Segmentierung 2. Segmentation. M. Thaler, TG208 Bildverarbeitung ZHAW, BV HS17, M. Thaler. Juni 17 1
|
|
- Annegret Geier
- vor 6 Jahren
- Abrufe
Transkript
1 Segmentierung 2 Segmentation M. Thaler TG208 tham@zhwin.ch Juni
2 Inhalt Einführung Kantenbasierte Segmentierung Intensitätsbasierte Segmentierung global Thresholding: Verteilung von Pieleigenschaften Regionenbasierte Segmentierung loal Region Growing Splitting and Merging Watersheds Bewegungsbasierte Segmentierung Juni
3 Thresholding Idee Grundlage: Histogramm der Intensitätswerte Intensitätswerte > Threshold T Bildpunt T 0 g = 255 f T f > T bimodales Histogramm Juni
4 4 Juni Mehrfach-Thresholding Mehrfach-Thresholds erzeugt mehrere Objete < < = T f T f T T f g T 1 T 2 ein T mehrere T's
5 ... Thresholding Globales Thresholding T hängt nur von den Intensitätswerten 1 des Bildes f ab T = T f Loales Thresholding T hängt zusätzlich von loalen Attributen p in der Nachbarschaft von ab z.b. Mittelwert Varianz etc T = T f p Adaptives Thresholding T hängt zusätzlich von der Pielposition ab T = T 1 nicht notwendigerweise Graustufen f p Juni
6 Probleme mit Thresholding Rauschen Beleuchtung Juni 17 6 noise a no noise b standard deviation of 10 intensit values and mean = 0 c standard deviation of 50 intensit values and mean = 0 another problem with thresholding in real images - shadows bachelor thesis - possible solution -> illumination 6
7 Globales Thresholding: Basismethode demo Suchen eines globalen Thresholds bimodales Histogramm 1. schätzen von T z.b. Mittelpunt zwischen Maima oder Mittelwert 2. Bild mit T segmentieren in G 1 T und G 2 >T 3. mittlere Intensität m 1 und m 2 für Piel in G 1 resp. G 2 berechnen 4. Threshold neu bestimmen T = 1/2m 1 + m 2 5. wiederholen bis T n+1 - T n < ε mit 3 Iterationen folgt T = Juni 17 7 Kann diret aus dem Histogramm berechnet werden 7
8 Global Thresholding: Otsu's Methode Idee Thresholding ist ein statistisches Entscheidungsproblem Ziel: wie weist man Piel optimal zwei Klassen zu Otsu's Methode maimiert die Interlassenvarianz Otsu Bild als Zufallsverteilung von Intensitätswerten p i h gi = M N es gibt L verschiedene Intensitätswerte { L-1 } Juni
9 9 Juni Otsu'sMethode Otsu's Algorithmus umulative Verteilung und umulativen Mittelwert berechnen Inter-Klassenvarianz für alle 's berechnen Threshold bestimmen T = * * = wo maimal ist = = = = L i p i m L i p P i i = = = L m i p i m L i G 1 m 2 G 2 B P P m P = σ ma 2 B 2 B σ σ = 2 σ B benötigt floating point Arithmeti oder "sehr" gut Salierung P = L-1 = 1 => σ B 2 L-1 = 0 - weil m = L-1 gleich m G ist => Zähler = 0 quadriert
10 ... Otsu's Methode Basismethode Otsu Juni
11 Tiefpassfilterung: global thresholding Smothing reduziert Rauscheffete 33 Mittelwert Juni
12 Globale Thresholds und Kanten Idee Rauschen tendiert Histogrammspitzen zu verschmelzen nur Piel nahe bei oder auf der Kante betrachten Algorithmus 1. Kanten suchen 2. das Kantenbild thresholden Binärbild 3. Originalbild mit Binärbild aus Schritt 2 masieren AND 4. Histogramm von masierten Bild aus Schritt 3 berechnen und Threshold bestimmen z.b. Basismethode oder Otsu 5. Originalbild mit diesem Threshold segmentieren Juni
13 ... globale Thresholdsund Kanten masiertes Bild Resultat nach Thresholding Juni
14 Mehrfach-Thresholds Otsu's Methode ann auf mehrere Thresholds erweitert werden Ziel: optimale Zuweisung von Pieln an mehrere Klassen siehe Gonzalez/Woods Weitere Möglicheiten 1. Threshold T 1 mit der Basismethode oder Otsu berechnen 2. Originalbild mit Threshold segmentieren 3. mit segmentiertem Bild das ursprüngliche Bild masieren und für das masierte Bild Threshold T 2 bestimmen 4. solange wiederholen bis fertig!!!! hängt vom Bildmaterial ab!!!! Juni
15 Mehrfach-Thresholds: Beispiel Originalbild masiertes Originalbild Histogramm Histogramm T 1 = 53 Basismethode T 2 = 124 Basismethode Juni
16 Loale Thresholds Loale Bildeigenschaften z.b. Mittelwert und Varianz innerhalb einer leinen Umgebung zum Zentrumspiel übliche Formen von Thresholds sind T = a σ + b m or T = a σ a und b sind nicht negative Konstanten m G ist der globale Mittelwert des Bildes das Bild wird dann segmentiert mit 1 g = 0 f > T f T + b m auch Prädiate önnen für das Thresholding verwendet werden siehen dazu Gonzalez / Woods G Juni
17 ... loal: Hsteresis Thresholding Idee: Hsteresis Thresholding zwei Thresholds T H und T L verwenden Bild mit T H segmentieren 1 g = 0 alle Piel zu g hinzufügen für die gilt: - liegen in Nachbarschaft zu g z.b. in 4er Nachbarschaft - ihr Wert f übersteigt den Threshold T L Erzeugt weniger isolierte Piel f > T f T besser verbundene Regionen H H Juni
18 Adaptives Thresholding Bildaufteilung 1. Bild in Regionen 1 aufteilen 2. für jede Region eine Threshold berechnen 1 Regionen müssen genügend lein sein Juni
19 Thresholding: mehrere Variablen Bis jetzt Threshold berechnet auf Intensitätswerten Neu mehrere unterschiedliche Parameter Prädiate für die Berechnung des Thresholds verwenden Prädiate önnen sein - Farbe - loaler Mittelwert und Varianz - etc. Objete sind definiert durch "Cluster" im Parameterraum - Piel innerhalb einer bestimmten Distanz zum Mittelpunt gehören zum Objet - Piel ausserhalb dieser Distanz zum Hintergrund Juni
20 ... Thresholding: mehrere Variablen Beispiel R G B "Cluster" R = 0.75 ± 0.25 G = 0.2 ± 0.2 B = 0.2 ± 0.2 "Mittelpunt" Juni
21 Regionenbasierte Segmentierung Um was geht es? Regionen diret suchen im Gegensatz zu Thresholding das Bild in Regionen aufteilen die einem Prädiat oder einem Maimum an Homogenität genügen Kriterien für Homogenität oder Prädiate önnen abgeleitet werden von - Graustufen - Farbe - Tetur - Form - etc. Vorteil: effizienter bei verrauschten und verschmierten Bildern Juni
22 Region Growing Idee Wahl einer Menge von "Seed Points" Marern Regionen wachsen lassen ausgehend von Marern die - in der Nachbarschaft der Marern liegen - ein gemeinsames Prädiat erfüllen dabei ist zusätzlich zu beachten - Nachbarschaft und Connectivit Regionen sollen verbunden sein - Stop Regel: zusätzliche Kriterien um Wachsen abzubrechen Grösse histor of growth mittlere Intensität der gewachsenen Region verglichen mit einem neuen Kandidaten etc. Juni
23 ... Region Growing Original X-Ra einer defeten Schweissnaht 99.9 Perzentile Marer Region Growth Pielwert > 190 Juni
24 Splitting and Merging Idee Wahl des gesamten Bildes als Region R 0 wenn Region R i das Prädiat PR i nicht erfüllt - Region R i in 4 Quadranten aufteilen - stop wenn eine Aufteilung mehr notwendig / möglich benachbarte Regionen R j R verbinden für die gilt: RR j R = TRUE es gibt mehr als eine Lösung eine eindeutige Lösung R 0 R 1 R 2 R 3 R 41 R 42 R 43 R 44 Quadtree Juni
25 ... Splitting and Merging Beispiel: Intensitätsbild f split merge TRUE P R = FALSE G ma G otherwise min 1 G: Intensität Juni
26 Morphologische Watersheds 1 Um was geht es? regionenbasierte Methode basiert auf Graustufenbildern ermöglicht Aufteilung sich berührender Objete basiert auf morphologischen Algorithmen 1 Wasserscheide Juni
27 ... Watersheds Idee Objete Regionen Becen das Becen hat am tiefsten Punt ein Loch das Becen wird von unten geflutet wenn das Becen überläuft einen Damm bauen f g = 1-f Tpische Anwendung Segmentierung "uniformer" Regionen Klecse Juni
28 ... Watersheds Damm-Konstrution Start Punt - Wasserspiegel auf Höhe q n-1 - zwei Wasserbecen Wasserspigel steigt auf q n - neue Region beinhaltet beide Becen erste Dilatation - beschränt auf q n zweite Dilatation - beschränt auf q n q n Damm Juni
29 ... Watersheds Watershed Algorithmus Flutung beginnt bei Piel mit niedrigstem Höhenwert für jede Höhenstufe werden - neue Regionen geschaffen die erstmals von Wasser bedect werden und deren Piel nicht Nachbarn bestehender Regionen sind - bestehende Regionen um Piel erweitert die erstmals von Wasser bedect werden und die benachbart sind 4- oder 8-benachbart - werden Dämme gebaut wenn sich zwei bestehende Regionen vereinen Juni
30 ... Watersheds Problem Übersegmentierung wegen - nicht uniformen Regionen - Rauschen Mittelwert: 55 Juni
31 ... Watersheds Lösungsansätze auch Kombination einsetzbar Tiefpass-Filterung smoothing - relative grosse Masen erforderlich Watershed auf Gradientenbild anwenden - Hintergrund einigermassen uniform oft Übersegmentierung - Tiefpass-Filterung des Gradientenbildes oft notwendig Verwendung von Marern - Becen ausgehend von Marern füllen - Marer manuell oder automatisch Wählen - suchen von Marern z.b. mit Distanztransformation bei Binärbildern ürzeste Distanz zwischen einem schwarzen und weissen Piel Juni Distance Map -> Russ S. 427ff - effiziente Methode S. 428 oben - ürzester Abstand eines Vordergrundpiels vom Hintergrund 31
32 ... Watersheds Berührende Objete Marer: Distanztransformation und Threshold Juni Thresholding des Distanzbildes gibt gute Marer Distanzbild: Algorithmus Ausgnagspunt: Binärbild 1. allen Hintergrundpieln den Wert 0 zuweisen allen Objetpieln einen hohen positiven Wert 2. von oben lins nach unten rechts - jedem Objetpiel einen Wert zuweisen der um eins höher ist als der leinste Werte aller Nachbarpiel im atuellen Bild 3. von unten rechts nach oben lins - jedem Objetpiel einen Wert zuweisen der um eins höher ist als der leinste Werte aller Nachbarpiel im atuellen Bild 32
33 ... Watersheds Whatdo weget? Watershed liefern nur Regionen - Ausnahme Gradientenbilder Objete in den Regionen müssen etrahiert oder mariert werden Beispiel - Überlagerung der Segmentgrenzen mit dem Binärbild - ev. entfernen von Artefaten Juni Artefate - Waterhshed-Algorithmus von MATLB fügt zusätzliche Regionen hinzu nicht auf Marer beschränt 33
34 Nachbearbeitung Segmentierung Ziel - die einzelnen Objete des Bildes finden die Segmentierung ergibt oft - alle vorhandenen Objete - eine Positionsinformation - eine Information zum Objet - die Region die das Objet enthält - etc. Nachbearbeitungsschritte Objete innerhalb der Region identifizieren Objete marieren Labeling etc. Juni
35 ... Nachbearbeitung Beispiel: Reisörner Originalbild ungleichmässige Beleuchtung Binärbild mit Adaptive Thresholding abgeschnittene Reisörner am Rand sind verbunden eingefärbte Körner zur Identifiation der einzelnen Körner Juni
36 ... Nachbearbeitung Labelingeinfärben von Binärbildern Ziel: Etration und Marierung einzelner Objete Algorithmus 1. Labelwert L = 0 setzen 2. bei allen Objetpieln im Binärbild folgende Regel anwenden i wenn alle "grünen" Nachbarpiel nicht Teil des Objetes sind dem Zentrumspiel blau ein neues Label zuweisen und Label in die Gruppenliste eintragen ii wenn einige der grünen Nachbarpiel zum Objet gehören alle das gleiche Label haben dieses Label dem Zentrumspiel blau zuweisen iii wenn wenigsten zwei grüne Nachbarpiel zum Objet gehören und verschiedene Labels haben eines der Label dem Zentrumspiel zuweisen in Gruppenliste eintragen 3. jeder Labelgruppe ein eindeutiges Label zuweisen Bild neu färben Juni
37 Motion Bewegung von Mensch und Tier benutzt um Objete vom Hintergrund zu unterscheiden Bildverarbeitungsssteme - Ortsbereich Differenzbilder - Frequenzbereich Spetralomponenten Juni
38 Motion im Ortsbereich Bildsequenzen Bilder auch Funtion der Zeit: f t Differenzbilder Differenz gegenüber einem Referenzbild d ij 1 f ti f t j > T = 0 otherwise Probleme - Beleuchtung oft nicht gleich - Rauschen isolierte Punt nur grössere verbundene Bereiche verwenden leinere Objete önnen übersehen werden Juni
39 39 Juni Motion im Ortsbereich Aumulierte Differenzen Ausgangspunt ist ein Referenzbild zum Zeitpunt t 1 : berechnen der aumulierten Differenzen über Frames - absolute Differenz - positive Differenz - negative Differenz 1 t f r = > + = otherwise A T t f r A A j > + = otherwise P T t f r P P j < + = otherwise N T t f r N N j
40 ... Motion im Ortsbereich Beispiel Demo onl Objet: Rechtec Bewegung pro Frame: = 5 und = 5 abs pos neg Richtung und Geschwindigeit ablesbar - non zero Bereich = ursprüngliches Bild - stoppt wenn vollständig bez. Referenz verschoben Richtung und Geschwindigeit ablesbar Juni
41 ... Motion im Ortsbereich Referenzbild? lässt sich aus einer Menge von Bildern erstellen Vorgehen - Bild 1 als Referenz verwenden - wenn sich Objet vollständig aus der Referenz bewegt hat Hintergrund an der Stelle wo das ursprüngliche Bild war als Referenz verwenden - auf alle bewegten Objete anwenden verwenden wenn eine Aumulation mehr Juni
Bilder: Eigenschaften
Bilder: Eigenschaften Images M. Thaler TG208 tham@zhaw.ch Juni 17 1 1 Um was geht es? Juni 17 2 Was ist ein Bild? - hier sehen sie verschiedene Ausschnitte eines digitalen Bildes -das Bild besteht aus
MehrSegmentierung 1 Segmentation
Segmentierung Segmentation M. Thaler, TG08 tham@zhaw.ch Juni 7 Um was geht es? Bis jetzt vor allem Transformation Bild Bild Neu Transformation Bild? Feature, Aussage, etc. Bild Aussage "it's a circle"
MehrComputergrafik 2: Segmentierung 2
Computergrafik 2: Segmentierung 2 Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
Mehr4. Segmentierung von Objekten Video - Inhaltsanalyse
4. Segmentierung von Objekten Video - Inhaltsanalyse Stephan Kopf Inhalt Vorgehensweise Berechnung der Kamerabewegungen zwischen beliebigen Bildern Transformation eines Bildes Hintergrundbilder / Panoramabilder
MehrComputergrafik 2: Übung 9. Morphologische Operationen
Computergrafik 2: Übung 9 Morphologische Operationen Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Besprechung Übung 8 Anmerkungen? Computergrafik 2 SS2012 3 Quiz Watershed-Algorithmus
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
MehrModul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt
Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
Mehr1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
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
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Segmentierung Graphische DV und BV, Regina Pohle, 13. Segmentierung 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
Mehr6. Texterkennung in Videos Videoanalyse
6. Texterkennung in Videos Videoanalyse Dr. Stephan Kopf 1 Übersicht Motivation Texterkennung in Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben 3. Auswahl der Buchstabenpixel
MehrSuche nach korrespondierenden Pixeln
Suche nach korrespondierenden Pixeln Seminar Algorithmen zur Erzeugung von Panoramabildern Philip Mildner, Gliederung 1. Motivation 2. Anforderungen 3. Moravec Detektor 4. Harris Detektor 5. Scale Invariant
MehrHistogramm-anschaulich. Histogramme und Bilder. Histogramm-mathematisch. Farbhistogramm. Grauwerthistogramm. Inhaltsbasierte Bildsuche Histogramme
Inhaltsbasierte Bildsuche Histogramme Universität Bremen, Aug. Histogramm-anschaulich Zum Messen von Häufigeiten eines Mermals (Hier: Zahlen - in der Matrix) /9 /9 /9 /9.%.% %.%.%,,,, /8/ Histogramme,
MehrMorphologische BV. Morphological Image Processing. M. Thaler, TG208 Bildverarbeitung ZHAW, BV HS17, M. Thaler.
Morphologische BV Morphological Image Processing M. Thaler, TG208 tham@zhaw.ch Juni 7 Um was geht es? threshold Binärbild region fill egdes Juni 7 2 2 ... um was geht es? Morphologie in der Biologie Beschäftigung
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos mit den Mengen pos von Positionen (Adressen) col von Farben, Intensitäten Aufgaben maschineller Bildverarbeitung: Erzeugung, Wiedergabe,
MehrSegmentierung. Seminar: Medizinische Visualisierung. Daniel Lange
Segmentierung Daniel Lange 06.05.2004 Seminar: Medizinische Visualisierung Segmentierung 2 Überblick Einführung / Begriffsdefinition Punktorientierte Verfahren Kanten-/Konturorientierte Verfahren Regionenorientierte
MehrErinnerung an die "Bildanalyse- (Bildverarbeitungs-) Pipeline":
5. Segmentierung Erinnerung an die "Bildanalyse- (Bildverarbeitungs-) Pipeline": Segmentierung: Vorgang, das Bild in sinnvolle Bildteile aufzuteilen (es zu segmentieren) "Fernziel": Objekterkennung; Trennung
MehrSegmentierung. Vorlesung FH-Hagenberg SEM
Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt
MehrVI. Iterationsverfahren
VI. Iterationsverahren To ininity and beyond Falls eine direte Lösung des Problems nicht möglich oder ineizient ist. 6.. Fipuntgleichungen 6... Problemstellung: Iterationsuntion Iteration: R Startwert,
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Kurze Wiederholung Gradienten 1. und 2. Ableitung grad( f ( x, y) ) = f ( x, y) = f ( x, y) x f ( x, y) y 2 f ( x, y) = 2 f ( x,
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Filtern im Frequenzraum Segmentierung Organisatorisches Klausuranmeldung
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 : col 1 col
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
MehrObjektbeschreibung 1
Objektbeschreibung Description and Representation Markus Thaler, TG208 Martin Weisenhorn, TB427 tham@zhaw.ch weie@zhaw.ch www.zhaw.ch/~tham August 8 August 8 2 what is this? wh do ou know that? - descriptors
MehrSignalverarbeitung g für audiovisuelle Kommunikation
University of Applied Science Signalverarbeitung g für audiovisuelle Kommunikation 3. Segmentierung - Morphologische Operationen Morphologische Operationen Morphologie: die Gestalt betreffend Gestalt in
MehrNumerik I. Aufgaben und Lösungen
Universität zu Köln SS 009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva, mselva@math.uni-oeln.de Numeri I Musterlösung 1. Übungsblatt, Python Aufgaben und Lösungen 1. (4 Punte Die Stichprobenvarianz
MehrKlausuraufgaben zur Vorlesung Computer Vision. Prüfung I W772. Termin: 5. Februar Maximal mögliche Punktzahl: = 50.
Klausuraufgaben zur Vorlesung Computer Vision Prüfung I W772 Prüfer: Laubenheimer Termin: 5. Februar 2009 Beginn: 14:00 Uhr Dauer: 90 Minuten Maximal mögliche Punktzahl: 7+35+8 = 50 Name Matrikelnummer
MehrData Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 12. Übungsblatt
Data Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 12. Übungsblatt 9. Februar 2016 1 Aufgabe 1: RelieF (1) Gegeben sind folgende 12 Beispiele der Wetter-Daten: ID outlook
MehrClustering. Herbert Stoyan Stefan Mandl. 18. Dezember 2003
Clustering Herbert Stoyan Stefan Mandl 18. Dezember 2003 Einleitung Clustering ist eine wichtige nicht-überwachte Lernmethode Andwenungen Marketing: Finde Gruppen von Kunden mit gleichem Kaufverhalten,
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Morphologische Operatoren Graphische DV und BV, Regina Pohle, 5. Morphologische Operatoren Einordnung in die Inhalte der Vorlesung
MehrErinnerung an die "Bildanalyse- (Bildverarbeitungs-) Pipeline":
4. Segmentierung Erinnerung an die "Bildanalyse- (Bildverarbeitungs-) Pipeline": Segmentierung: Vorgang, das Bild in sinnvolle Bildteile aufzuteilen (es zu segmentieren) "Fernziel": Objekterkennung; Trennung
MehrComputer Vision Group Prof. Daniel Cremers. Fixpunktgleichungen
Computer Vision Group Pro. Daniel Cremers Fipuntgleichungen Iterationsverahren Problem: Ot önnen wir eine direte Lösung einer Gleichung angeben. Anstelle einer direten Lösung ann man aber ot ein Iterationsverahren
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrÜbungen zu Numerische Mathematik (V2E2) Sommersemester 2008
Übungen zu Numerische Mathemati (V2E2) Sommersemester 2008 Prof. Dr. Martin Rumpf Dr. Martin Lenz Dipl.-Math. Nadine Olischläger Übungsblatt 1 Abgabe: 24. April 2008 Aufgabe 1 Zur Berechnung der Quadratwurzel
MehrWasserscheiden-Ansätze zur Bildsegmentierung I
Seminar Bildsegmentierung und Computer Vision Wasserscheiden-Ansätze zur Bildsegmentierung I Stefan Sugg 19.12.2005 Gliederung 1. Einführung 2. Morphologische Grundlagen 3. Simulation durch Überflutung
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
MehrSegmentierung von Punktwolken anhand von geometrischen und radiometrischen Informationen
von Punktwolken anhand von geometrischen und radiometrischen Informationen Mathias BURGER, Daniel WUJANZ, Frank NEITZEL Technische Universität Berlin 16. Oldenburger 3D Tage 02. Februar 2017 In diesem
Mehr2. Schnitterkennung Video - Inhaltsanalyse
2. Schnitterkennung Video - Inhaltsanalyse Stephan Kopf Definition: Schnitt Schnitte (cut) liefern Informationen über den Produktionsprozess eines Filmes. trennen kontinuierliche Aufnahmen, die als Kameraeinstellungen
MehrKlausuraufgaben zur Vorlesung Computer Vision. Prüfung I W772. Termin: 5. Februar Maximal mögliche Punktzahl: = 50.
Klausuraufgaben zur Vorlesung Computer Vision Prüfung I W772 Prüfer: Laubenheimer Termin: 5. Februar 2009 Beginn: 8:00 Uhr Dauer: 90 Minuten Maximal mögliche Punktzahl: 7+35+8 = 50 Name Matrikelnummer
MehrKapitel ML: X (Fortsetzung)
Kapitel ML: X (Fortsetzung) X. Clusteranalyse Einordnung Data Mining Einführung in die Clusteranalyse Hierarchische Verfahren Iterative Verfahren Dichtebasierte Verfahren Cluster-Evaluierung ML: X-31 Cluster
Mehr... Text Clustern. Clustern. Einführung Clustern. Einführung Clustern
Clustern Tet Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so daß: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen Clustern
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrFilter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Wozu Filter? Wozu Filter? Beispiel 3 Teil1: Filter anwenden (verschiedene Filter anwenden um diverse Effekte zu erzeugen)
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
MehrComputergrafik 2: Segmentierung
Computergrafik 2: Segmentierung Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrWiederholung und Zusammenfassung
Wiederholung und Zusammenassung Fourier-Transormation ann angewendet werden ür die Frequenzanalyse eines Signals Beispiel: Woler- Zahlen Eine ähnliche Transormation ist die Disrete Cosinus- Transormation
MehrStunden 2 und 3: Eigenschaften der zentrischen Streckung und Übungen
Stunden und 3: Eigenschaften der zentrischen Strecung und Übungen Ziel der Stunden: Die Schüler - ennen ausgewählte wichtige Eigenschaften der zentrischen Strecung und - önnen bei vorgegebenem Strecungsfator
MehrClustering. Ausarbeitung von Michael Speckner. Proseminar Data Mining
Clustering Ausarbeitung von Michael Speckner Proseminar Data Mining Einleitung Das Clustering wird verwendet, wenn man keine Klassen vorhersagen kann, aber die Instanzen in natürliche Gruppen einteilen
MehrStatistik K urs SS 2004
Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die
MehrGrundlagen der Bildverarbeitung
Grundlagen der Bildverarbeitung Inhaltsverzeichnis Vorwort 9 Kapitel 1 Einführung 13 1.1 Anwendungen der digitalen Bildverarbeitung 16 1.2 Algorithmische Verarbeitung von Bildinformation 17 1.3 Zu diesem
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
MehrBildregistrierung in der Medizin. Fethi KAYA - Yusuf ÖZBEK
Bildregistrierung in der Medizin Fethi KAYA - Yusuf ÖZBEK 30.05.2011 1 Inhalt 1. Einführung zur Registrierung 2. Registrierungsalgorithmen 3. Transformationen 4. Mutual Information 5. Demo 2 1- Registrierung
Mehr3D-Lungenlappen- Segmentierung mit der IWT
3D-Lungenlappen- Segmentierung mit der IWT Daniel Stöbel 8..7 Gliederung. Anatomie der Lunge. Motivation / Ziel 3. Maskierung der Lunge 4. Lungenlappensegmentierung. Gefäßsegmentierung. Distanzbild 3.
MehrWasserscheiden-Ansätze zur Bildsegmentierung II
Wasserscheiden-Ansätze zur Bildsegmentierung II Johannes Renfordt renfordt@mathematik.uni-ulm.de Seminar Bildsegmentierung und Computer Vision im Wintersemester 2005/2006 Universität Ulm Fakultät für Mathematik
MehrProjektarbeit: Ein Verfahren zur Erzeugung stabiler Differenzbilder
Projektarbeit: Ein Verfahren zur Erzeugung stabiler Differenzbilder AG Eingebettete Systeme und Robotik (RESY),, http://resy.informatik.uni-kl.de/ 1. Einführung 2. Filterung des Kamerarauschens 3. Feature
MehrVerkehr Analyse. Inhalt. Was ist Verkehr Analyse? Geschichte der Verkehr Analyse. Iavor Jelev Jintao Ding
Inhalt Verkehr Analyse Iavor Jelev Jintao Ding Was ist Verkehr Analyse? Wozu ist die Verkehr Analyse gut? Wie kann man Verkehr Analyse machen? Anwendungsbeispiele Algorithmen für Verkehr Analyse Geschichte
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur
MehrStream Processing II
Stream Processing II K-Buckets Histogram Histogramme sind graphische Darstellungen der Verteilung von numerischen Werten Werden durch Intervalle, die sich nicht überlappen, dargestellt Ein Intervall wird
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2008/2009 Musterlösung für das 7. Übungsblatt Aufgabe 1: Evaluierung und Kosten Gegeben sei ein Datensatz mit 300 Beispielen, davon 2 /3 positiv
MehrComputergrafik 2: Übung 8. Corner-Detektoren, Bildsegmentierung
Computergrafik 2: Übung 8 Corner-Detektoren, Bildsegmentierung Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Besprechung Übung 7 Anmerkungen? Computergrafik 2 SS2012
MehrAutomatische Objekterkennung in supraleitenden Cavities
Automatische Objekterkennung in supraleitenden Cavities Wie bringe ich dem PC das sehen bei? Motivation Optische Inspektion Bildbearbeitung Bildsegmentierung 2D & 3D Zusammenfassung Marc Wenskat Diplomanden
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
MehrDie Vorausschau-Tabelle:
A 0 i 0 A 1 i 1 β 1 A 2 i 2 β 2 B i β γ Die Vorausschau-Tabelle: Wir setzen M[ [A α Bβ, L], w] = i genau dann wenn (B, i) die Regel B γ ist und: w First k (γ) First k (β) L 440 ([A 0 α 1 A 1 β 1, L 1 ],
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
MehrGrundlagen der Bildverarbeitung Klaus D. Tönnies
Grundlagen der Bildverarbeitung Klaus D. Tönnies ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Inhaltsverzeichnis
MehrBeschleunigung von kräftebasierten Graphzeichenalgorithmen mittels wohlseparierten Paardekompositionen
Bachelorkolloquium Beschleunigung von kräftebasierten Graphzeichenalgorithmen mittels wohlseparierten Paardekompositionen von Johannes Zink Übersicht 1. Grundlagen 1.1 Kräftebasierte Graphzeichenalgorithmen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrBildverbesserung (Image Enhancement)
Prof. Dr. Wolfgang Konen, Thomas Zielke Bildverbesserung (Image Enhancement) WS07 7.1 Konen, Zielke Der Prozess der Bildverbesserung (1) Bildverbesserung wird häufig dafür eingesetzt, die für einen menschlichen
MehrLage- und Streuungsparameter
Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch
MehrÜbungen zur Theoretischen Physik 2 Lösungen zu Blatt 1
Prof.. Greiner, Dr. H. van Hees Sommersemester 214 Übungen zur Theoretischen Physi 2 Lösungen zu Blatt 1 Aufgabe 1: Differentialoperatoren der Vetoranalysis (a) Aus der Definition des Nabla-Operators folgt
Mehrx x x x Repräsentation von Lösungen (2) Repräsentation von Lösungen (1)
Repräsentation von Lösungen () Repräsentation von Lösungen () Kontinuierliche Optimierung: x x x x n Binäre Optimierung: n = (,,, ) R x = ( x, x,, x ) {0,} n n Lokale Suche: x i = x i + ε Lokale Suche:
MehrEffiziente Algorithmen 2
Effiziente Algorithmen 2 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen
MehrSegmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden
Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal GEODÄTISCHES INSTITUT HANNOVER Session: Laserscanning
MehrFüllen von Primitiven
Füllen von Primitiven Basisproblem der 2D-Graphik Anwendung: füllen beliebiger Flächen (Polygone, Freiformkurven) Darstellung von Buchstaben dicke Primitive (Linien, Kreise, Kurven), Teilproblem in der
MehrUntersuchung von Algorithmen zur Fehlerlokalisation und Prognose in Automatisierungsprozessen. Yongrui Qiao Yongrui Qiao
Untersuchung von Algorithmen zur Fehlerloalisation und Prognose in Automatisierungsprozessen Yongrui Qiao Yongrui Qiao Übersicht. Motivation und Problemstellung. Theoretische Grundlagen stochastisch-gestörter
MehrMusterlösung Zahlentheorie Frühlingssemester 2015, Aufgabenblatt 1
Aufgabenblatt 1 40 Punte Aufgabe 1 (Teilermengen) Seien a = 128 und b = 129. a) Beschreiben Sie die Teilermengen T(a) und T(b) in aufzählender Form. 2 b) Seien p, q zwei verschiedene Primzahlen. (i) Wie
MehrGeometrie 2. Julian Fischer Julian Fischer Geometrie / 30
Geometrie 2 Julian Fischer 6.7.2009 Julian Fischer Geometrie 2 6.7.2009 1 / 30 Themen 1 Bereichssuche und kd-bäume 1 Bereichssuche 2 kd-bäume 2 Divide and Conquer 1 Closest pair 2 Beispiel: Points (IOI
MehrImage Processing Proseminar
Image Processing Proseminar Lucas Beyer, Alexander Hermans und Bastian Leibe 11.03.2015 Visual Computing Institute Computer Vision Inhaltsübersicht Einführung Image Processing Organisation des Seminars
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
Mehr{0,1} rekursive Aufteilung des Datenraums in die Quadranten NW, NE, SW und SE feste Auflösung des Datenraums in 2 p 2 p Gitterzellen
4.4 MX-Quadtrees (I) MatriX Quadtree Verwaltung 2-dimensionaler Punkte Punkte als 1-Elemente in einer quadratischen Matrix mit Wertebereich {0,1} rekursive Aufteilung des Datenraums in die Quadranten NW,
MehrDebayeringverfahren. 19. Mai Thomas Noack, Nikolai Kosjar. SE Computational Photography - Debayeringverfahren
Debayeringverfahren Thomas Noack, Nikolai Kosjar 19. Mai 2010 Was bisher geschah... Reduktion der Herstellungskosten durch Einsatz von nur noch einem CCD-Sensor mit Bayer-Filter Problem: Bayer Image Full
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
MehrKapitel ML: X (Fortsetzung)
Kapitel ML: X (Fortsetzung) X. Cluster-Analyse Einordnung Data Mining Einführung in die Cluster-Analyse Hierarchische Verfahren Iterative Verfahren Dichtebasierte Verfahren Cluster-Evaluierung ML: X-107
MehrKontextfreie Sprachen. Automaten und Formale Sprachen alias Theoretische Informatik. Sommersemester Kontextfreie Sprachen
Automaten und Formale Sprachen alias Theoretische Informatik Sommersemester 2012 Dr. Sander Bruggink Übungsleitung: Jan Stückrath Wortproblem: der CYK-Algorithmus Pumping Lemma für kontextfreie Sprachen
MehrChapter 2 Image Similarity. Chapter 2 Image Similarity
Chapter 2 Image Similarity Distributed Algorithms for Ähnlichkeit von Bildern Inhalt Pixelbasierte Verfahren Histogramme Aggregierte Bilddaten Kantenbasierte Verfahren (Canny) Anwendung: Schnitterkennung
MehrDie Formel für die Standardabweichung lautet (ohne die Wurzel haben wir die Varianz):
Mittelwert und Standardabweichung Klasse: StandardDeviation Schreiben Sie ein Programm StandardDeviation, das von den zufällig erzeugten Werten eines Arrays beliebiger Größe den Mittelwert und die Standardabweichung
MehrMaschinelles Lernen: Symbolische Ansätze
Semestralklausur zur Vorlesung Maschinelles Lernen: Symbolische Ansätze Prof. J. Fürnkranz / Dr. G. Grieser Technische Universität Darmstadt Wintersemester 2005/06 Termin: 23. 2. 2006 Name: Vorname: Matrikelnummer:
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Sebastian Schwarz WS 018/019 5.10.018 Höhere Mathemati für die Fachrichtung Physi Lösungsvorschläge zum. Übungsblatt
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 7 und 8: Euler- und Hamilton-Graphen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 17. April 2018 1/96 WIEDERHOLUNG Eulersche
Mehr