Prof. Dr. F. Jarre Heinrich-Heine-Universität Düsseldorf SS 2006 1 Vorbemerkung Das Seminarthema
MehrStatische Stereoanalyse
Statische Stereoanalyse Gliederung: 1. Überblick, Ziel und Ablauf der statischen Stereoanalyse 2. Geometrie eines Stereobildaufnahmesystems 3. Annahmen und Einschränkungen 3.1 Einschränkungen Aufgrund
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology
Mehry x x y ( 2x 3y + z x + z
Matrizen Aufgabe Sei f R R 3 definiert durch ( ) x 3y x f = x + y y x Berechnen Sie die Matrix Darstellung von f Aufgabe Eine lineare Funktion f hat die Matrix Darstellung A = 0 4 0 0 0 0 0 Berechnen Sie
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
MehrIngo Scholz, Jochen Schmidt, and Heinrich Niemann Farbbildverarbeitung unter Echtzeitbedingungen in der Augmented Reality
1 Ingo Scholz, Jochen Schmidt, and Heinrich Niemann Farbbildverarbeitung unter Echtzeitbedingungen in der Augmented Reality appeared in: Siebter Workshop Farbbildverarbeitung Arbeitsberichte des Instituts
MehrComputergrafik Sommersemester 2004 Übungen
Sommersemester 4 Freiwillige Zusatzübung Aufgabe 6: Transformationen im zweidimensionalen aum Berechnen Sie die Transformationsmatri, die eine Szene zuerst um 3 Grad um den Ursprung dreht und anschließend
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
MehrRecommender Systeme mit Collaborative Filtering
Fakultät für Informatik Technische Universität München Email: rene.romen@tum.de 6. Juni 2017 Recommender Systeme Definition Ziel eines Recommender Systems ist es Benutzern Items vorzuschlagen die diesem
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
MehrDer folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre 1990.
Ein polynomieller Algorithmus für das N-Damen Problem 1 Einführung Der folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre
MehrÜbung zu Einführung in die Informatik # 14
Übung zu Einführung in die Informatik # 14 Tobias Schill tschill@techfak.uni-bielefeld.de 12. Februar 2016 Aktualisiert am 12. Februar 2016 um 11:13 Erstklausur: Mi, 24.02.2016 von 10-12Uhr Antworten von
MehrKapitel 9 Kombination von Vektor- und Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2014/15
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
MehrIn diesem Beitrag sollen die einzelnen Möglichkeiten detaillierter erläutert und bei Notwendigkeit mit einem Beispiel hinterlegt werden.
Inhalte einfügen Das Menü Inhalte einfügen bietet eine Vielzahl von Möglichkeiten kopierte Elemente wieder in ein Tabellenblatt einzufügen. Dabei kann im Gegensatz zum normalen Einfügen darauf geachtet
Mehr