GPU-friendly multi-view stereo reconstruction using surfel representation and graph cuts
|
|
- Käte Schuster
- vor 6 Jahren
- Abrufe
Transkript
1 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, Montag, 27. Juni 2011
2 Begriffsklärung Eine Depth Map ist ein Bild in dem jeder Pixel die Distanz der abgebildeten Oberfläche zur Kamera darstellt. Multi-View Depth Maps sind mehrere Depth Maps eines Objektes aus verschiedenen Perspektiven. Ein Voxel (Volumetric Picture Element) ist das dreidimensionale Analogon zu einem Pixel. Ein Surfel (Surface Element) S_x,n ist ein planarer Patch mit Position x und Orientierung n. Ein Graph cut ist eine Partitionierung eines Graphen in zwei Untergraphen (hier: Innen und Außen). Die Kanten zwischen den Untergraphen entsprechen der Oberfläche des Objektes. Seminar 3D Rekonstruktion,
3 Einleitung Dieses Paper beschäftigt sich mit dem Multi-view stereo problem, d.h. der Berechnung der dreidimensionalen Form eines Objektes auf Basis mehrerer kalibrierter Bilder aus verschiedenen Perspektiven. Seminar 3D Rekonstruktion,
4 Einleitung Die Idee dieses Ansatzes ist die Kombination einer flexiblen surfelbasierten Repräsentation der Form mit einer globalen Optimierung durch Graph Cuts. Durch die Parallelisierbarkeit aller Schritte ist eine sehr effektive Implementierung auf der GPU möglich. Diese benötigt weniger als zwei Prozent der Laufzeit der CPU-Implementierung. Seminar 3D Rekonstruktion,
5 Algorithmus im Überblick Seminar 3D Rekonstruktion,
6 Algorithmus im Überblick (1) Durch lokales Stereo-Matching aus Bildern von verschiedenen Standpunkten werden Multi-View Depth Maps erzeugt. (2) Die Initialen Surfelkandidaten mit den entsprechenden Supporting Images werden erstellt, indem die Multi-View Depth Maps über alle Surfels an regelmäßig verteilten Positionen mit vordefinierten Richtungen abstimmen. (3) Die Surfelkandidaten werden verbessert, sodass diese fotokonsistent zu ihren Supporting Images sind. (Hierbei kann es viele Outlier geben). (4) Die besten Surfel aus den Surfelkandidaten werden durch globale Optimierung auf Basis von Graph Cuts ausgewählt. (5) (optional) Es wird ein Surface Model (z.b. Polygonnetz aus Dreiecken) aus den besten Surfels erstellt oder Bilder werden direkt mit Hilfe einer punktbasierten Methode gerendert. Seminar 3D Rekonstruktion,
7 (1) Multi-View Depth Maps erzeugen Aus N Bildern mit Kalibrierung I_1,..., I_N werden N Multi- View Depth Maps D_1,, D_N mithilfe der SAD oder NCC Metrik erstellt. SAD (Sum of Absolute Differences) Die Absoluten Differenzen an jedem Pixel werden für das betrachtete Fenster aufsummiert. NCC (Normalized Cross Correlation) Das Fenster wird als Vektor betrachtet und normalisiert. Dazu wird die mittlere Helligkeit subtraiert und durch die Standardabweichung dividiert. Die Metrik entspricht dem Skalarprodukt der normalisierten Vektoren. Seminar 3D Rekonstruktion,
8 (1) Multi-View Depth Maps erzeugen Dabei werden für jede View die nächsten M (vorgeschlagen werden 4) Views betrachtet, um die Matching Costs zu berechnen. So erhält man 4 Matching Cost Arrays. Diese werden mithilfe eines Parzen Filters zusammengefügt, indem die Anzahl der lokalen Optima gezählt wird, die in ein Voxel fallen. Die Tiefe wird durch eine lokale Winner-Take-All Optimierung an jedem Pixel bestimmt, indem die Tiefe mit den geringsten Matching Costs ausgewählt wird. Seminar 3D Rekonstruktion,
9 (2) Initiale Surfelkandidaten erstellen Aus den Multi-View Depth Maps D_i werden durch Voting die initialen Surfelkandidaten erstellt. Dazu werden für jede Position in einem 3D Grid die Surfel mit den 6 Richtungen entlang der Koordinatenachsen betrachtet. Seminar 3D Rekonstruktion,
10 (2) Initiale Surfelkandidaten erstellen Voting: Ein Surfel bekommt eine Stimmen von D_i, wenn er sichtbar von der Kamera aus ist (v*e_k > cos(pi/3)). der Abstand vom Surfel zur Kamera ähnlich zum Abstand entsprechend der Depth Map ist. Surfel mit min. 2 Stimmen werden initiale Surfelkandidaten. Zu ihnen werden die Supporting Images gespeichert. Das sind die Bilder zu den Depth Maps, die für die Surfel abgestimmt haben. Seminar 3D Rekonstruktion,
11 (3) Surfelkandidaten verbessern Position und Orientierung der initialen Surfelkandidaten werden so angepasst, dass sie fotokonsistent zu ihren Supporting Images sind. Dadurch wird der Surfel S_x,n zu S_x',n' verändert, wobei x' auf der Geraden durch den Punkt x mit Richtung n liegen muss. Seminar 3D Rekonstruktion,
12 (3) Surfelkandidaten verbessern Brute-Force werden für 5 Positionen und 50 Orientierungen die Supporting Images auf die Surfel projeziert und für die Bilder paarweise die Fotokonsistenz berechnet (NCC- oder SAD-Metrik). Die Variante des Surfels mit der höchsten Fotokonsistenz wird ausgewählt. Danach wird die Orientierung mit dem Downhill Simplex Algorithmus noch einmal kontinuierlich verbessert. Seminar 3D Rekonstruktion,
13 (3) Surfelkandidaten verbessern Der Downhill-Simplex-Algorithmus findet ein lokales Minimum im n-dimensionalen Raum. Dabei werden die n+1 bisher besten der gefundenen Lösungen als Eckpunkte eines Simplex betrachtet. (a) Die Kosten an den Punkten werden berechnet und der beste und schlechteste Punkt bestimmt. (b) Der schlechteste Punkt wird durch einen neuen Punkt ersetzt. Diese beiden Schritte werden iteriert, bis das Ergebnis gut genug ist. Seminar 3D Rekonstruktion,
14 (3) Surfelkandidaten verbessern Downhill-Simplex-Algorithmus Schritt (b) im Detail: Reflektiere den schlechtesten Punkt am Mittelpunkt der übrigen Punkte. Wenn dieser Punkt besser als alle anderen Punkte ist, expandiere ihn noch weiter in diese Richtung. Wenn der expandierte Punkt besser als alle anderen Punkte ist, ersetze den schlechtesten durch den expandierten Punkt. (Ende) Ansonsten ersetze den schlechtesten durch den reflektierten Punkt. (Ende) Wenn der reflektierte Punkt zumindest besser als der zweitschlechteste Punkt ist, ersetze den schlechtesten durch den reflektierten Punkt. (Ende) Ansonsten Wenn der reflektierte Punkt besser ist, als der schlechteste ersetze den schlechtesten durch den reflektierten Punkt. Kontraiere den aktuell schlechtesten Punkt zum Mittelpunkt. Wenn dieser besser ist, als der bisher schlechteste, ersetze den schlechtesten Punkt durch den kontraierten. (Ende) Ansonsten Komprimiere den Simplex durch heranrücken aller Punkte an den besten Punkt. (Ende) Seminar 3D Rekonstruktion,
15 (3) Surfelkandidaten verbessern Nach Schritt 3 gibt es noch folgende Probleme: Noise Fehlende Regularisierung Outlier Um diese zu beseitigen wird in Schritt 4 eine globale Optimierung angewandt (Graph Cuts). Seminar 3D Rekonstruktion,
16 (4) Die besten Surfel auswählen Konstruktion des Graphen Der 3D-Raum wird in Würfel unterteilt, wobei jeder Würfel einem Knoten des Graphen entspricht. Alle benachbarten Knoten werden mit gerichteten Kanten (n- Links) verbunden. Jedem n-link wird (wenn möglich) ein Surfel zugeordnet, dessen Position zwischen den verbundenen Knoten liegt und dessen Orientierung den gerichteten Kanten ähnelt. Die Kanten werden entsprechend der durchschnittlichen Fotokonsistenz des Surfels gewichtet. Jeder Knoten wird mit Source und Sink durch ungerichtete Kanten (t-links) verbunden. Seminar 3D Rekonstruktion,
17 (4) Die besten Surfel auswählen Für die Gewichtung der t-links w_i wird ein Voting für jeden Knoten i durchgeführt, um herauszufinden, ob inner- oder außerhalb des Objektes ist. Dazu werden die 6 Surfel um jeden Punkt x_i betrachtet: N_out++, wenn Surfel zu x_i zeigt N_in++, wenn Surfel von x_i weg zeigt psi(x_i) = N_out N_in = 1 4 = 3 w_i = lambda*psi(x_i) Seminar 3D Rekonstruktion,
18 (4) Die besten Surfel auswählen Nun berechnet man den Minimal Cut im Graphen und erhält damit die Kanten zwischen diesem Cut mit den ihnen zugeordneten Surfels, die also die Grenze von Innen und Außen darstellen. Für Kanten ohne entsprechende Surfel werden neue Surfel mit der Richtung der Kanten erzeugt. Die Richtung wird dann mit den benachbarten Surfels gemittelt. Das Ergebnis ist eine dichte Surfelrepräsentation der 3D Oberfläche. Seminar 3D Rekonstruktion,
19 Anwendung In dieser Abbildung sieht man noch einmal beispielhaft eines der Ausgangsbilder (links) und die berechnete 3D- Rekonstruktion. Seminar 3D Rekonstruktion,
20 Anwendung In dieser Abbildung sind die Orientierungen der Surfel nach den einzelnen Schritten farblich dargestellt. Seminar 3D Rekonstruktion,
21 Anwendung Links sieht man die initialen Surfel nach Schritt 2. In der Mitte sind die verbesserten Surfel nach Schritt 3 dargestellt. Wie man sieht, gibt es hier sehr viele Outlier. Rechts ist das Ergebnis nach Schritt 4 zu erkennen. Seminar 3D Rekonstruktion,
22 Anwendung Die Genauigkeit des Algorithmusses ist mittelhoch, wobei keine Algorithmen deutlich besser sind und nur Furukawa3 auf allen getesteten Datensätzen besser abschneidet. Die Ungenauigkeit beim Sparse Datensatz kommt daher, dass wegen der wenigen Views nicht genug initiale Surfel erstellt werden. Seminar 3D Rekonstruktion,
23 Anwendung Die Vollständigkeit der Rekonstruktion ist zufriedenstellend. Seminar 3D Rekonstruktion,
24 Anwendung Die Laufzeit ist verglichen mit den anderen Ansätzen gering. Von den schnelleren Algorithmen erzeugen nur Zach2 und Vu Ergebnisse von vergleichbarer Qualität. Seminar 3D Rekonstruktion,
25 Fazit Der vorgestellte Ansatz kann sich demnach mit den aktuell verwendeten Methoden für das Multi-View Stereo Problem messen. Er verbindet eine qualitativ gute Rekonstruktion durch die globale Optimierung auf der flexiblen Surfelrepräsentation der 3D-Form mit einer hohen Parallelisierbarkeit, wodurch eine sehr effektive Implementierung auf der GPU möglich ist. Seminar 3D Rekonstruktion,
26 Quellen J.A. Nelder, R. Mead, A simplex method for function minimization, The Computer Journal 7 (4) (1965) G. Vogiatzis, C. Hernandez, P. Torr, R. Cipolla. Multi-view stereo via volumetric graph-cuts and occlusion robust photo-consistency. IEEE Transactions on Pattern Analysis and Machine Intelligence. 29 (12) (2007) Ju Yong Chang, Haesol Park, In Kyu Park, Kyoung Mu Lee, and Sang Uk Lee GPU-friendly multi-view stereo reconstruction using surfel representation and graph cuts. Comput. Vis. Image Underst. 115 (5) (2011) Seminar 3D Rekonstruktion,
Wasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
MehrVoraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen
7. Clusteranalyse (= Häufungsanalyse; Clustering-Verfahren) wird der multivariaten Statistik zugeordnet Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut,
MehrKompakte Graphmodelle handgezeichneter Bilder
Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Authentizierung und Bilderkennung Inhaltsverzeichnis Seminar Mustererkennung WS 006/07 Autor: Stefan Lohs 1 Einleitung 1 Das graphische Modell.1
MehrKompakte Graphmodelle handgezeichneter Bilder. Einbeziehung in Autentizierung und Bilderkennung
Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Autentizierung und Bilderkennung Inhaltsverzeichnis 1 Einleitung Das graphische Model.1 Image Thinning................................. 3.
MehrÜberblick Echtzeit-Rendering. Uwe Domaratius dou@hrz.tu-chemnitz.de
Überblick Echtzeit-Rendering Uwe Domaratius dou@hrz.tu-chemnitz.de Gliederung 1. Einleitung 2. geometriebasierende Verbesserungen 3. Level-of-Detail 4. Culling 5. Texturen 6. bildbasiertes Rendering Was
Mehr"rendern" = ein abstraktes geometrisches Modell sichtbar machen
3. Grundlagen des Rendering "rendern" = ein abstraktes geometrisches Modell sichtbar machen Mehrere Schritte: Sichtbarkeitsberechnung Beleuchtungsrechnung Projektion Clipping (Abschneiden am Bildrand)
MehrComputer Graphik II Tesselierung impliziter Kurven und Flächen
Computer Graphik II impliziter Kurven und Flächen 1 impliziter Flächen Problem: Nullstellenmenge kann nicht explizit berechnet werden! Lösung: ApproximaCon der Fläche auf Zellen Beispiel 2D: f p ( )
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrWie findet das Navi den Weg?
0.05.0 Verwandte Fragestellungen Problemstellungen aus der Praxis Prof. Dr. Paul Rawiel Gliederung des Vortrags Speicherung von Kartendaten zur Navigation Kriterien für die Navigation Finden des kürzesten
Mehr3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel
3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36
MehrKürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik
Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus
MehrGraphen: Datenstrukturen und Algorithmen
Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
MehrIntegration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern
Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Björn Burow SE Mustererkennung in Bildern und 3D-Daten Lehrstuhl Graphische Systeme BTU Cottbus Inhaltsübersicht
MehrEndTermTest PROGALGO WS1516 A
EndTermTest PROGALGO WS1516 A 14.1.2016 Name:................. UID:.................. PC-Nr:................ Beachten Sie: Lesen Sie erst die Angaben aufmerksam, genau und vollständig. Die Verwendung von
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
MehrAsteroids3D Seminar: Game Programming. Anita Dieckhoff, Pedro Flemming, Jan Ole Vollmer Betreuung: Christine Lehmann
Asteroids3D Seminar: Game Programming Anita Dieckhoff, Pedro Flemming, Jan Ole Vollmer Betreuung: Christine Lehmann Gliederung 2 1. Live-Demo und Spielidee 2. Softwarearchitektur und Szenengraph Übersicht
MehrVorlesung 3 MINIMALE SPANNBÄUME
Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei
MehrPfinder: Real-Time Tracking of the Human Body
Pfinder: Real-Time Tracking of the Human Body Christopher Wren, Ali Azarbayejani, Trevor Darrell, Alex Pentland aus: IEEE Transactions on Pattern Analysis and Machine Intelligence (pp. 780-785) 12. April
MehrAlgorithmen & Datenstrukturen 1. Klausur
Algorithmen & Datenstrukturen 1. Klausur 7. Juli 2010 Name Matrikelnummer Aufgabe mögliche Punkte erreichte Punkte 1 35 2 30 3 30 4 15 5 40 6 30 Gesamt 180 1 Seite 2 von 14 Aufgabe 1) Programm Analyse
MehrStatStream : Statistical Monitoring of Thousands of Data Streams in Real Time Yunyue Zhu,Dennis Sasha. Vorgetragen von Matthias Altmann
StatStream : Statistical Monitoring of Thousands of Data Streams in Real Time Yunyue Zhu,Dennis Sasha Vorgetragen von Matthias Altmann Mehrfache Datenströme Beispiel Luft und Raumfahrttechnik: Space Shuttle
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche
MehrVergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN)
Exposé zur Bachelorarbeit: Vergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN) Fakultät: Informatik, Humboldt-Universität zu Berlin Lijuan Shi 09.05.2013 Betreuer: Prof. Dr.
MehrVisualisierung hochdimensionaler Daten. Hauptseminar SS11 Michael Kircher
Hauptseminar SS11 Inhalt Einführung zu hochdimensionalen Daten Visualisierungsmöglichkeiten dimensionale Teilmengen dimensionale Schachtelung Achsenumgestaltung Algorithmen zur Dimensionsreduktion Zusammenfassung
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei
MehrDLR_School_Lab- Versuch Haftmagnet
Drucksachenkategorie DLR_School_Lab- Versuch Haftmagnet Untersuchung von Haftmagneten durch Messungen und numerische Simulation nach der Finite- Elemente-Methode (FEM) Version 3 vom 30. 6. 2014 Erstellt
MehrDarstellung komplexer 3D-Stadtmodelle im (mobilen) Webbrowser mittels bildbasiertem Rendering
Darstellung komplexer 3D-Stadtmodelle im (mobilen) Webbrowser mittels bildbasiertem Rendering Martin Christen FHNW Hochschule für Architektur, Bau und Geomatik Institut Vermessung und Geoinformation martin.christen@fhnw.ch
MehrMethoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien
Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien Katharina Witowski katharina.witowski@dynamore.de Übersicht Beispiel Allgemeines zum LS-OPT Viewer Visualisierung von Simulationsergebnissen
MehrGPU-basiertes Volumenrendering von multimodalen medizinischen Bilddaten in Echtzeit
GPU-basiertes Volumenrendering von multimodalen medizinischen Bilddaten in Echtzeit Ingrid Scholl 1, Nicole Schubert 1, Pascal Ziener 1, Uwe Pietrzyk 2 1 Fachbereich für Elektrotechnik und Informationstechnik,
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
MehrData Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
Mehr17. Workshop EDV in der Stadtplanung. Einfache 3D-Modellierung von Gebäuden mit Structure-from-Motion Algorithmen
17. Workshop EDV in der Stadtplanung Workshop 6: Teil 2: Einfache 3D-Modellierung von Gebäuden mit Structure-from-Motion Algorithmen Prof. Dr. Eberhard Gülch M. Eng. Marius Ziegler 18. Februar 2014 1 Ziel
MehrSS 2005 FAU Erlangen 20.6.2005. Eine Wegeplanungs-Strategie. Jeremy Constantin, Michael Horn, Björn Gmeiner
SS 2005 FAU Erlangen 20.6.2005 Voronoi Diagramm Eine Wegeplanungs-Strategie Jeremy Constantin, Michael Horn, Björn Gmeiner Grundseminar: Umgebungsexploration und Wegefindung mit Robotern am Beispiel "Katz
MehrHeute. Motivation. Diskretisierung. Medizinische Bildverarbeitung. Volumenrepräsentationen. Volumenrepräsentationen. Thomas Jung
t.jung@fhtw-berlin.de Heute Volumenrepräsentationen Thomas Jung Generierung von Volumenrepräsentationen Rendering von Volumenrepräsentationen Konvertierung in Oberflächenrepräsentationen Weitere Geometrische
MehrVolumenrendering. Modellierung der visuellen Erscheinung von semitransparenten, beleuchteten Objekten. Marcel Petrick
Volumenrendering Modellierung der visuellen Erscheinung von semitransparenten, beleuchteten Objekten Marcel Petrick Einleitung Anwendung zur Visualisierung von Skalarfunktionen dreidimensionaler Variablen
MehrNon-Photorealistic Rendering
Übersicht 1. Motivation und Anwendungen 2. Techniken - Cel Shading - Konturlinien - Hatching Einführung Traditionelle Computergraphik Ziel: Fotorealismus Einführung Motivation Bewusste Vermeidung von
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrPraktikum Planare Graphen
1 Praktikum Planare Graphen Michael Baur, Martin Holzer, Steffen Mecke 10. November 2006 Einleitung Gliederung 2 Grundlagenwissen zu planaren Graphen Themenvorstellung Gruppeneinteilung Planare Graphen
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrBildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science
Bildmerkmalssuche Seminar Computational Photography EINFÜHRUNG 2 Einführung Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand
MehrEntwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words
Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields
MehrImplementierung und Evaluierung von Video Feature Tracking auf moderner Grafik Hardware
Implementierung und Evaluierung von Video Feature Tracking auf moderner Diplomarbeit vorgelegt von Sebastian Heymann Betreut von Prof. Dr. Bernd Fröhlich Bauhaus Universität t Dr. Aljoscha Smolic Fraunhofer
Mehr1. Sichtbarkeitsproblem beim Rendern einer dreidimensionalen Szene auf einer zweidimensionalen
3D-Rendering Ulf Döring, Markus Färber 07.03.2011 1. Sichtbarkeitsproblem beim Rendern einer dreidimensionalen Szene auf einer zweidimensionalen Anzeigefläche (a) Worin besteht das Sichtbarkeitsproblem?
MehrAlgorithmen und Datenstrukturen Suchbaum
Algorithmen und Datenstrukturen Suchbaum Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Motivation Datenstruktur zur Repräsentation dynamischer Mengen
MehrCT Rekonstruktion mit Objektspezifischen Erweiterten Trajektorien
DACH-Jahrestagung 2015 Mo.3.A.3 CT Rekonstruktion mit Objektspezifischen Erweiterten Trajektorien Andreas FISCHER 1, Tobias LASSER 2, Michael SCHRAPP 1, Jürgen STEPHAN 1, Karsten SCHÖRNER 1, Peter NOËL
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrAlgorithmentheorie. 13 - Maximale Flüsse
Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk
MehrAutoSPARQL. Let Users Query Your Knowledge Base
AutoSPARQL Let Users Query Your Knowledge Base Christian Olczak Seminar aus maschinellem Lernen WS 11/12 Fachgebiet Knowledge Engineering Dr. Heiko Paulheim / Frederik Janssen 07.02.2012 Fachbereich Informatik
MehrDatenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de
Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der
MehrMOTION TRACKING. Olaf Christ AIS-Sommersemester 2000 Betreuer: Prof. C. Klauck
MOTION TRACKING Olaf Christ AIS-Sommersemester 2000 Betreuer: Prof. C. Klauck Motion Tracking Ziele des Vortrags Einsatzgebiete Bewegungsanalyse Methoden Weitere Probleme des Motion Tracking Abschließendes
MehrPhoToPlan 6.0 Was ist neu?
PhoToPlan 6.0 Was ist neu? Seit Mai 2010 gibt es die wesentlich erweiterte, neue Version 6.0 der Bildentzerrungssoftware PhoToPlan. Die Neuerungen sind: Kompatibilität zu AutoCAD 2011 und AutoCAD LT 2011
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
MehrTermin3 Klassifikation multispektraler Daten unüberwachte Verfahren
Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
Mehr12. Modelle für 3D-Objekte und -Szenen
12. Modelle für 3D-Objekte und -Szenen Modell: Abbild der Realität, welches bestimmte Aspekte der Realität repräsentiert (und andere ausblendet) mathematische Modelle symbolische Modelle Datenmodelle Experimentalmodelle
MehrSeminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:
MehrParallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr
8. Übung Abgabe bis 20.12.2013, 16:00 Uhr Aufgabe 8.1: Zeigerverdopplung Ermitteln Sie an folgendem Beispiel den Rang für jedes Listenelement sequentiell und mit dem in der Vorlesung vorgestellten parallelen
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
MehrInformation Systems Engineering Seminar
Information Systems Engineering Seminar Algorithmische Prüfung der Planarität eines Graphen Marcel Stüttgen, 22.10.2012 FH AACHEN UNIVERSITY OF APPLIED SCIENCES 1 Planarität - Definition Ein Graph heißt
MehrDatenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS07 Datum: 27.6.2007 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Online Algorithmen Update von Listen Move to Front (MTF) Transpose Approximationen
MehrWebergänzung zu Kapitel 10
Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder
MehrMatrox Imaging Library MIL die weltweit hochprämierte und industrieerprobte Bildverarbeitungs-Bibliothek
Matrox Imaging Library MIL die weltweit hochprämierte und industrieerprobte Bildverarbeitungs-Bibliothek Release MIL 9.2 Matrox Imaging Library weltweit ein voller Erfolg! RAUSCHER BILDVERARBEITUNG Telefon
MehrApproximationsalgorithmen
Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert
MehrPersonalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.
Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen
MehrPhoton Mapping. Proseminar How to make a P I X A R movie. Inhaltsverzeichnis. Andreas Schmidt 2011
Photon Mapping Proseminar How to make a P I X A R movie Andreas Schmidt 2011 Inhaltsverzeichnis Zusammenfassung...2 Motivation...2 Photon Tracing Pass...3 Aussenden der Photonen...3 Russisches Roulette...3
Mehr8 Diskrete Optimierung
8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von
MehrGuten Morgen und Willkommen zur Saalübung!
Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei
MehrVolumen Visualisierung
Volumen Visualisierung Seminar Interaktive Visualisierung (WS 06/07) Fabian Spiegel und Christian Meß Fabian Spiegel und Christian Meß 1 Übersicht Anwendungsbeispiele Volumendaten Entstehung Repräsentation
Mehr:= Modellabbildung. Bildsynthese (Rendering) Bildsynthese
Geometrisches Modell bestehend aus Datenstrukturen zur Verknüpfung geometrischer Primitive, welche eine Gesamtszene beschreiben Bildsynthese := Modellabbildung Pixelbasiertes Modell zur Darstellung eines
MehrInternet Mapping: from Art to Sience Peer-to-Peer Seminar Ausarbeitung
Albert-Ludwigs-Universität Freiburg SS 2009 Institut für Informatik Lehrstuhl für Rechnernetze und Telematik Seminararbeit Internet Mapping: from Art to Sience Peer-to-Peer Seminar Ausarbeitung Patrick
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/5, olie 1 2014 Prof. Steffen Lange - HDa/bI
MehrDokumentation: wi://googlemaps
1 Dokumentation: wi://googlemaps zur Einbindung von eigenen GoogleMaps Karten im TYPO3 Backend 2 Inhalt Einrichtung des Plugins... 3 Schritt 1: Frontend Plugin anlegen... 3 Schritt 2: Speicherort der Datensätze
MehrAlgorithmen und Datenstrukturen Bereichsbäume
Algorithmen und Datenstrukturen Bereichsbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung k-d Baum BSP Baum R Baum Motivation
MehrLeica 3D Disto CAD-Werkzeuge
Leica 3D Disto CAD-Werkzeuge Wann werden sie benötigt? um Fenster, Türen und andere Wanddetails zu messen um verdeckte Punkte zu messen 90 um Ecken von genau 90.000 zu erzeugen 45 um Sollmaße zu erzeugen
MehrSeminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Ingmar Gründel HAW-Hamburg 15. Dezember 2006 Ingmar Gründel Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
MehrSuche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20
Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
Mehr*UDGLHQWHQEDVLHUWH5HNRQVWUXNWLRQ YRQG2EHUIOlFKHQ
*UDGLHQWHQEDVLHUWH5HNRQVWUXNWLRQ YRQG2EHUIOlFKHQ Simon Winkelbach Institut für Robotik und Prozeßinformatik Technische Universität Braunschweig Hamburger Str. 267 D-38114 Braunschweig Technischer Bericht
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
MehrUndirected Single-Source Shortest Paths with Positive Integer Weights in Linear Time
Universität Konstanz Mathematisch-naturwissenschaftliche Sektion Fachbereich Mathematik und Statistik Wintersemester 2001/02 Mikkel Thorup: Undirected Single-Source Shortest Paths with Positive Integer
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume
Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen
MehrRendering Grundlagen Autodesk Maya. Grundlagen. Version 1.0-2009-04-08. 2009 Ingo Clemens brave rabbit www.braverabbit.de
Rendering Grundlagen Version 1.0-2009-04-08 Allgemeine Unterschiede bei Renderern Scanline Rendering Raytrace Rendering Renderlayer Einsatz von Renderlayern Overrides Material Overrides Layer Presets Batch
MehrMaximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de
Maximaler Fluß und minimaler Schnitt Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Wasist das? Maximaler Fluss Minimaler Schnitt Warumtut man das? Logistische
MehrInformatik 11 Kapitel 2 - Rekursive Datenstrukturen
Fachschaft Informatik Informatik 11 Kapitel 2 - Rekursive Datenstrukturen Michael Steinhuber König-Karlmann-Gymnasium Altötting 15. Januar 2016 Folie 1/77 Inhaltsverzeichnis I 1 Datenstruktur Schlange
MehrAlgorithmische Methoden der Netzwerkanalyse
Algorithmische Methoden der Netzwerkanalyse Marco Gaertler 9. Dezember, 2008 1/ 15 Abstandszentralitäten 2/ 15 Distanzsummen auf Bäumen Lemma Sei T = (V, E) ein ungerichteter Baum und T s = (V S, E s )
MehrDense Image Matching mit Schrägluftbildern der Leica RCD30 Oblique Penta
Dense Image Matching mit Schrägluftbildern der Leica RCD30 Oblique Penta MARIANNE DEUBER 1 Zusammenfassung: Für den Vergleich von Dense Image Matching Algorithmen wurde eine Untersuchungssyste-matik erarbeitet
MehrEin Algorithmus für die
VGG 1 Ein Algorithmus für die Visualisierung gerichteter Graphen in der Ebene (2D) Seminar Graph Drawing SS 2004 bei Prof. Bischof (Lehrstuhl für Hochleistungsrechnen) Gliederung VGG 2 Einleitung Motivation
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
MehrTowards Automated Analysis of Business Processes for Financial Audits
Towards Automated Analysis of Business Processes for Financial Audits Michael Werner Universität Hamburg michael.werner@wiso.uni hamburg.de Max Brauer Allee 60 22765 Hamburg StB Prof. Dr. Nick Gehrke Nordakademie
MehrStereoskopisches 3D Gaming
PRIME Symposium 17.02.2011 BERLIN Stereoskopisches 3D Gaming Jonas Schild Lehrstuhl für Medieninformatik und Entertainment Computing Universität Duisburg Essen Lehrstuhl Medieninformatik Entertainment
MehrAbschätzung des Disparitätsraums für das Stereo-Matching mithilfe von Bildmerkmalen
Abschätzung des Disparitätsraums für das Stereo-Matching mithilfe von Bildmerkmalen Erarbeitet im Rahmen der Masterarbeit (eingereicht Sept. 2012): Beleuchtungsinvariante und rauschintensive Disparitätskartenberechnung
MehrImage Forensics. http://www.csse.uwa.edu.au/~pk/forensic/index.html. Multimedia Sicherheit, Martin Steinebach
Image Forensics Forensische Anwendungen im Bildbereich sind mehrfach belegt Optimierung von Bildern, die z.b. mit Überwachungskameras aufgenommen wurden Rauschen entfernen http://www.csse.uwa.edu.au/~pk/forensic/index.html
MehrSo importieren Sie einen KPI mithilfe des Assistenten zum Erstellen einer Scorecard
1 von 6 102013 18:09 SharePoint 2013 Veröffentlicht: 16.07.2012 Zusammenfassung: Hier erfahren Sie, wie Sie einen KPI (Key Performance Indicator) mithilfe des PerformancePoint Dashboard Designer in SharePoint
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