8.1 Bildvorverarbeitung
|
|
- Robert Kurzmann
- vor 8 Jahren
- Abrufe
Transkript
1 8 Bildverarbeitung des optischen Kamera-Positionsmesssystems 8. Bildvorverarbeitung Vor der eigentlichen 3D-Positionsmessung sind eine Reihe von Vorverarbeitungsschritten von Nöten. Diese Vorverarbeitung erfolgt mit dem Ziel, den Informationskontrast der Bilddaten so zu erhöhen, dass die anschließenden Verarbeitungsschritte der eigentlichen 3D- Messung möglichst einfach in der Ausführung und robust gegenüber Störungen ausfallen. Im Histogramm der Grauwertbilddaten wird deshalb ein bimodales Histogramm angestrebt. Die Vorverarbeitung ist sowohl im optischen als auch algorithmischen Teil anzusiedeln. Eine Optimierung der algorithmische Teile setzt voraus, dass entsprechend den technisch, wirtschaftlichen Randbedingungen eine für die Problemstellung optimale optische Vorverarbeitung realisiert wurde. Hierzu gehören folgende optische Verarbeitungsschritte: Stroboskopische Beleuchtung mit einer Blitzdauer, die von den konkurrierenden Kriterien der maximal zulässigen Bewegungsunschärfe und der erforderlichen Beleuchtungsintensität bestimmt wird. Wellenlängenselektive Beleuchtung, Reflexion und Aufnahmetechnik: Optischer Filter Infrarot-Tiefpass mit Infrarot-Hochpass des Sensors ergeben Infrarotbandpass, der zusammen mit einer wellenlängenselektiven Reflexion der Markeroberfläche den Informationskontrast der Messmerkmale gegenüber der Umgebung erhöht. Retroreflektierende Marker zusammen mit einer Beleuchtungsquelle in der Umgebung der optischen Achse des Kameraobjektivs. Aufnahme eines Dunkelbildes zur Messung des Kamerabildrauschens (ohne Blitz und Umgebungsbeleuchtungseinflüsse) Aufnahme eines nicht stroboskopisches beleuchteten Bildes zur Aufnahme des Umgebungsbeleuchtungseinflüsse (Für Differenzbilder geeignet) sowie algorithmische Vorverarbeitungsschritte: Die für die 3D-Messung herangezogenen Bilddaten sind Differenzbilder aktueller stroboskopisch beleuchteter Bilder und nicht stroboskopisches beleuchteter Bilder (Reduziert Umwelteinflüsse signifikant)
2 8. Digitale Bildverarbeitung In der digitalen Bildverarbeitung werden die Originalbilddaten des kontinuierlichen Bildsignals l: ( x, y) Dxy, l( x, y) Wl, mit Dx, y [ xmin, xmax] [ ymin, ymax ] R und W [ g, g ] R (8-) l Min Max in rechnerkompatible orts- und wertediskrete Bilddaten g: ( m, n) Dmn, g( m, n) Wg, mit Dmn, {0,,..., M } {0,,..., N } N und {0,,..., G } N (8-) Wg transformiert. Dies ist notwendig, weil in der realen physikalischen Welt eines digitalen Rechnersystems nur endliche polyadische Zahlenformate existieren können. Diese Transformation findet physikalisch im CCD/CMOS-Sensor und auf der Bildverarbeitungskarte statt. Die Daten stehen dann als zwei- oder mehrdimensionale, diskrete Funktionen zur Verfügung. Für die Analyse der Datenbeziehungen verwendet man häufig Ansätze, bei denen auf die Wertediskretisierung verzichtet wird. Dies ist möglich, weil man als Datenmodell für den Wertevorrat der Abbildungen eine 64-Bit Floating-Point-Zahl mit einem Wertebereich [± 0 ± 308] verwenden kann. Natürlich kann hierdurch der Datenverlust aufgrund der Wertequantisierung des Grauwertbildes nicht rückgängig gemacht werden und letztlich ist auch diese 64-Bit-Darstellung weiterhin eine endliche Näherung der reellen Zahlen. Die Verfahren und Algorithmen, die auf die digitalisierten Bilddaten angewendet werden, sollen entweder den Bildinhalt für den menschlichen Beobachter einprägsamer darstellen oder optische Merkmale datentechnisch auswerten, die den Bildinhalt repräsentieren. Der Begriff des Bildinhaltes hat einen subjektiven Charakter und hängt von der Interessenlage des Betrachters ab. Dementsprechend vielfältig können die Transformationen oder algorithmischen Auswertungen sein, die auf das Bild angewendet werden. 8.3 Segmentierung von Grauwertbildern Die Szenenanalyse befasst sich mit der Extraktion von relevanten Informationen aus einem Bild oder einer Bildfolge mit automatischen oder halbautomatischen Methoden. Hierzu werden typischerweise drei Verarbeitungsschritte benötigt: Signalvorverarbeitung, Segmentierung und Bildinterpretation. Die Signalvorverarbeitung von Bildern dient der Bildverbesserung, geometrischen Entzerrung oder Filterung. Sie kann im optischen Bereich, z.b. durch Wahl der Beleuchtungstechnik, Verwendung von optischen Filtern etc. aber auch im algorithmischen Bereich, durch die digitale Signalverarbeitung vollzogen werden. Die Bildsegmentierung wird im Ortsbereich des Bildes, also im Bereich der Zeilen- und Spaltenkoordinaten nach Maßgabe eines Prädikats vollzogen. Die resultierenden Bereiche im Bild, die dem Prädikat genügen, werden in Regionen eingeteilt. Hierbei sollte das Ziel der Prädikatendefinition sein, dass
3 jeder Bildpunkt in einer und nur einer Region erfasst ist (Eindeutigkeit), Bildpunkte der Region den Wahrheitswert des Prädikats und Bildpunkte außerhalb der Region den Wahrheitswert 0 des Prädikats entsprechen (Entscheidbarkeit). Einfache Verfahren zur Signalvorverarbeitung stellen die Punktoperatoren dar. Sie repräsentieren Abbildungen, deren Funktionswert nur vom Grauwert eines Bildpunktes abhängt. Punktoperatoren sind somit Transformationen der Grauwertskala im Wertebereich zwischen Schwarz und Weiß. Der Punktoperator kann eine analytisch geschlossene Form haben, in Form einer Tabelle definiert oder abschnittsweise erklärt sein. Die Gamma-Korrektur gehört z.b. zu dieser Operatorenklasse. Werden die Operatoren auf die digitalisierten Bilddaten angewendet, so lassen sich die Input-Look-Up-Tabellen der Bildverarbeitungskarten für eine Echtzeit-Grauwerttransformation verwenden. Ebenso gehört die Binarisierung von Grauwertbildern mit einem konstanten Schwellwert zu der Klasse der Punktoperatoren. Die Binarisierung von Grauwertbildern ist in zahlreichen Anwendungsfällen der digitalen Bildverarbeitung ein hilfreiches Verfahren, weil helle und dunkle Bildpunkte Träger der Information des Bildes sind. Andere Bildszenen haben zwar Grauwerte, aber die relevante Information liegt in der Form der im Bild auftretenden Regionen, Linien oder Objekten vor, so dass das ideale Bildmodell einen binären Charakter hat. Nach dem Erfassen einer "quasi" binären Bildszene mit einer CCD/CMOS-Kamera erhält man in der Regel ein digitalisiertes Grauwertbild, welches über mehr oder minder breite Bereiche der Grauwertskala gestreut ist. Die Gründe für das Auftreten nicht binärer Grauwertverteilungen bei "quasi" binären Objekten sind systembedingt und haben verschiedene Ursachen: Rauschen des Bildaufnahmesystems, inhomogene Szenenbeleuchtung und Materialbeschaffenheiten der Objekte unterschiedliches Übertragungsverhalten der Optik in der Mitte und am Rande des Bildfeldes usw. Im Zusammenhang mit der videometrischen Messaufgabe am Marker gehört die Beleuchtungstechnik, Markermaterialwahl, Bilddifferenzbildung aus aktuellem und Dunkelbild und die Binarisierung von Marker- und Hintergrundbildpunkten zur Signalvorverarbeitung. Die Segmentierung des Bildes in Hintergrund- und Markerregion erfolgt mit dem Prädikat einer Schwellwertentscheidung, die Bildpunkte, deren Grauwerte unterhalb des Schwellwertes liegen, werden dem Hintergrund und solche, die größer oder gleich dem Schwellwert sind, dem Marker zuordnet. Ebenfalls zur Segmentierung gehört die Konturverfolgung, die die binarisierten Bildpunkte in Konturelemente und nicht Konturelemente klassifiziert. Diese Klassifikation hat ebenfalls einen binären Charakter. Die Bildinterpretation erfolgt dann über eine a priori bekannte, geschlossene Kontur des Kalibrierkörpers, deren Modell mit der extrahierten Kontur in Beziehung gesetzt wird, um die geometrischen Merkmale zur Positionsbestimmung zu ermitteln
4 8.3. Konstanter Schwellwert bei Grauwertbildern mit bimodalem Histogramm Die Bildvorverarbeitungsschritte führen in der Regel zu einer bimodalen Grauwertverteilung entsprechend Abb.. Die Grauwertverteilung gibt die relative Häufigkeit eines Grauwerts der Szene an. Eine derartige Verteilung kommt dem Ideal eines binären Bildes sehr nahe, bei dem nur zwei scharfe Grauwertmoden existieren, eine für das Objekt und eine für den Hintergrund. Die Zuordnung der Helligkeitswerte zum Objekt und pg () schwarz Objekt weiß g Min g B τ g W g Max Hintergrund Abb. 8-: Bimodales Grauwerthistogramm bei Durchlichtbeleuchtung g Hintergrund sind problemabhängig und können auch mit vertauschten Rollen auftreten. Der gleichverteilte Histogrammanteil wird im wesentlichen durch das Rauschen und die Unschärfe oder Streubreite der Moden wird durch die Homogenität von Hintergrundbeleuchtung und Objekt sowie den Fremdlichtverhältnissen bestimmt. Hieraus lassen sich die konstruktiven Ziele für die Marker und die Beleuchtung für eine möglichst einfache und sichere Segmentierung ableiten: homogene Beleuchtung, homogene Objekteigenschaften in der Umgebung der Kontur, hoher Kontrast zwischen Hintergrundbeleuchtung und Objekt in der Umgebung der Kontur und geringe Fremdlichteinflüsse in der Umgebung der Kontur. Der Schwellwert τ kann nach verschiedenen Ansätzen bestimmt werden: Intervallhalbierung des Wertevorrats [g Min, g Max ] des Histogramms τ = g + ( g g ), (8-3) Min Max Min Intervallhalbierung des Modenabstandes des Histogramms τ = g + ( g g ), mit g := Weißwert und B W B W g B := Schwarzwert (8-4) Optimierung der Klassentrennbarkeit von Objekt und Hintergrund [7, 64] und Optimierung mit informationstheoretischem Ansatz [70]. Letztlich gilt es zu beachten, dass es kein allgemein gültiges, optimales Verfahren zur Schwellwertbestimmung gibt, weil das Optimierungskriterium abhängig vom semantischen Bildinhalt ist. Der Schwellwertoperator selbst wird durch die Aussage g für g( m, n) τ Τ { g}( m, n) =, { g0, g, τ} [ gmin, gmax] (8-5) g0 für g( m, n) < τ beschrieben
5 8.3. Schwellwertbestimmung mit modifiziertem Histogramm Bimodale Grauwertbilder können bei nicht so günstigen Aufnahmebedingungen relativ breite Grauwertmoden besitzen (siehe Abb. ), so dass nach Zamperoni [97] die Bestimmung des Schwellwertes sinnvoller weise über ein modifiziertes Histogramm erfolgen sollte. Zu diesem Zweck bildet man ein Histogramm nur aus Bildpunkten g g gmn (, ) für ( mn, ) + ( mn, ) ξ =, 0 sonst f (, ) (, ) ( mn, ) = f m+ n f m n und m f (, ) (, ) ( mn, ) = f m n+ f m n, (8-6) n gh ( m, n) m n mit bei denen die Euklidische Norm des diskreten Gradienten unterhalb einer Entscheidungsschwelle ξ liegt. Hierdurch werden zum einen keine Grauwerte, die im Übergangsbereich zwischen Hintergrund und Objekt liegen, und zum anderen keine Grauwerte in stark inhomogenen Gebieten für die Schwellwertbestimmung herangezogen Lokaladaptive Schwelle Statistische Schwankungen der Grauwerte eines Bildes können aufgrund der einfachen Schwellwertoperation in Gleichung (5) zu inkonsistenten Binärbildern führen. Die Schwankungserscheinungen können durch adaptive Filterung oder Glättung des Bildsignals, durch Einführung einer Hysterese Τ{ g}( m, n) für Τ{ g}( N( m, n)) + Τ{ g}( N( m, n)) = g ΤH{ g}( m, n) = Τ{ g q}( m, n) für Τ{ g}( N( m, n)) = Τ{ g}( N( m, n)) = g0, Τ{ g+ q}( mn, ) für Τ{ g}( N( mn, )) = Τ{ g}( N( mn, )) = g mit den Nachbarschaftsrelationen N: ( kl, ) = N ( mn, ), N : ( i, j) = N ( m, n) und einer typischen Hysterese von q= ( qmax qmin )/5 (8-7) oder/und durch eine lokale Anpassung des Schwellwertes Τ { g+ k g}( m, n), A mit ( m+ a, n+ b) a+ b+ (, i j) = ( m a, n b) g = g(, i j) und k [/0,/ ] (8-8) reduziert werden. Die Hysterese bewirkt, dass die Binarisierung an Bildpunkten, in deren Nachbarschaften N und N keine Binäränderungen auftreten, unempfindlich gegenüber Rauschstörungen wird. In analoger Weise führt das lokaladaptive Schwellwertverhalten dazu, dass die Entscheidungschwelle in Bildregionen mit geringem Hintergrundanteil erhöht wird, damit helle Störungen die Schwelle nicht erreichen. Umgekehrt wird in Bildregionen mit
6 geringem Objektanteil die Schwelle erniedrigt, so dass dunkle Störungen die Schwelle nicht erreichen. 8.4 Konturcodierung mit Freeman Code Die Konturbeschreibung eines konvexen Objektes mit einer geschlossenen zusammenhängenden Kurve erfolgt in der digitalen Bildverarbeitung sinnvoller weise über die 8-er- Nachbarschaft eines Konturpunktes entsprechend der Abb.. Auf Basis der 8-er- Nachbarschaft lässt sich ein Pfad zwischen zwei Bildpunkten als eine Folge von benachbarten Bildpunkten definieren. Diese acht diskreten Richtungen einer 8-er-Nachbarschaft eines quadratischen Rasters können für eine effiziente Darstellung binärer Objekte herangezogen werden. Der von Freeman eingeführte Konturcode eines Binärobjektes besteht aus den Anfangskoordinaten und einer geordneten Ziffernfolge t z = ( z, z,, z n ), mit zi Dz {0,,,7} (8-9.), (8-9.) die die Richtung der Kontur definiert. Hierbei ist der Umlaufsinn implizit in der Ziffernfolge codiert. Der Definitionsbereich D z des Konturcodes definiert dabei acht Nachbarschaftsrelationen oder Konturrichtungen: N : ( mn, ) t ( i, j) t = ( m, n+ ) t, (8-0.) 0 N t t t : ( mn, ) ( i, j ) = ( m, n+ ), (8-0.) t t t N : ( mn, ) ( = ( ) (8-0.3) N t t t 3 : (, ) (, ) (, ) (8-0.4) N : 4 ( mn, ) t t t (8-0.5) N t t t 5 : (, ) (, ) (, ) (8-0.6) N : 6 ( mn, ) t t t und (8-0.7) N : t t t (, ) (, ) (, ) (8-0.8) 7 In dem gewählten Beispiel wird bei einem mathematisch positiven Umlaufsinn die Kontur in Form der diskreten Daten t s = (4,6), t z =(,7,7,0,0,,,,,,3,5,5,3,4,4,4,5,6,6,7,7) (8-) dargestellt. Die Konturcodierung hat den Vorteil, dass Binärobjekte datenreduziert gespeichert werden können. Ferner kann der Konturcode für eine Merkmalsextraktion und für geometrische Operationen ohne Verwendung der Rohdaten herangezogen werden, so dass man den Nachteil in Kauf nehmen kann, dass der Konturcode für eine Sichtbarmachung der Objekte erst decodiert werden muss. Für weitere Einzelheiten zur Anwendung des Konturcodes sei auf Zamperoni [97] verwiesen. 6 m 4 Anfangspunkt Richtungscode Abb. 8-: Konturcodierung auf Basis der 8-ter-Nachbarschaft 7 0 n
7 8.5 Kantenextraktion und Konturverfolgung Für das Problem der Kantenextraktion aus bimodalen Grauwertbildern lässt sich keine allgemeingültige systematische Methode angeben. In der Praxis muss man häufig für jeden Anwendungsfall individuell eine günstige Komposition von Bildverbesserungs-, Glättungs-, Binarisierungs- und Kantenextraktionsoperatoren nach empirischen Kriterien zusammenstellen [5, 3, 65, 73, 97]. Jedoch sollte das Ergebnis der Kantenextraktion folgende Kriterien erfüllen: Binärbild mit weißen Linien und schwarzem Hintergrund, Linien mit konstanter Breite von einem Bildpunkt, lückenlose geschlossene Konturlinie und möglichst keine Störungen, wie Zickzackverläufe, Linienäste, Punkte etc.. Das entwickelte Verfahren der Konturverfolgung geht von einem nach Hintergrund und Objekt segmentierten oder segmentierbaren Bild aus und wurde mit folgenden zusätzlichen Zielvorstellungen entwickelt: Verarbeitung von Bildpunkten nur in der Umgebung der Kontur, um kurze Rechenzeiten zu ermöglichen, Möglichkeit der Hardware-Realisierung der Konturextraktion, ebenfalls zur Rechenzeitbeschleunigung und Speicherung der Konturinformation in Form des Konturcodes. Der Konturverfolgungsalgorithmus geht von einem Startpunkt (m s,n s ) t auf der Kontur aus. Zu Beginn der Konturverfolgung ist die Richtung der Kante unbekannt, so dass man die Suche beliebig, z.b. in der codierten Richtung 0 beginnen kann. Die Konturverfolgung wird so lange fortgesetzt, bis die Abbruchbedingung des Algorithmus erfüllt ist. Zur zeitlichen Optimierung der Konturverfolgung wurde, unter der Annahme einer bis auf eine endliche Anzahl von Unstetigkeitspunkten stetig differenzierbaren Kontur, eine Matrix R C = (8-) der wahrscheinlichen, codierten Konturfolgerichtungen definiert. Bei der Verwendung dieser wahrscheinlichen, codierten Konturfolgerichtungen geht man davon aus, dass mit hoher Wahrscheinlichkeit entweder die Richtung der Kontur beibehalten wird oder, mit entsprechend abnehmender Wahrscheinlichkeit, die Kontur der nächst benachbarten Richtung entsprechend Abbildung 3 folgt. Infolgedessen werden in dem Algorithmus entsprechend der Suchrichtungsmatrix () nacheinander die existierenden Konturelemente der codierten Richtungen der Abb. 4 mit dem vorliegenden Binärbild verglichen
8 vorherige Richtung n m 8. Bildverarbeitung des optischen Kamera-Positionsmesssystems Folge der Richtungen mit abnehmender Wahrscheinlichkeit Abb. 8-3: Suchrichtungsfolgen der Konturverfolgung Erfüllt das Binärbild die Bedingung eines Konturelements (3), so wird der Konturpixel gesetzt, das Kantenelement als gefunden markiert, die Richtung der Kante entprechend der 8-er- Nachbarschaft im z- Vektor gespeichert und die Konturverfolgung im Bildpunkt der Nachbarschaftsrelation (0) unter Berücksichtigung der gefundenen Konturrichtung fortgesetzt, bis die Abbruchbedingung erfüllt ist. Der Abbruch erfolgt, wenn kein Kantenelement existiert, die aktuelle Konturkoordinate gleich der Startkoordinate ist, die Konturkoordinate auf einer bereits gefundenen Kontur liegt oder die Grenzen des Bildausschnitts oder des Bildbereiches erreicht sind. Die Konturelemente der Abb. 4 werden durch 8 Relationen: CB k ( m, n) = wahr Richtungscode k, k {0,,,7}, (8-3.) mit CB0( m, n) = ( T{ g}( m, n) = g0 T{ g}( m, n+ ) = g0 ) ( T{ g}( m, n) = g T{ g}( m, n+ ) = g T{ g}( m+, n) = g T{ g}( m+, n+ ) = g ), (8-3.) CB( m, n) = ( T{ g}( m, n) = g0 T{ g}( m, n+ ) = g0 ) ( T{ g}( m, n+ ) = g T{ g}( m, n) = g ), (8-3.3) CB( m, n) = ( T{ g}( m, n) = g0 T{ g}( m, n) = g0 ) ( T{ g}( m, n ) = g T{ g}( m, n ) = g T{ g}( m, n+ ) = g T{ g}( m, n+ ) = g ), (8-3.4) CB3( m, n) = ( T{ g}( m, n) = g0 T{ g}( m, n ) = g0 ) ( T{ g}( m, n) = g T{ g}( m, n ) = g ), (8-3.5)
9 C ( m, n) = ( T{ g}( m, n) = g T{ g}( m, n ) = g ) B4 0 0 ( T{ g}( m+, n ) = g T{ g}( m+, n) = g T{ g}( m, n ) = g T{ g}( m, n) = g ), B5 0 0 C ( m, n) = ( T{ g}( m, n) = g T{ g}( m+, n ) = g ) ( T{ g}( m, n ) = g T{ g}( m+, n) = g ), C ( m, n) = ( T{ g}( m, n) = g T{ g}( m+, n) = g ) B6 0 0 ( T{ g}( m+, n ) = g T{ g}( m, n ) = g T{ g}( m+, n+ ) = g T{ g}( m, n+ ) = g ) und C ( m, n) = ( T{ g}( m, n) = g T{ g}( m+, n+ ) = g ) B7 0 0 ( T{ g}( m+, n) = g T{ g}( m, n+ ) = g ). (8-3.6) (8-3.7) (8-3.8) (8-3.9) m Bedingung log. log.0 n Richtung Abb. 8-4: Konturelemente und zugeordnete Konturrichtungen definiert. Das Prädikat des Konturverfolgers wird hierdurch im Zusammenhang mit den Konturfolgerichtungen in Gleichung () beschrieben
10 8.6 Marker Positionsmessung Für die 3D-Photogrammetrie sind die eingesetzten Marker insbesondere im Zusammenhang mit der subpixelgenauen Positionsmessung von zentraler Bedeutung. Geht man von einer 3D- Kugelsphäre aus, so sind die im RAM-KOS entstehenden geometrischen Objekte Kreise oder Ellipsen. Ellipsen entstehen, wenn die horizontalen und vertikalen Maßstabsfaktoren unterschiedlich sind. Eine typische Markerrepräsentation umfasst dabei 5 x 5- bis 0 x 0-Pixel oder mehr. Eine Positionsmessung mit Subpixelgenauigkeit setzt ein analoges Kantenmodell voraus. Das einzusetzende Kantenmodell ist dabei abhängig von Pixelzahl des Markers bzw. dem vorliegenden z-abstand zu wählen. Als Umschaltkriterium kann die Markerfläche im RAM-KOS herangezogen werden. Da sowohl bei der D-Subkanten-Positionsmessung als auch der 3D-Positionsmessung Minimierungsverfahren zum Einsatz kommen, sind geeignete Schätzungen der Startwerte der Minimierer erforderlich: Für die Prädiktion der Kantenpositionen sind Schwellwertverfahren zusammen mit Konturverfolgungsalgorithmen geeignet. Die Markerposition kann mit Hilfe des Flächenschwerpunkts des segmentierten Markers und der z-abstand kann über die Bildweite, den Maßstabsfaktoren und dem in Welt- und RAM-Koordinaten vermessenen Flächenmaß, Durchmesser oder Konturumfang bestimmt werden (Durchmesser der Kugel im Welt-KOS bekannt). Die gemessene Markerposition wird durch zufällige und systematische Messfehler beeinflusst. Diese sind Markergeometriefehlern, die Markerposition (insbesondere in z-richtung), der Hintergrund, die Störlichtquellen, die Inhomogenitäten der Beleuchtung, die Inhomogenitäten der optischen Eigenschaften der Markeroberflächen, das Sensorrauschen und die Grauwertfehler des Sensors. Die Einflüsse der Beleuchtungsquellen und Reflexionseigenschaften können zusammen mit dem Kamerarauschen und Quantisierungsrauschen als statistische Störungen interpretiert werden (siehe auch Abb. 3-3). Die Abb. 3-3 zeigt die Situation für ein Messmerkmal im Durchlichtverfahren. Für eine genauere Analyse dieser Grenzen müssen die eingesetzten Messmerkmale und Algorithmen in der Anwendungssituation herangezogen werden
11 8.6. Positionsmessung Flächenschwerpunkt Die Position (x M,y M ) t des sphärischen Markers in D-RAM-Koordinaten kann über den Flächenschwerpunkt mg( mn, ) x = ym gmn (, ) ng( mn, ) ( mn, ) Objekt ( mn, ) Objekt m Bmn g( m, n) ( mn, ) Rechteck = Bmn g( m, n) n Bmn g( m, n) ( mn, ) Rechteck ( mn, ) Rechteck M ( mn, ) Objekt (8-4) bestimmt werden. Hierbei sind (m,n) t := Pixelkoordinaten g(m,n) := Grauwertbild Objekt := segmentiertes Objekt Rechteck := Rechteck, mit Objekt Rechteck (Objekt ist in Rechteck) B mn := Belegungsmatrix ( für Objekt und 0 für Hintergrund) Diese Methode wird oft benutzt. Sie ist wenig rechenzeitintensiv, ergibt akzeptable Resultate und ist einfach zu implementieren. Das eigentliche Problem liegt in der Findung eines Rechtecks, das einen und nur einen Marker enthält sowie in der Ermittlung der Belegungsmatrix. Bei einem bimodalen Histogramm kann man die Belegungsmatrix mit einem einfachen Schwellwertverfahren bestimmen. Systematische und zufällige Fehler Systematische und zufällige Fehler der Positionsmessung können über die Jacobi- Matrizen (0-4) der Vektorabbildung y = f( p, x), mit xm y =, ym m Bmn g( m, n) ( mn, ) Rechteck fx ( ) =, B g( m, n) nbmn g( mn, ) x = mn ( mn, ) Rechteck ( mn, ) Rechteck t t t (( gmn (, )) ( Bmn) ) beschrieben werden. Dieser Ansatz kann für numerische Fehlerfortpflanzungsanalysen nach Kap. 0.6 herangezogen werden
12 Zufällige Messfehler/Wiederholgenauigkeit Unter der Annahme unkorrelierte unabhängiger zufälliger Grauwerte g i lässt sich nach Cooper die Varianzabschätzung (Gewichtung mit g i ): σ σ σ σ x = M xi xm xi + I xm i i gi i σ y = M yi ym yi + I ym i i gi i σ = xy x y y x+ Ix y i i i gi i xmym i i M i M i M M einsetzen. Hierbei sind σ := Signalrauschen der Weißwerte g i := Grauwert auf der Diagonalen (i,i) im Objektrechteck I := Anzahl der Diagonalpixel im Rechteck (8-5) Unter den gleichen Annahmen des Cooper-Ansatzes mit der Gewichtung g i = = const erhält man aus (8-4): N m g( m, n) xm m Objekt ( m, n) Objekt = ~ y M. (8-6) gmn (, ) M n ( mn, ) Objekt n Objekt gmn (, ) ( mn, ) Objekt Damit ist die Positionsmessung des Flächenschwerpunktes mit der Gewichtung g i = proportional zum Kehrwert des arithmetischen Mittelwerts der Objektgrauwerte. Bei normalverteilten Rauschstörungen N(ξ,σ) kann das Vertrauensintervall σ σ µ λp% ξ µ + λp% (8-7) MN MN des Erwartungswertes µ zur Charakterisierung der Unsicherheiten herangezogen werden. Die Gleichung (8-7) zeigt, dass die zufälligen Fehler der Positionsmessung normalverteilter Rauschstörungen mit dem Faktor MN abnehmen. Hierbei gibt M N die Zahl der Objektpixel an
13 Schlussfolgerung: Eine q-fache Erhöhung der Wiederholgenauigkeit kann bei konstanten Rauschstörungen mit einer q -fachen Erhöhung der Pixelzahl erreicht werden. Die Wiederholgenauigkeit der Positionsmessung wächst proportional zur D-Markerfläche bzw. dem reziproken Abbildungsmaßstab zwischen Welt- und Sensor-KOS (kleinere Markerfläche größere Fehler). Diese Abschätzungen können nur zu einer groben Orientierung dienen. Systematische Messfehler Die systematischen Messfehler der Grauwerte werden bei der Verwendung von CMOS- Sensoren nicht unwesentlich durch systematische Fehler der individuellen CMOS-Zellenkennlinien bestimmt. In erster Näherung sind dies Offset- und Steigungsfehler der individuellen Regressionsgerade der CMOS-Zellen gegenüber der globalen nominalen Sensorgeraden. Zudem können einzelne Sensorpixel einen Defekt in der Art aufweisen, das dessen Grauwerte unabhängig von der Leistungsdichte der auftretenden elektromagnetischen Strahlung sind (siehe Abb. 8-5). Die auftretenden Fehlerprozesse sind im Allgemeinen orts-, temperatur- und zeitabhängig sowie räumlich und zeitlich korreliert. In erster Näherung kann man eine Orts- und Zeitinvarianz sowie räumliche Korrelationsfreiheit annehmen. Temperatur und alterungsbedingte Veränderungen sollen nicht Gegenstand der Betrachtung sein (Badewannenkurve: Nach Frühausfällen mit normaler Nutzungsdauer; Abb. 8-5: Pixeldefekte (defekter Pixel schwarz) keine Frühausfälle und Alterungs- bzw. verschleißbedingte Fehlerarten). Für diese Fehlerbeschreibung ist es zweckmäßig, ein empirisches Fehlermodell bzw. empirische Verteilungsfunktionen heranzuziehen. Geht man davon aus, dass folgende disjunktive Ereignisklassen G := Ereignis Grauwert in Ordnung und D := Ereignis Grauwert defekt vorliegen, wobei die defekten Pixel ihrerseits wie folgt eingeteilt werden W := Ereignis Grauwert weiß, B := Ereignis Grauwert schwarz, G C := Ereignis Grauwert konstant (ohne weiß und schwarz) und U := unklassifizierbares Fehlerereignis, so erhält man für die Ereigniswahrscheinlichkeiten die Relationen: pg ( ) = pd ( ), mit (8-8.) pd ( ) = pw ( B G U) = pw ( ) + pb ( ) + pg ( ) + pu ( ) und (8-8.) C G k= Ck C pg ( ) = pg ( ). (8-8.3) C
14 8.6. Analytisches Parameterbestimmungsverfahren achsenparalleler Ellipsen Ausgehend von der Annahme, dass die über die geschlossene Kontur eines Objekts gleichmäßig verteilten Konturpunkte ( x, y ), k {,,..., K} (8-9) k k die Ellipsengleichung in achsenparalleler Lage f : ( y y ) / a + ( x x ) / b = 0, a > 0 b> 0 (8-0) E c c exakt befriedigen, lässt sich ein Näherungsansatz zur geschlossenen Ellipsenparameterberechnung aus der Relation k 0 ε = ( y y ) / a + ( x x ) / b = 0 (8-) k k c k c entwickeln. Es handelt sich hierbei um einen Näherungsansatz, da die Konturpunkte (8-9) die Annahme (8-) nicht exakt, sondern höchstens im arithmetischen Mittel erfüllen. Die Summe der quadratischen Fehler sämtlicher Konturpunkte erfüllt somit auch die Gleichung K K K! ε k = ( k c + k c ) =, (8-) f : ( y y ) / a ( x x ) / b 0 k= k= k= t so dass man das Parameterbestimmungsproblem p E = ( xc, yc, a, b) auf ein Minimierungsproblem zurückführen kann. Notwendige Bedingung für die Existenz eines relativen Extremums ist das Verschwinden der partiellen Ableitungen: f f f f = 0, = 0, = 0 und = 0. (8-3) xc yc a b Nach Anwendung der Summen- und Kettenregel erhält man für x c und y c : f ( ) ( ) ( ) : / a xk xc + / b yk yc / a ( xk xc) = 0 und (8-4) x c k f ( ) ( ) ( ) : / a xk xc + / b yk yc / b ( yk yc) = 0. (8-5) y c k Weil der Term in der eckigen Klammer die Ellipsengleichung (8-0) darstellt, erhält man weiter bzw. für a ( xc xk )/ a = 0 und k > 0 b> 0 die notwendige Bedingung:! ( yc yk )/ b = 0 (8-6) k t t ( xc yc) = xk yk K. (8-7) k k Aus den notwendigen Bedingungen der partiellen Ableitungen der Hauptachsenparameter lassen sich keine verwertbaren Beziehungen zur Bestimmung der Hauptachsenparameter ableiten. Jedoch lassen sich nach Bestimmung der Mittelpunktkoordinaten die Hauptachsenparameter über die Aussagen = Max{ k E } und b Max{ yk y E } a x x = (8-8)
15 berechnen. Infolgedessen stehen die Parameter der achsenparallelen Ellipsengleichung näherungsweise in einer analytischen Beziehung zu den statistischen Kennwerten des Datenfeldes (9) bzw. den gleichmäßig über die geschlossene Kontur verteilten Konturpunkten: ( { } { }) t k k p = ( x, y, a, b) = x, y, Max x x,max y y. (8-9) t E c c E E Das Verfahren der konjugierten Ellipsendurchmesser Ellipsenkontur Sehnengruppen Regressionsgeraden Mittelpunkt Abb. 8-6: Konjugierte Ellipsendurchmesser Kommt es bei der Messung, wie z.b. bei der Kamerakalibration (Mittelpunktskoordinaten im Sensorkoordinatensystem des Bildspeichers), lediglich auf die Mittelpunktskoordinaten einer Ellipse an, so kann das Verfahren der konjugierten Ellipsendurchmesser herangezogen werden [53]. Bei diesem Ansatz werden die Schnittpunkte zweier orthogonaler Gruppen von parallelen Sehnen mit der Kontur bestimmt (siehe Abb. 8-6). Der Schnittpunkt der beiden Regressionsgeraden, die durch die Mittelpunktskoordinaten der Sehnen gezogen werden, definiert die Mittelpunktskoordinaten der Ellipsenkontur. Bei der subpixelgenauen Positionsmessung werden die Sehnen in der Umgebung des Flächenschwerpunktes gewählt, damit die Suchrichtungen der Kantenorte quasi orthogonal zur Ellipsenkontur verlaufen. Die elliptische Verzerrung der Kreiskontur wurde in Abb. 8-6 gegenüber der real vorkommenden Verzerrung stark überbetont
16
17 Inhaltsverzeichnis 8 Bildverarbeitung des optischen Kamera-Positionsmesssystems Bildvorverarbeitung Digitale Bildverarbeitung Segmentierung von Grauwertbildern Konstanter Schwellwert bei Grauwertbildern mit bimodalem Histogramm Schwellwertbestimmung mit modifiziertem Histogramm Lokaladaptive Schwelle Konturcodierung mit Freeman Code Kantenextraktion und Konturverfolgung Marker Positionsmessung Positionsmessung Flächenschwerpunkt Analytisches Parameterbestimmungsverfahren achsenparalleler Ellipsen Das Verfahren der konjugierten Ellipsendurchmesser
Vorbereitungsaufgaben
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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrBildverarbeitung Herbstsemester. Binärbildanalyse
Bildverarbeitung Herbstsemester Herbstsemester 2010 2012 Binärbildanalyse 1 Inhalt Einführung Partikelfilterung und -analyse Auffinden von Regionen und Konturen Gruppenarbeit Erkennung von geometrischen
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrHandbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
Mehr(1) Problemstellung. (2) Kalman Filter
Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung
MehrLösungsmethoden gewöhnlicher Differentialgleichungen (Dgl.)
Lösungsmethoden gewöhnlicher Dierentialgleichungen Dgl) Allgemeine und partikuläre Lösung einer gewöhnlichen Dierentialgleichung Eine Dierentialgleichung ist eine Gleichung! Zum Unterschied von den gewöhnlichen
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrWie optimiert man die Werbungserkennung von Ad- Detective?
Wie optimiert man die Werbungserkennung von Ad- Detective? Die Ad-Detective-Werbe-Erkennung von VideiReDo basiert auf der Erkennung von Schwarzwerten / scharzen Bildern, die die Werbeblöcke abgrenzen.
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrGitterherstellung und Polarisation
Versuch 1: Gitterherstellung und Polarisation Bei diesem Versuch wollen wir untersuchen wie man durch Überlagerung von zwei ebenen Wellen Gttterstrukturen erzeugen kann. Im zweiten Teil wird die Sichtbarkeit
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrRegionen in Binärbildern
Regionen in Binärbildern Industrielle Bildverarbeitung, Vorlesung No. 9 1 M. O. Franz 05.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Auffinden
MehrEntladen und Aufladen eines Kondensators über einen ohmschen Widerstand
Entladen und Aufladen eines Kondensators über einen ohmschen Widerstand Vorüberlegung In einem seriellen Stromkreis addieren sich die Teilspannungen zur Gesamtspannung Bei einer Gesamtspannung U ges, der
MehrMATHEMATIK 3 STUNDEN. DATUM: 8. Juni 2009
EUROPÄISCHES ABITUR 2009 MATHEMATIK 3 STUNDEN DATUM: 8. Juni 2009 DAUER DES EXAMENS : 3 Stunden (180 Minuten) ZUGELASSENE HILFSMITTEL : Europäische Formelsammlung Nicht graphischer und nicht programmierbarer
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
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
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
Mehr6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum
6 ALLGEMEINE THEORIE DES ELEKTROMAGNETISCHEN FELDES IM VAKUUM 25 Vorlesung 060503 6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum 6.1 Grundaufgabe der Elektrodynamik Gegeben: Ladungsdichte
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
Mehr14. Minimale Schichtdicken von PEEK und PPS im Schlauchreckprozeß und im Rheotensversuch
14. Minimale Schichtdicken von PEEK und PPS im Schlauchreckprozeß und im Rheotensversuch Analog zu den Untersuchungen an LDPE in Kap. 6 war zu untersuchen, ob auch für die Hochtemperatur-Thermoplaste aus
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
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,
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrMathematik. UND/ODER Verknüpfung. Ungleichungen. Betrag. Intervall. Umgebung
Mathematik UND/ODER Verknüpfung Ungleichungen Betrag Intervall Umgebung Stefan Gärtner 004 Gr Mathematik UND/ODER Seite UND Verknüpfung Kommentar Aussage Symbolform Die Aussagen Hans kann schwimmen p und
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
Mehr!(0) + o 1("). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen.
Bifurkationen an geschlossenen Orbits 5.4 167 der Schnittabbldung konstruiert. Die Periode T (") der zugehörigen periodischen Lösungen ergibt sich aus =! + o 1 (") beziehungsweise Es ist also t 0 = T (")
Mehr1. Mathematik-Schularbeit 6. Klasse AHS
. Mathematik-Schularbeit 6. Klasse AHS Arbeitszeit: 50 Minuten Lernstoff: Mathematische Grundkompetenzen: (Un-)Gleichungen und Gleichungssysteme: AG. Einfache Terme und Formeln aufstellen, umformen und
MehrDarstellungsformen einer Funktion
http://www.flickr.com/photos/sigfrid/348144517/ Darstellungsformen einer Funktion 9 Analytische Darstellung: Eplizite Darstellung Funktionen werden nach Möglichkeit eplizit dargestellt, das heißt, die
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrÜbungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.
Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines
MehrMean Time Between Failures (MTBF)
Mean Time Between Failures (MTBF) Hintergrundinformation zur MTBF Was steht hier? Die Mean Time Between Failure (MTBF) ist ein statistischer Mittelwert für den störungsfreien Betrieb eines elektronischen
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
MehrÜbung 5 : G = Wärmeflussdichte [Watt/m 2 ] c = spezifische Wärmekapazität k = Wärmeleitfähigkeit = *p*c = Wärmediffusität
Übung 5 : Theorie : In einem Boden finden immer Temperaturausgleichsprozesse statt. Der Wärmestrom läßt sich in eine vertikale und horizontale Komponente einteilen. Wir betrachten hier den Wärmestrom in
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrCharakteristikum des Gutachtenstils: Es wird mit einer Frage begonnen, sodann werden die Voraussetzungen Schritt für Schritt aufgezeigt und erörtert.
Der Gutachtenstil: Charakteristikum des Gutachtenstils: Es wird mit einer Frage begonnen, sodann werden die Voraussetzungen Schritt für Schritt aufgezeigt und erörtert. Das Ergebnis steht am Schluß. Charakteristikum
MehrZählstatistik. Peter Appel. 31. Januar 2005
Zählstatistik Peter Appel 31. Januar 2005 1 Einleitung Bei der quantitativen Analyse im Bereich von Neben- und Spurenelementkonzentrationen ist es von Bedeutung, Kenntnis über die möglichen Fehler und
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrTeaser-Bilder erstellen mit GIMP. Bildbearbeitung mit GIMP 1
Teaser-Bilder erstellen mit GIMP 08.08.2014 Bildbearbeitung mit GIMP 1 Auf den folgenden Seiten werden die wichtigsten Funktionen von GIMP gezeigt, welche zur Erstellung von Bildern für die Verwendung
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
Mehr3.2 Spiegelungen an zwei Spiegeln
3 Die Theorie des Spiegelbuches 45 sehen, wenn die Person uns direkt gegenüber steht. Denn dann hat sie eine Drehung um die senkrechte Achse gemacht und dabei links und rechts vertauscht. 3.2 Spiegelungen
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrFachbericht zum Thema: Anforderungen an ein Datenbanksystem
Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrBayern FOS BOS 12 Fachabiturprüfung 2015 Mathematik (Nichttechnische Ausbildungsrichtungen) Analysis A I
Bayern FOS BOS Fachabiturprüfung 05 Mathematik (Nichttechnische Ausbildungsrichtungen) Analysis A I.0 Nebenstehende Abbildung zeigt den Graphen G f ' der ersten Ableitungsfunktion einer in ganz 0 definierten
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrIm Original veränderbare Word-Dateien
Computergrafik Bilder, Grafiken, Zeichnungen etc., die mithilfe von Computern hergestellt oder bearbeitet werden, bezeichnet man allgemein als Computergrafiken. Früher wurde streng zwischen Computergrafik
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrLichtbrechung an Linsen
Sammellinsen Lichtbrechung an Linsen Fällt ein paralleles Lichtbündel auf eine Sammellinse, so werden die Lichtstrahlen so gebrochen, dass sie durch einen Brennpunkt der Linse verlaufen. Der Abstand zwischen
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrWir unterscheiden folgende drei Schritte im Design paralleler Algorithmen:
1 Parallele Algorithmen Grundlagen Parallele Algorithmen Grundlagen Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: Dekomposition eines Problems in unabhängige Teilaufgaben.
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
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
Mehr6.2 Perfekte Sicherheit
04 6.2 Perfekte Sicherheit Beweis. H(B AC) + H(A C) = H(ABC) H(AC) + H(AC) H(C) Wegen gilt Einsetzen in die Definition gibt = H(AB C). H(A BC) = H(AB C) H(B C). I(A; B C) = H(A C) H(AB C) + H(B C). Da
MehrFRAGE 39. Gründe, aus denen die Rechte von Patentinhabern beschränkt werden können
Jahrbuch 1963, Neue Serie Nr. 13, 1. Teil, 66. Jahrgang, Seite 132 25. Kongress von Berlin, 3. - 8. Juni 1963 Der Kongress ist der Auffassung, dass eine Beschränkung der Rechte des Patentinhabers, die
MehrSuche schlecht beschriftete Bilder mit Eigenen Abfragen
Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere
MehrWelche Unterschiede gibt es zwischen einem CAPAund einem Audiometrie- Test?
Welche Unterschiede gibt es zwischen einem CAPAund einem Audiometrie- Test? Auch wenn die Messungsmethoden ähnlich sind, ist das Ziel beider Systeme jedoch ein anderes. Gwenolé NEXER g.nexer@hearin gp
MehrFunktion Erläuterung Beispiel
WESTFÄLISCHE WILHELMS-UNIVERSITÄT WIRTSCHAFTSWISSENSCHAFTLICHE FAKULTÄT BETRIEBLICHE DATENVERARBEITUNG Folgende Befehle werden typischerweise im Excel-Testat benötigt. Die Beispiele in diesem Dokument
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
MehrDie Übereckperspektive mit zwei Fluchtpunkten
Perspektive Perspektive mit zwei Fluchtpunkten (S. 1 von 8) / www.kunstbrowser.de Die Übereckperspektive mit zwei Fluchtpunkten Bei dieser Perspektivart wird der rechtwinklige Körper so auf die Grundebene
MehrQR Code. Christina Nemecek, Jessica Machrowiak
QR Code Christina Nemecek, Jessica Machrowiak 1 Inhaltsangabe. Einführung Definition Entstehung Grundlagen Aufbau Fehlertoleranz und -erkennung Generieren des QR Codes Lesen des QR Codes Quellen 2 Einführung.
MehrDownload. Mathematik üben Klasse 8 Funktionen. Differenzierte Materialien für das ganze Schuljahr. Jens Conrad, Hardy Seifert
Download Jens Conrad, Hard Seifert Mathematik üben Klasse 8 Funktionen Differenzierte Materialien für das ganze Schuljahr Downloadauszug aus dem Originaltitel: Mathematik üben Klasse 8 Funktionen Differenzierte
MehrSkalierung des Ausgangssignals
Skalierung des Ausgangssignals Definition der Messkette Zur Bestimmung einer unbekannten Messgröße, wie z.b. Kraft, Drehmoment oder Beschleunigung, werden Sensoren eingesetzt. Sensoren stehen am Anfang
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrStellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster
Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrErfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.
Abstract zum Thema Handelssysteme Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.01 Einleitung: Handelssysteme
MehrKorrelation. Übungsbeispiel 1. Übungsbeispiel 4. Übungsbeispiel 2. Übungsbeispiel 3. Korrel.dtp Seite 1
Korrelation Die Korrelationsanalyse zeigt Zusammenhänge auf und macht Vorhersagen möglich Was ist Korrelation? Was sagt die Korrelationszahl aus? Wie geht man vor? Korrelation ist eine eindeutige Beziehung
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrWinWerk. Prozess 6a Rabatt gemäss Vorjahresverbrauch. KMU Ratgeber AG. Inhaltsverzeichnis. Im Ifang 16 8307 Effretikon
WinWerk Prozess 6a Rabatt gemäss Vorjahresverbrauch 8307 Effretikon Telefon: 052-740 11 11 Telefax: 052-740 11 71 E-Mail info@kmuratgeber.ch Internet: www.winwerk.ch Inhaltsverzeichnis 1 Ablauf der Rabattverarbeitung...
Mehr