Einführung in die medizinische Bildverarbeitung SS 2013
|
|
- Käthe Hofmann
- vor 6 Jahren
- Abrufe
Transkript
1 Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1
2 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, y) x 2 2 f ( x, y) y 2 1. Ableitung: Maximum 2. Ableitung: Null-Durchgang 2
3 Kurze Wiederholung Länge des Vektors die Länge des Vektors gibt die Stärke der Änderung an (Magnitude) ( ) = mag( f ) = g 2 2 x + g y M x, y Annäherung über Manhatten-Distanz: Richtung des Gradientenvektors Richtung der größten Änderung ( ) = arctan g y α x, y ( ) G f x, y G x + G y g x Operatoren Robert s Kreuz Prewitt Sobel 3
4 Kantenfilter mit zweiter Ableitung Laplace-Operator zweidimensionales Äquivalent zur zweiten Ableitung definiert auf f(x,y): 2 f = 2 f x f y 2 Annäherung: ( ) 2 f x = G f x [ i, j +1] f [ i, j] = 2 x x f [ i, j +1] = f [ i, j ] x x ( f [ i, j + 2] f [ i, j +1] ) f [ i, j +1] f i, j = f [ i, j + 2] 2 f [ i, j +1]+ f [ i, j] ( [ ]) Problem: Zentrum der Approximation [i,j+1] 4
5 Lösung: Substitution j mit j-1 dadurch zentriert auf [i,j] 2 f = f 2 [ i, j +1] 2 f [i, j]+ f [i, j 1] x 2 f y 2 2 = f [ i +1, j ] 2 f [i, j]+ f [i 1, j] es gibt weitere Variationen der Filterkerne Laplace-Operator repräsentiert eine Kante nicht durch ein Maximum, sondern durch einen Nulldurchgang sehr Rauschempfindlich! benötigt sehr gute Glättungsfilter 5
6 Laplace Edge f [ k,l] =
7 Marr-Hildreth Kantendetektor David Marr / Ellen Catherine Hildreth 1980 Grauwert-Änderungen sind abhängig von der Bildgröße/Skalierung starker Wechsel des Grauwertes bedeutet Maximum in erster Ableitung und Nulldurchgang in der zweiten Ableitung Operatoren sollten verschiedene Größen haben Zwei Bedingungen: 1. Differential-Operator der im diskreten Bereich eine Annäherung an die erste und zweite Ableitung findet, für jeden Pixel im Bild 2. Sollte anpassbar sein großer Operator für weiche Kanten kleiner Operator für harte, abrupte Kanten Idee: 2 G mit: 2 = 2 f x f y 2 G( x, y) = e x 2 +y 2 2σ 2 Laplace kombiniert mit 2D Gauss 7
8 Marr-Hildreth Kantendetektor ( ) = 2 G( x, y) 2 G x, y = x x σ 2 e σ 1 4 = x2 σ 2 x 2 +y 2 2σ 2 e x 2 x 2 +y 2 + y 2σ 2 + y2 + 2 G( x, y) y 2 x y σ e 2 2 +y 2 2σ 2 σ 1 4 σ 2 e x 2 +y 2 2σ 2 2 G x, y ( ) = x2 + y 2 2σ 2 σ 4 e x 2 +y 2 2σ 2 wird als LoG (Laplacian of a Gaussian) oder Mexican Hat Operator bezeichnet 8
9 [Quelle: Nulldurchgang bei x 2 + y 2 = 2σ 2 Kreis mit Radius 2σ um das Zentrum 2 2σ 9
10 Marr-Hildreth Eigenschaften Zwei Ideen: 1. Gauss-Anteil für Blur, reduziert Intensität von Strukturen (inkl. Rauschen). Sowohl im räumlichen als auch Frequenzbereich, daher weniger Artefakte 2. Zweite Ableitung, da diese isotrop ist (Rotationsunabhängig) ( ) = 2 G( x, y) f ( x, y) ( ) = 2 G x, y g x, y Linearität: g x, y ( ) f x, y ( ) Algorithmus: 1. Filtere Eingabebild mit n x n Gauss-Tiefpass ( ) = e x 2 +y 2 G x, y 2σ 2 2. Berechne Laplacian aus dem Ergebnis von 1. mit geeigneter Maske (z.b. 3x3) 3. Finde die Null-Durchgänge im Ergebnis von 2. 10
11 [Quelle: 11
12 Canny Edge Detektor enwickelt von John F. Canny 1986 Drei Ziele für das Verfahren: 1. Detektion mit niedriger Fehlerrate: Finde einen echten Kantenpunkt durch Maximierung der Wahrscheinlichkeit verringere die Wahrscheinlichkeit einen falschen Kantenpunkt zu finden durch Minimierung maximiere Signal-to-Noise Ratio 2. Lokalisierung: die gefundenen Kanten sollten so nahe wie möglich an den echten Kanten liegen 3. Anzahl gefundener Kanten: eine echte Kante sollte nicht mehr als eine detektierte Kante erzeugen (ähnlich Punkt 1) Dabei gibt es vier Schritte im Verfahren: 1. Smoothing: Glättung zum Minimieren von Rauschen 2. Gradienten finden: berechne Gradienten und Winkel 3. NMS (Non-Maximum Suppression): nur lokales Maximum wird als Kante markiert 4. Double Tresholding: Erkenne potentielle Kanten durch Thresholding und Verbindungsanalyse (Kanten erkennen und verbinden) 12
13 gute Annäherung an optimalen Kantendetektor (1. Ableitung Gauss) x d 2 dx e 2σ 2 x 2 σ 2 e 2σ 2 = x benötigt aber eine Anwendung in alle möglichen Richtungen Lösung: 1. Smoothing mit 2D Gauss 2. Berechnung der Gradienten (Sobel-Operator) 3. Kantenstärke und Richtung f(x,y) = Eingabebild & G(x,y) = Gauss G( x, y) = e x 2 +y 2 2σ 2 geglättetes Bild: f s ( x, y) = G( x, y) f x, y ( ) Betrag und Winkel: M ( x, y) = g 2 2 x + g y und α x, y ( ) = tan 1 g y g x mit g = f s x x und g = f s y y 13
14 das Ergebnis enthält nun aber Erhöhungen oder Kämme (engl. Ridges) herum um lokale Maxima (ähnlich Blurring) dies muss beseitigt werden, die Kanten sollen also geschärft werden, z.b. mit NMS (Non Maxima Suppression) 1. Gradientenrichtung auf 45 runden 2. Kantenstärke des aktuellen Pixels mit dem Pixel entlang der positiven und negativen Gradientenrichtung bestimmen 3. Wenn die Kantenstärke des aktuellen Pixels am stärksten ist, diesen als Kante behalten. Ansonsten löschen [Quelle:Gonzalez/Woods Digital Image Processing] [Quelle:Canny Edge Detection, 09gr820] 14
15 Thresholding Threshold g N (x,y) um falsche Kantenpunkte zu reduzieren wenn T zu niedrig falsche Kantenpunkte (false positives) wenn T zu hoch echte Kantenpunkte werden entfernt (false negatives) Lösung: Hysteresis Thresholding mit zwei Thresholds T L und T H Verhältnis zwischen T L und T H etwa 2:1 oder 3:1 Algorithmus: erstelle zwei neue Bilder die zuerst 0 sind Thresholding: g NH g NL ( x, y) = g N ( x, y) T H ( x, y) = g N ( x, y) T L Ergebnis: g NH (x,y) hat weniger nonzero Pixel als g NL (x,y), aber alle nonzero Pixel aus g NH (x,y) sind in g NL (x,y) enthalten, da g NL (x,y) mit niedrigerem Threshold erstellt wurde Eliminiere alle nonzero Pixel in g NL (x,y) die auch in g NH (x,y) vorkommen g NL ( x, y) = g NL x, y ( ) g ( NH x, y) die nonzero Pixel in g NH (x,y) und g NL (x,y) sind als starke bzw. schwache Kantenpunkte anzusehen 15
16 Thresholding (Fortsetzung) nach dem Thresholding werden alle Pixel in g NH (x,y) als echte Pixel angesehen und daher unmittelbar markiert Abhängig von T H haben die Kanten in g NH (x,y) evtl. Lücken. Kanten können wie folgt gebildet werden: 1. Lokalisiere den nächsten unbesuchten Kantenpunkt p in g NH (x,y) 2. Markiere alle schwachen Pixel in g NL (x,y) als Kantenpunkt, wenn sie mit p verbunden sind (z.b. N8) 3. wenn alle nonzero Pixel in g NH (x,y) besucht wurden, fahre mit Schritt 4 fort, ansonsten wiederhole von Schritt 1 an 4. setze alle Pixel in g NL (x,y) auf 0, die nicht als echte Kantenpunkte markiert wurden Letzter Schritt: füge alle nonzero Pixel aus g NL (x,y), g NH (x,y) hinzu 16
17 erhaltende Glättung Glättung des Bildes beeinflusst auch Kanten (Übergänge werden weicher ) Kantendetektion ohne Glättung führt u.u. zu falschen Kantenpixeln Lösung: Kantenerhaltende Glättung (Anisotrope Diffussion) Ausgangspunkt: Heat Equation Gauss-geglättetes Bild repräsentiert einen Zeitpunkt aus der Lösung, mit dem Originalbild aus Ausgangsbedingung Lösung zu g( x, y,t) t mit g x, y,0 = g( x, y,t) ( ) = f ( x, y) ist g( x, y,t) = G 2t f ( x, y) mit G( σ ) = Gauss-Filter mit Std.-Abweichung σ 17
18 erhaltende Glättung Anisotropische Diffusion beinhaltet einen Leitterm, der von der Struktur des Bildes abhängt Dies schränkt die Glättung an Kanten ein g t = c( g ) g c g Dabei ist ein Fuzzy Cutoff, der die Leitung in Gebieten mit großem reduziert Als effektiv hat sich in der Praxis dabei folgender Wert erwiesen: c( g ) = e ( ) g g 2 2k 2 Da es sich im einen Iterativen Prozess handelt wird dabei mit jedem Iterationsschritt der Radius des Gauss-Filters erhöht 18
Elementare 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
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
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 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
MehrStudienarbeit zur Still Image Segmentation
Studienarbeit zur Still Image Segmentation Studienarbeit von Susanne Krabbe aus Greifswald vorgelegt am Lehrstuhl für Praktische Informatik IV Prof. Dr. Effelsberg Fakultät für Mathematik und Informatik
MehrWasserfall-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
MehrDetektion, Kompression und Rekonstruktion von geometrischen Objekten mittels numerischer Methoden
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Detektion, Kompression und Rekonstruktion von geometrischen Objekten mittels numerischer Methoden Bachelorarbeit in Mathematik vorgelegt
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
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
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
MehrRekonstruktion 3D-Datensätze
Rekonstruktion 3D-Datensätze Messung von 2D Projektionsdaten von einer 3D Aktivitätsverteilung Bekannt sind: räumliche Anordnung der Detektoren/Projektionsflächen ->Ziel: Bestimmung der 3D-Aktivitätsverteilung
Mehr6. Computer Vision. Bilder der Szene erstellen
6. Computer Vision Idee: Dem Rechner beibringen zu sehen. Prinzipielle Vorgehensweise: (i) Bild(er) der Szene erstellen (ii) Szene identifizieren: Merkmalsextraktion 1 S Bilder der Szene erstellen Probleme:
MehrProjektdokumentation
Thema: Bildschärfung durch inverse Filterung von: Thorsten Küster 11027641 Lutz Kirberg 11023468 Gruppe: Ibv-team-5 Problemstellung: Bei der Übertragung von Kamerabildern über ein Video-Kabel kommt es
MehrZusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann
Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:
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.
MehrKantenbasierte Wiedererkennung einfarbiger
Institut für Informatik Arbeitsgruppe für künstliche Intelligenz Kantenbasierte Wiedererkennung einfarbiger Objektflächen Eine Ausarbeitung von André Stephan Betreuer: Daniel Göhring 26. März 2008 Inhaltsverzeichnis
MehrSCHWELLWERTVERFAHREN UND NICHTLINEARE BINÄRBILDVERARBEITUNGSOPERATIONEN ZUR SEGMENTIERUNG VON MONOCHROMATISCHEN ZELLBILDERN
SCHWELLWERTVERFAHREN UND NICHTLINEARE BINÄRBILDVERARBEITUNGSOPERATIONEN ZUR SEGMENTIERUNG VON MONOCHROMATISCHEN ZELLBILDERN W. Abmayr, K. Rodenacker, P. Gais und G. Burger Gesellschaft für Strahlen- und
MehrBildverarbeitung und Mustererkennung
Bildverarbeitung und Mustererkennung Prüfung im Modul ET5030 für den Masterstudiengang Systems Design & Production Management Professor Dr.-Ing. Martin Werner Juli 2013 Hinweise zur Bearbeitung der Klausur
MehrInhalte. HS BO Lab. für Photogrammetrie: Verfahren zur automatisierten Auswertung 1
Inhalte Verfahren zur automatisierten Auswertung Korrespondenzanalyse Bildzuordnungsverfahren Merkmalsextraktion Merkmalsbasierte Zuordnung Interest-Operatoren Flächenbasierte Zuordnung Korrelationsalgorithmen
MehrProgrammierbeispiele und Implementierung. Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de
> Programmierbeispiele und Implementierung Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de 2 > Übersicht > Matrix Vektor Multiplikation > Mandelbrotmenge / Apfelmännchen berechnen > Kantendetektion
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
MehrMorphologische Bildoperationen
Morphologische Bildoperationen Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Gürcan Karakoc Betreuer: Suat Gedikli Abgabetermin: 10.04.2006 1 Inhaltsverzeichnis
MehrGeometrische Methoden der mathematischen Bildverarbeitung in der Materialprüfung
Geometrische Methoden der mathematischen Bildverarbeitung in der Materialprüfung Bachelorarbeit Hochschule: Studiengang: Student: Hochschule Neubrandenburg University of Applied Sciences Geoinformatik
MehrBLITZ /BLITZLOSE FOTOGRAFIE
Antje Hemling Seminar Computational Photography BLITZ /BLITZLOSE FOTOGRAFIE 1 Inhalt Einleitung Geschichte des Blitzes Funktion des Blitzes Probleme Methode Petschniggu.A. Bilaterale Filterung Joint Bilaterale
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,
MehrHauptseminar Autofokus
Hauptseminar Autofokus Hans Dichtl 30. Januar 2007 Wann ist ein Bild fokussiert? Wann ist ein Bild fokusiert? Welche mathematischen Modelle stehen uns zur Verfügung? Wie wird das elektronisch und mechanisch
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
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrKapitel 13 Binärisierung und Verarbeitung von Binärbildern p.2/40
Kapitel 13 Binärisierung und Verarbeitung von Binärbildern Automatische Schwellwertbestimmung Verarbeitung von Dokumentbildern (Skew- und Slant-Korrektur) Mathematische Morphologie Distanz-Transformation
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
MehrEntwicklung und Implementierung von Algorithmen zur Merkmalsdetektion in 3D-Laserscanpunktwolken nach der Multiskalenstrategie
Entwicklung und Implementierung von Algorithmen zur Merkmalsdetektion in 3D-Laserscanpunktwolken nach der Multiskalenstrategie EBERHARD GÜLCH 1, PAUL RAWIEL 2 & JÜRGEN PILZ 3 Zusammenfassung: Zur Erfassung
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
MehrAusgewählte Themen zu Bildverstehen und Mustererkennung. Challenges for Driver Assistance Systems Lane Detection. Christoph Bartenhagen.
Deckblatt Ausgewählte Themen zu Bildverstehen und Mustererkennung Lane Detection Christoph Bartenhagen 1 Agenda A Lane Detection B Vehicle Detection 2 Agenda Gliederung 1 Einleitung 2 Road Detection 3
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
MehrGrundlagen: Bildverarbeitung / Objekterkennung. Technische Universität München. Fakultät für Informatik. Seminar Thesis. Betreuer: Jan Bandouch
Grundlagen: Bildverarbeitung / Objekterkennung Technische Universität München Fakultät für Informatik Seminar Thesis Betreuer: Jan Bandouch Abgabedatum: 05.07.2006 von Julia Peterwitz Grundlagen der Bildverarbeitung
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
MehrKapitel 8 Text für eine Internetseite erstellen
Bilder und Schriften für das World Wide Web müssen anders produziert und aufbereitet werden als Bilder, die für die Ausgabe auf Ihrem Tintenstrahldrucker oder für die Weitergabe an eine Druckerei bestimmt
Mehrdie Kunst, mit wenig Farbklexen bunte Bilder zu machen Halftoning, Dithering
Farbreduktion die Kunst, mit wenig Farbklexen bunte Bilder zu machen Halftoning, Dithering zwei Schritte: geeignete Farben (Repäsentanten) finden Farbreduktion alle Bildfarben den Repräsentanten zuordnen
MehrHauptdiplomklausur Informatik August 2006: Multimedia Technology
Universität Mannheim Fakultät für Mathematik und Informatik Lehrstuhl für Praktische Informatik IV Prof. Dr.-Ing. W. Effelsberg Hauptdiplomklausur Informatik August 2006: Multimedia Technology Name: Matrikel-Nr.:
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
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
MehrGrundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
Mehr( ) als den Punkt mit der gleichen x-koordinate wie A und der
ETH-Aufnahmeprüfung Herbst 05 Mathematik I (Analysis) Aufgabe [6 Punkte] Bestimmen Sie den Schnittwinkel α zwischen den Graphen der Funktionen f(x) x 4x + x + 5 und g(x) x x + 5 im Schnittpunkt mit der
MehrIndustrielle Bildverarbeitung
Industrielle Bildverarbeitung Übungen 1. Aufgabe Ein Objektiv mit der Brennweite 12.5mm kann auf Entfernungen zwischen 0.5 m und eingestellt werden. Wie gross ist dann jeweils die Bildweite? Dieses Objektiv
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrMorphologie auf Binärbildern
Morphologie auf Binärbildern WS07 5.1 Konen, Zielke WS07 5.2 Konen, Zielke Motivation Aufgabe: Objekte zählen Probleme: "Salt-&-Pepper"-Rauschen erzeugt falsche Objekte Verschmelzen richtiger Objekte durch
MehrObjekterkennung in Bilddaten
Westfälische Wilhelms-Universität Münster Institut für Informatik Seminar: Unterstützung von Landminendetektion durch Bildauswertungsverfahren und Robotereinsatz (WS 03/04) Dozenten: Dr. D. Lammers, Dipl.
MehrKR II: Visuelle Verarbeitung II (Bildverarbeitung, Objekterkennung, Interpretation)
KR II: Visuelle Verarbeitung II (Bildverarbeitung, Objekterkennung, Interpretation) Prof. Dr. Verena V. Hafner, Humboldt-Universität zu Berlin, Institut für Informatik, WS 2008/2009 Ein Großteil dieser
MehrProjekt Espresso WS 2003-04. von Nicolas Mayer, Christian Kanthak & Rafael Karbowski. -> Übersicht
Bildverarbeitungssysteme von Nicolas Mayer, Christian Kanthak & Rafael Karbowski -> Übersicht 1 Übersicht: 1. Orasis3D 2. ImageMagick 3. Open CV 4. Zusammenfassung -> Orasis3D 2 -> Übersicht Orasis3D 3
Mehr9th NEMO-SpectroNet Collaboration Forum
9th NEMO-SpectroNet Collaboration Forum Jena, 15.12.2010 Color and Multi Spectral Imaging An Overview Dr. Ing. Thomas Fahlbusch, PhotonicNet GmbH, Hannover Farbaufnahme 1-Chipkamera Bayer Farbmosaik Chips
MehrMobile Media Processing: isolve - Sudoku
Seminar Mobile Media Processing: isolve - Sudoku Westfälische Wilhelms-Universität Münster Computer Vision and Pattern Recognition Group Jan Roters Markus Madeja Rainer Reich Wintersemester 2007/2008 Abstract
MehrNon-Photorealistic Rendering
Übersicht 1. Motivation und Anwendungen 2. Techniken - Cel Shading - Konturlinien - Hatching Einführung Traditionelle Computergraphik Ziel: Fotorealismus Einführung Motivation Bewusste Vermeidung von
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
Mehr4. Die wichtigsten Basistechniken im Praxiseinsatz
Verlustfreies Arbeiten mit Ebenen, Smart-Objekten & Co.. Die wichtigsten Basistechniken im Praxiseinsatz Verlustfreies Arbeiten mit Ebenen, Smart-Objekten & Co. Zu flau, zu hell, nicht richtig scharf?
MehrSkript zur Vorlesung Digitale Bildverarbeitung Sommersemester 2014
Skript zur Vorlesung Digitale Bildverarbeitung Sommersemester 2014 (Version 3.3, 3.4.2014) Susanne Winter Institut für Neuroinformatik 2 Inhalt Erläuterungen... 5 1. Einführung... 7 2. Was ist ein Digitales
MehrInstitut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) Sommersemester 2012. Aufgabe 3 (für Informatiker)
Rheinisch-Westfälische Technische Hochschule Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) Sommersemester 22 Prof. Dr. Wolfgang Dahmen Yuanjun Zhang, M.Sc., Dipl.-Math.
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
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
MehrArbeiten mit Adobe Photoshop Elements
D. Rudolph & J. E. von Specht Arbeiten mit Adobe Photoshop Elements Teil 1 Objekte freistellen Kompositionen erstellen Um Bildkompositionen zu erstellen, muss man gelegentlich Objekte freistellen. Dies
MehrAnleitung v3.1. Übersicht zeigt Ihnen alle Seiten Ihres Albums Seite zeigt eine bestimmte Seite Ihres Albums
3 Fotos und Text einfügen und ordnen Oben im Programmfenster sehen Sie zwei Registerkarten: Anleitung v3.1 Übersicht zeigt Ihnen alle Seiten Ihres Albums Seite zeigt eine bestimmte Seite Ihres Albums Doppelklicken
MehrMerkzettel Bildverarbeitung
Merkzettel Bildverarbeitung Sven Findeiß im Sommersemester 005 Inhaltsverzeichnis Bildrepresentation 3. achbarschaften...................................... Abstandsmaße......................................
MehrDiagnostik der angeborenen Hämoglobinopathien
Diagnostik der angeborenen Hämoglobinopathien mit Massenspektrometrie Mag. Ostermann Katharina Medical University of Vienna Department of Pediatrics and Adolescent Medicine Research Core Unit Pediatric
MehrOption 1: Hinzufügen eines Schritts zur Bearbeitungsliste... 2
Erklärung der Bearbeitungsliste Frage Wie verwende ich die Bearbeitungsliste? Antwort Alle Optimierungen, die auf Bilder angewandt werden, und im Rahmen der einzelnen Optimierungen jeweils vorgenommenen
MehrMethoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen
Methoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen Christian Scheideler SS 2009 16.07.2009 Kapitel 2 1 Übersicht Notation Paging Selbstorganisierende Suchstrukturen Finanzielle
MehrDigitale Signalbearbeitung und statistische Datenanalyse
Digitale Signalbearbeitung und statistische Datenanalyse Teil 5 8 Aus ontinuierlichem Signal werden in onstanten Zeitintervallen Daten entnommen ontinuierliches Signal x(t) Einheitsimpulsfuntion Gewichtete
MehrInformatik II Greedy-Algorithmen
7/7/06 lausthal Erinnerung: Dynamische Programmierung Informatik II reedy-algorithmen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Zusammenfassung der grundlegenden Idee: Optimale Sub-Struktur:
MehrChange Detection mittels Fourieranalysen, segment- sowie texturbasierter Methoden
gi-reports@igf Band 14 Institut für Geoinformatik und Fernerkundung (IGF) Change Detection mittels Fourieranalysen, segment- sowie texturbasierter Methoden Sascha Klonus, Daniel Tomowski, Manfred Ehlers,
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
Mehr2. Übungsaufgabe: Geometrieoptimierung, Verwendung der Z-Matrix
Theoretische Chemie II Übungen am Computer Prof. Bernhard Dick Christian Neiß Uni Regensburg WS 2003/2004 2. Übungsaufgabe: Geometrieoptimierung, Verwendung der Z-Matrix A. Vorbemerkungen: Angabe der Molekülgeometrie
MehrKapitel 4 Leitungscodierung
Kapitel 4 Leitungscodierung Prof. Dr. Dirk W. Hoffmann Hochschule Karlsruhe w University of Applied Sciences w Fakultät für Informatik Übersicht Quelle Senke Kompression Huffman-, Arithmetische-, Lempel-Ziv
MehrIndustrielle Bildverarbeitung mit OpenCV
Industrielle Bildverarbeitung mit OpenCV Zhang,Duoyi 6.7.2 Gliederung. Einführung für OpenCV 2. Die Struktur von OpenCV Überblick Funktionsumfang in Ausschnitten mit Beispielen 3. Industrielles Anwendungsbeispiel
MehrDigitalfotos bearbeiten mit Photoshop Elements 7.0
Das große Buch Digitalfotos bearbeiten mit Photoshop Elements 7.0 Pavel Kaplun Dr. Kyra Sänger DATA BECKER Unauffällige Methoden der Rauschunterdrückung 6.3 Unauffällige Methoden der Rauschunterdrückung
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
MehrVorbereitungsaufgaben
Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät
Mehr13 Java 4 - Entwurfsmuster am Beispiel des Rucksackproblems
13 Java 4 - Entwurfsmuster am Beispiel des Rucksackproblems 13.1 Modellierung des Rucksackproblems 13.2 Lösung mit Greedy-Algorithmus 13.3 Lösung mit Backtracking 13.4 Lösung mit Dynamischer Programmierung
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
MehrAudio bearbeiten mit Audacity Eine kurze Anleitung optimiert für Version 1.2.4
Audio bearbeiten mit Audacity Eine kurze Anleitung optimiert für Version 1.2.4 Wolfgang Schubert, Nando Stöcklin, PHBern, Zentrum für Bildungsinformatik, bildungsinformatik.phbern.ch 1 Fallbeispiel Nehmen
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. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum
4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.
MehrLeichtbauprüfung mittels Multisensorsystemen
Leichtbauprüfung mittels Multisensorsystemen Wolfgang Schmidt Fraunhofer IPA Warum Multisensorsysteme? Ausnutzung der verfahrensspezifischen Stärken zum Defektnachweis Verfahrensredundanz durch unabhängig
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
MehrEntwicklung und Vergleich von Verfahren zur semi-automatischen 2D Posen-Annotation
Fraunhofer IOSB Institut für Optronik, Systemtechnik und Bildauswertung Entwicklung und Vergleich von Verfahren zur semi-automatischen 2D Posen-Annotation Studienarbeit von Sebastian Bernd Krah 15. September
MehrDetektion von Markern in einer Szene
Detektion von Markern in einer Szene Bachelorarbeit an der Fakultät für Informations-, Medien und Elektrotechnik der Fachhochschule Köln im Institut für Medien- und Phototechnik Autor Felix Spalthoff Matr.-Nr.:
MehrFormat Kompression Farbtiefe Speicherbedarf Eigenschaften bmp. Windows Bilder Bitmap. Bis 16,7 Mio Austauschformat zwischen Welten
Bildbearbeitung Bilder und Grafiken müssen für den Druck oder den Bildschirm unterschiedlich aufbereitet werden. Entscheidend ist dabei der Speicherbedarf und davon abhängig die Bildqualität. Ein Bild
MehrWie modelliere ich einen Bilderrahmen?
Wie modelliere ich einen Bilderrahmen? Hallo, dieses Tutorial sollte Anfängern zeigen wie man in Blender einen Schnitt durch verschiedenste Profile erstellen kann und diese dann auch anordnet und miteinander
MehrBildverarbeitung. Modul TA.BA EBV
Bildverarbeitung Modul TA.BA EBV Tobias Plüss 29. Juni 2013 Inhaltsverzeichnis 1 Mathematische Beschreibung von Bildern................................... 5 1.1 Histogramm..............................................................
MehrExcel Pivot-Tabellen 2010 effektiv
7.2 Berechnete Felder Falls in der Datenquelle die Zahlen nicht in der Form vorliegen wie Sie diese benötigen, können Sie die gewünschten Ergebnisse mit Formeln berechnen. Dazu erzeugen Sie ein berechnetes
MehrArbeit, Energie, Leistung. 8 Arbeit, Energie, Leistung 2009 1
Arbeit, Energie, Leistung 8 Arbeit, Energie, Leistung 2009 1 Begriffe Arbeit, Energie, Leistung von Joule, Mayer und Lord Kelvin erst im 19. Jahrhundert eingeführt! (100 Jahre nach Newton s Bewegungsgesetzen)
MehrTipp 14 Messdaten für die Analyse vorbereiten!
Der NanoFocus-Expertentipp Tipp 14 Messdaten für die Analyse vorbereiten! NanoFocus AG 1 Die Messdaten sind erfasst und was nun? Jeder Messdatensatz bedarf einer Aufbereitung vor der eigentlichen Analyse.
MehrPrüfung der VO Grundlagen der digitalen Bildverarbeitung Kropatsch
Prüfung der VO Grundlagen der digitalen Bildverarbeitung Kropatsch Grundsätzliches: Im Allgemeinen scheint die Angabe etwas verwirrend zu sein, da man bei manchen Beispielen mit seiner Matrikelnummer jonglieren
MehrGrundlagen Bildverarbeitung
Grundlagen Bildverarbeitung Ao.Univ.-Prof. Dr. Andreas Uhl WS 2005/2006 Abstract The basis of this material are course notes compiled by students which have been corrected and adapted by the lecturer.
MehrGrundlagen Programmierung
13. Aufgabe (13 Punkte) Schreiben Sie eine neue Klasse Zahlenanalyse, mit der Integer-Objekte genauer betrachtet werden können. Bei den zu entwickelnden Methoden kann es immer sinnvoll sein, sich den Ablauf
MehrSteueranweisungen. Eike Schallehn Grundlagen der Informatik für Ingenieure Wintersemester 08/09 2 32
Steueranweisungen Bisher Programme mit Funktionen als einfache Folge von Befehlen Ablauf von Programmen darüber hinaus steuerbar über Bedingte Ausführung: Ausführung von Programmteilen (Befehlen oder Programmblöcken)
MehrInnovative Verfahren für die 3D Laser-Triangulation
Innovative Verfahren für die 3D Laser-Triangulation C2 C4 C3 Firmenprofil AT Automation Technology GmbH Seit 1998 Sitz in Bad Oldesloe zwischen Hamburg und Lübeck 20 Mitarbeiter (Ingenieure) Zwei Geschäftsfelder
MehrFür die Parameter t und ϕ sind das im angegebenen Bereich Funktionen, d.h. zu jedem Parameterwert gehört genau ein Punkt.
PARAMETERFUNKTIONEN Zwei Beispiele: gsave currentpoint translate 21 4 div setlin 1 1 x = 2t 2 1 y = t < t
MehrLange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege
Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick
MehrSLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann
SLAM Simultaneous Localization and Mapping KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann Simultaneous Localization And Mapping SLAM Problematik SLAM Arten SLAM Methoden: (E)KF SLAM GraphSLAM Fast
MehrÜbungen aus den numerischen Methoden der Astronomie SS 2011
Übungen aus den numerischen Methoden der Astronomie SS 2011 1. Fermat Teil I : Berechnen Sie die Fläche eines rechtwinkeligen Dreiecks mit Hilfe des pythagoräischen Lehrsatzes. Die beiden Katheten sollen
MehrFaktorisierung ganzer Zahlen mittels Pollards ρ-methode (1975)
Dass das Problem, die Primzahlen von den zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren zu zerlegen zu den wichtigsten und nützlichsten der ganzen Arithmetik gehört und den Fleiss
Mehr