Was bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col
|
|
- Maximilian Hofer
- vor 5 Jahren
- Abrufe
Transkript
1 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, Transformation, Analyse, Interpretation digitaler Bilder statistische Merkmale (Bildanalyse) Bild Wert: Extrema, Mittelwerte, Abweichung Bild Funktion col N: Histogramme, kumulierte Histogramme Bild Funktion von Teilmenge von pos N: Linienprofile, integriertes Linienprofil und ihre Aussagen über das Bild pos Punktoperationen f : col col (Bildtransformation) und ihre Fortsetzung f : col pos col 30
2 Statistisches Merkmal: Entropie gegeben: B col pos (und evtl. Auswahl pos pos) Entropie H : col pos R H(B) = (h(b, c) log 2 (h(b, c))) c col mit relativer Häufigkeit des Intensitätswertes c in B: h(b, c) = {p pos B(p) = c} pos Aussage über Informationsgehalt des Bildes Beispiele: einfarbiges ( )-Bild B mit Grauwert 10 hat Entropie H(B) =... ( )-Schwarz-Weiß-Bild mit gleicher Anzahl schwarzer und weißer Pixel hat Entropie H(B) =... ( )-Bild mit jeweils gleicher Anzahl an Pixeln in 8 Intensitätswerten hat Entropie H(B) =... untere Schranke für Bitzahl zur Codierung des Bildes (Information zur verlustfreien Komprimierbarkeit) 31
3 Co occurrence Matrix gegeben: B col pos (und evtl. Auswahl pos pos) Co occurrence Matrix C N col col mit c, d col : C(c, d) = {p = (p x, p y ) pos : B(p) = c B(p x, p y+1 ) = d} Anzahl der Vorkommen von (hier horizontalen) Intensitäts-Paaren Beispiel: B = C(B) =
4 Co occurrence Matrix Informationen große gleichfarbige Flächen in B hohe Werte auf der Hauptdiagonale in C(B) kontrastreiche Bilder in B hohe Werte links unten und rechts oben C(B) Länge von Grenzen zwischen Bereichen gleicher Intensitäten Texturmaß (zur texturbasierten Segmentierung) 33
5 Binarisierung Abbildung von Bildern mit Wertebereich col = {0,..., k} (Intensitäten) auf Schwarz-weiß-Bilder (mit Wertebereich col = {0, 1}) gegeben: gesucht: B {0,..., k} pos B {0, 1} pos abhängig von einem Schwellwert θ col { 1 falls x θ f (x) = 0 sonst oder abhängig von zwei Schwellwerten θ 1, θ 2 col { 1 falls θ1 < x θ f (x) = 2 0 sonst 34
6 Schwellwertbestimmung mittlerer Grauwert θ = avg(b) bei bimodalen Histogrammen: θ = lokales Minimum zwischen beiden Maxima bei bekanntem prozentualen Anteil p% der (angenommen helleren) Objektpunkte: Auswahl des maximalen θ mit c<θ h(b, c) 1 p/100 Schwellwertberechnung nach Otsu adaptive Schwellwertberechnung für Bildbereiche anhand lokaler Merkmale (z.b. avg, med) des Bildausschnittes 35
7 Schwellwertbestimmung nach Otsu Jeder Schwellwert θ col zerlegt col in zwei Farbbereiche col θ = {c col c θ} und col >θ = {c col c > θ} statistische Größen dieser beiden Farbereiche innerhalb B: Auftrittswahrscheinlichkeit p θ (B) = c col θ h(b, c) = {p pos B(p) θ} pos Mittelwert avg θ (B) = 1 p θ (B) c θ c h(b, c) Varianz σ 2 θ (B) = 1 p θ (B) c θ (h(b, c)(c avg θ (B))2 gesucht: θ mit beiden folgenden Eigenschaften minimale Varianz innerhalb der Klassen σ 2 θ,w (B) = p θ (B)σ 2 θ(b) + p >θ (B)σ 2 >θ(b) maximale between-class-varianz σ 2 θ,b(b) = p θ (B) ( σ 2 θ(b) avg(b) ) 2 +p>θ (B) ( σ 2 >θ(b) avg(b) ) 2 Für jeden Schwellwert θ ist σ 2 θ,w (B) + σ2 θ,b (B) = σ2 (B) konstant. Es existiert ein θ, so dass σ 2 θ,w (B) minimal und σ2 θ,b (B) maximal. 36
8 Kombinationen mehrerer Bilder Eingabe: Ausgabe: Bilder B, C col pos Bild D col pos Beispiele für punktweise Operationen f : col col col auf Binärbildern (col = {0, 1}): logische Operationen Grauwertbilder (col = {0,..., k}): arithmetische Operationen z.b. min, max, Differenz, Mittelwert Farbbildern Grauwertbild-Operationen auf jeder Farbkomponente einzeln Transformation in andere Farbbereiche (z.b. Grauwerte) durch Operationen zur Kombination mehreren Farbkomponenten 37
9 Logische Operationen auf Binärbildern Binärbilder mit Farbwerten 0 (falsch, schwarz) und 1 (wahr, weiß) gegeben: Ergebnis: B, C {0, 1} pos D {0, 1} pos logische Operationen auf Bildern B, C {0, 1} pos : punktweise Anwendung der logischen Junktoren : p pos : ( B)(p) = 1 B(p) p pos : (B C)(p) = min(b(p), C(p)) p pos : (B C)(p) = max(b(p), C(p)) XOR p pos : (B XOR C)(p) = (B(p) + C(p)) mod 2 Achtung: logische Operationen werden in Bildern mit col = {0,..., 2 k 1} oft bitweise verwendet (z.b. statt Addition zum nichtverstärkenden Verschmelzen) damit ist Extraktion von Bitebenen möglich 38
10 Logische Masken zur Darstellung und Verwaltung relevanter Bildbereiche Logische Maske (Binärmaske): Binärbild {0, 1} pos mit Werten 0 für irrelevante (transparente) Positionen 1 für relevante Positionen Anwendungen bei Arbeit mit Bildausschnitten Segmentierung Hintergrund-Entfernung Montage mehrerer Bilder Definition von Nachbarschaften von Positionen 39
11 Arithmetische Operationen auf Grauwertbildern gegeben: B, C col pos mit col = {0,..., k} N typische Punktoperationen: B, C col pos p pos Differenz (B C)(p) = B(p) C(p) zum Vergleich von Bildern, Hintergrund-Entfernung, Bewegungsdetektion häufig auch max(b(p) C(p), 0) zur Vermeidung negativer Farbwerte n i=1 B i (p) Mittelwert avg(b 1,..., B n )(p) = n zur Entfernung zufälliger Störungen, Entrauschen Addition (B + C)(p) = B(p) + C(p) häufig auch min(b(p) C(p), max(col)) zur Vermeidung von Werten außerhalb des Farbbereiches Multiplikation (BC)(p) = B(p)C(p) Verhältnis (B/C)(p) = B(p)/C(p) 40
12 Farbtransformationen Abbildung von Farbbildern (mit mehrdimensionalem Wertebereich col N k für k Farbkomponenten) auf Bilder mit anderen ein- oder mehrdimensionalen Wertebereichen z.b. Abbildung auf Grauwert-Bilder (Wertebereich col = {0,..., k} N) oft durch gewichtete Summe der Komponenten (Farbanteile) f (x 1,..., x k ) = k a i x i i=1 abhängig von Gewichten a 1,... a k der k Farbanteile Beispiel: Umrechnung von RGB (col = {0,..., 2 8 1} 3 ) in Grauwerte col = {0,..., 2 8 1} durch f (x r, x g, x b ) = 0.299x r x g x b 41
Modul 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
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos statistische Merkmale Punktoperationen f : col 1 col 2 (Bildanalyse) (Farbtransformation) Geometrische Operationen f : pos 1 pos
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
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
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
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrBildverarbeitung Herbstsemester Punktoperationen
Bildverarbeitung Herbstsemester 2012 Punktoperationen 1 Inhalt Histogramm und dessen Interpretation Definition von Punktoperationen Änderungen der Bildintensität Linearer Histogrammausgleich Gammakorrektur
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrStatistische Kenngrößen. Histogramm. Grundlagen zur statistischen Signalverarbeitung. Statistische Beschreibung von Audio
8.3.6 Statistische Kenngrößen Grundlagen zur statistischen Signalverarbeitung Dr. Detlev Marpe Fraunhofer Institut für achrichtentechnik HHI Histogramm Wahrscheinlichkeitsdichteverteilung Mittelwert µ
MehrComputergrafik 2: Übung 2. Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung
Computergrafik 2: Übung 2 Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung Inhalt Besprechung von Übung 1 Subsampling und Moiré Effekte Color Maps Histogrammlinearisierung Computergrafik
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
MehrBinärbildverarbeitung
Prof. Dr. Wolfgang Konen, Thomas Zielke Binärbildverarbeitung SS06 4.1 Konen, Zielke Anwendungen von Binärbildern Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte
MehrÜbung zu Einführung in die Informatik # 14
Übung zu Einführung in die Informatik # 14 Tobias Schill tschill@techfak.uni-bielefeld.de 12. Februar 2016 Aktualisiert am 12. Februar 2016 um 11:13 Erstklausur: Mi, 24.02.2016 von 10-12Uhr Antworten von
Mehr2D Graphik: Bildverbesserung. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005
2D Graphik: Bildverbesserung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005 Themen heute Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert Was ist
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrBilder. Bildsuchmaschiene. Bildsuche. Überblick. Beispiele im WWW. Inhaltsbasierte Bildsuche Motivation
Bilder Inhaltsbasierte Bildsuche Motivation Informatica Feminale Universität Bremen, Aug. 2005 Maja Temerinac Albert-Ludwigs-Universität Freiburg Ein Bild sagt mehr als tausend Worte. Chinesisches Sprichwort
MehrStruktur des menschlichen Auges. Bildgebende Verfahren in der Medizin und medizinische Bildverarbeitung Bildverbesserung 2 / 99
Struktur des menschlichen Auges 2 / 99 Detektoren im Auge Ca. 100 150 Mio. Stäbchen Ca. 1 Mio. Zäpfchen 3 / 99 Zapfen Entlang der Sehachse, im Fokus Tagessehen (Photopisches Sehen) Scharfsehen Farbsehen
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
MehrMorphologische Filter
Morphologische Filter Industrielle Bildverarbeitung, Vorlesung No. 8 1 M. O. Franz 28.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Morphologische
Mehr2D-Fourieranalyse und Farbräume
2D-Fourieranalyse und Farbräume Industrielle Bildverarbeitung, Vorlesung No. 12 1 M. O. Franz 09.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht
MehrDeskriptivstatistik a) Univariate Statistik Weiters zum Thema der statistischen Informationsverdichtung
20 Weiters zum Thema der statistischen Informationsverdichtung M a ß z a h l e n Statistiken bei Stichproben Parameter bei Grundgesamtheiten Maßzahlen zur Beschreibung univariater Verteilungen Maßzahlen
MehrDigitale Bildverarbeitung Einheit 6 Punktoperationen
Digitale Bildverarbeitung Einheit 6 Punktoperationen Lehrauftrag WS 06/07 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Elementare Bildverbesserung
Mehr1 Einleitung Einordnung des Gebietes Aufbau des Buches Philosophie Inhalte Einige Lehrbücher...
Inhaltsverzeichnis 1 Einleitung... 1 1.1 Einordnung des Gebietes... 1 1.2 Aufbau des Buches... 3 1.2.1 Philosophie... 3 1.2.2 Inhalte... 5 1.3 Einige Lehrbücher... 6 2 Allgemeine Begriffe... 11 2.1 Einige
MehrKompression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Folie 2
Kompression Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz Folie 2 1 Inhalte Redundanz Channel Encoding Loss-less Compression Hufmann Coding Runlength Coding Lossy Compression
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
MehrProjekte zur digitalen Bildverarbeitung
Projekte zur digitalen Bildverarbeitung im Sommersemester 2017 zum Audi Autonomous Driving Cup 2017 Das AADC-Regelwerk https://www.audi-autonomous-driving-cup.com/wp-content/uploads/2017/03/2017-03-20_regelwerk_2017_v1.0_dachl.pdf
MehrProbleme bei der Bildverarbeitung. Digitale Bildverarbeitung. Charge-Coupled-Device Kameras. Beispiel Schärfentiefe
Digitale Bildverarbeitung Keine Bildbearbeitung (z.b. Photoshop) Behandlung von zur Computergrafik inversen Problemen Erkennen von Objekten in Bildern sowie Bestimmung deren 2D (3D) Lage im Bild (im Raum)
MehrDigitale Bildverarbeitung Einheit 6 Punktoperationen
Digitale Bildverarbeitung Einheit 6 Punktoperationen Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Elementare
MehrGraphische Datenverarbeitung
Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Prof. Dr. Elke Hergenröther Übersicht Maße zur Beurteilung von Bildern: Histogramm Entropie GDV: Bildbearbeitung für Rasterbilder Punktoperationen:
MehrMessen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo
Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophysiologie Kognitive Psychologie Digitale
Mehr(a) Richtig, die Varianz ist eine Summe quadratischer Größen.
Aufgabe Welche der folgenden Aussagen sind richtig? (a) Richtig, die Varianz ist eine Summe quadratischer Größen. (b) Falsch, die Abweichung ordinaler Merkmale vom Median ist nicht definiert - also auch
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
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
Mehr1 Polynome III: Analysis
1 Polynome III: Analysis Definition: Eine Eigenschaft A(x) gilt nahe bei a R, falls es ein δ > 0 gibt mit A(x) gilt für alle x (a δ, a + δ)\{a} =: U δ (a) Beispiele: x 2 5 nahe bei 0 (richtig). Allgemeiner:
Mehr7. Grundlagen von Rasterdaten
7. Grundlagen von Rasterdaten 1. Einführung 2. Speicherung von Rasterdaten 3. Eigenschaften von Rasterdaten Geo-Informationssysteme 184 Definitionen 7.1 Einführung (I) Rasterdaten beschreiben die Geometrie
MehrSplitting. Impurity. c 1. c 2. c 3. c 4
Splitting Impurity Sei D(t) eine Menge von Lernbeispielen, in der X(t) auf die Klassen C = {c 1, c 2, c 3, c 4 } verteilt ist. Illustration von zwei möglichen Splits: c 1 c 2 c 3 c 4 ML: III-29 Decision
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
MehrEinführung in die digitale Bildverarbeitung
FRANZIS EINFUHRUNG Dr. Hartmut Ernst Einführung in die digitale Bildverarbeitung Grundlagen und industrieller Einsatz mit zahlreichen Beispielen Mit 290 Abbildungen FRANZIS Inhalt 1 Einführung 13 1.1 Was
MehrImage Compression. Vorlesung FH-Hagenberg DSB
Image Compression Vorlesung FH-Hagenberg DSB Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz Inhalte Redundanz Loss-less Compression Hufmann Coding Runlength Coding Lossy Compression
MehrBildverarbeitung Herbstsemester
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Filter Filter 1 Inhalt Lineare und nichtlineare Filter Glättungsfilter (z.b. Gauss-Filter) Differenzfilter (z.b. Laplace-Filter) Lineare Faltung
MehrGraphische Datenverarbeitung
Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Übersicht l Neu Folien:, 28 und ab 56 l Maße zur Beurteilung von Bildern: l Histogramm l Entropie l Punktoperationen: l Lineare Veränderung
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
MehrComputer Vision: Segmentierung I
Computer Vision: Segmentierung I D. Schlesinger TUD/INF/KI/IS Der Plan: D. Schlesinger () CV: Segmentierung I 1 / 13 Segmentierung Man hat das... Man braucht das. D. Schlesinger () CV: Segmentierung I
MehrSBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf. SBP Mathe Aufbaukurs 1
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf SBP Mathe Aufbaukurs 1 # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit. Das
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)
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
MehrHauptklausur zur Vorlesung Bildverarbeitung WS 2002/2003
Name:........................................ Vorname:..................................... Matrikelnummer:.............................. Bitte Studiengang ankreuzen: Computervisualistik Informatik Hauptklausur
MehrEmpirische Verteilungsfunktion
Empirische Verteilungsfunktion H(x) := Anzahl der Werte x ist. Deskriptive
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
Mehr10.5 Maximum-Likelihood Klassifikation (I)
Klassifikation (I) Idee Für die Klassifikation sind wir interessiert an den bedingten Wahrscheinlichkeiten p(c i (x,y) D(x,y)). y Wenn man diese bedingten Wahrscheinlichkeiten kennt, dann ordnet man einem
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
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
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
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
MehrCG Übung 1: ColorConverter
CG Übung 1: ColorConverter Sascha Feldmann sascha.feldmann@gmx.de Inhaltsverzeichnis 1 1 Profil 1.1 Aufgabe Erstellung eines ColorConverters. 1.2 Abgabe 24.04.2012 1.3 Autor Sascha Feldmann - 778455 1.4
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
MehrFilter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale
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
MehrIGDT: Image Processing Advanced Teil 9
Teil 9 Rainer Schubert Institut für Biomedizinische Bildanalyse Inhalt Teil 9 Registrierung Grauwert-basierte / Intensity-based Methoden Klassifikation von Registrierungsmethoden 1 Viele Klassifikationskriterien
MehrEVC Repetitorium Blender
EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Filter Transformationen
MehrSpezialgebiet: "mathematische Morphologie" (Begr. v. G. Matheron & J. Serra in Frankreich, Analyse poröser Materialien)
Fortsetzung zu Kap. 3: Bildoperationen 3.5 Morphologische Operationen Morphologie = Formenlehre Idee: über flexible Festlegung eines strukturierenden Elements (Maske) Einfluss auf zu extrahierende Formen
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
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Landmarkenbasierte anhand anatomischer Punkte interaktiv algorithmisch z.b. zur Navigation im OP Markierung von
MehrZu hell oder zu dunkel? Histogramm im ueye Cockpit nutzen
Zu hell oder zu dunkel? Histogramm im ueye Cockpit nutzen Kennen Sie das? Ihr Bild wirkt flau oder in dem dunklen, kontrastarmen Bild können Sie die aufgenommenen Objekte nicht unterscheiden. In diesem
Mehr3. Deskriptive Statistik
3. Deskriptive Statistik Eindimensionale (univariate) Daten: Pro Objekt wird ein Merkmal durch Messung / Befragung/ Beobachtung erhoben. Resultat ist jeweils ein Wert (Merkmalsausprägung) x i : - Gewicht
MehrFarbräume. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Farbräume Industrielle Bildverarbeitung, Vorlesung No. 13 1 M. O. Franz 16.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 RGB- und HSV-Farbraum
MehrMusterlösung zur Übungsklausur Statistik
Musterlösung zur Übungsklausur Statistik WMS15B Oettinger 9/216 Aufgabe 1 (a) Falsch: der Modus ist die am häufigsten auftretende Merkmalsausprägung in einer Stichprobe. (b) Falsch: die beiden Größen sind
MehrMathematische Bildverarbeitung
Kristian Bredies Dirk Lorenz Mathematische Bildverarbeitung Abbildungen und Zusatzmaterial Kapitel 1 3 In dieser PDF-Datei befindet sich eine Auswahl der Abbildungen aus dem Buch, vor allem solche, die
MehrHanddetektion in einem kameragesteuerten Robotersystem durch Auswertung digitaler Bilddaten in Echtzeit
Handdetektion in einem kameragesteuerten Robotersystem durch Auswertung digitaler Bilddaten in Echtzeit Andrea.Horch@Student.Reutlingen-University.de Medien- und Kommunikationsinformatik Agenda Einführung
MehrMod. 2 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Fernerkundung und Waldinventur
Histogramme der Grauwerte der TM Kanäle 1-7 für das Beispielsbild. - Kanäle 4 und 5 zeigen mehr Differenzierung als die anderen (Kontrast=das Verhältnis der hellsten zur dunkelsten Fläche in der Landschaft).
MehrGrundlagen von Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 7: Grundlagen von Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2014/15 Ludwig-Maximilians-Universität
MehrMustererkennung: Graphentheorie
Mustererkennung: Graphentheorie D. Schlesinger TUD/INF/KI/IS D. Schlesinger () ME: Graphentheorie 1 / 9 Definitionen Ein Graph ist ein Paar G = (V, E) mit der Menge der Knoten V und der Menge der Kanten:
MehrNützliche Bildverarbeitungs- Verfahren
MIN-Fakultät Fachbereich Informatik Arbeitsbereich SAV/BV (KOGS) Nützliche Bildverarbeitungs- Verfahren BV-Praktikum im Sommersemester 2016 Leonie Dreschler-Fischer, David Mosteller und Benjamin Seppke
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrKapitel 8: Operationen auf Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 8: Operationen auf Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2015/16 Ludwig-Maximilians-Universität
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
Mehrbenötigen. Die Zeit wird dabei in Minuten angegeben und in einem Boxplot-Diagramm veranschaulicht.
, D 1 Kreuze die richtige Aussage an und stelle die anderen Aussagen richtig. A Das arithmetische Mittel kennzeichnet den mittleren Wert einer geordneten Datenliste. B Die Varianz erhält man, wenn man
Mehr4. Funktionen und Relationen
Bestimmung der Umkehrfunktionen c) bei reellen Funktionen geometrisch durch Spiegelung des Funktionsgraphen an der Winkelhalbierenden y = x. y = x 3 y = x y = x y = (x+1)/2 y = x 1/3 y = 2x 1 Seite 27
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
MehrMathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript
Mathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript Janko Latschev Fachbereich Mathematik Universität Hamburg www.math.uni-hamburg.de/home/latschev Hamburg,
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
MehrDigitale Bildverarbeitung Einheit 5 Bilder und Statistik
Digitale Bildverarbeitung Einheit 5 Bilder und Statistik Lehrauftrag WS 06/07 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, welche
Mehr1 Einführung. Bildformate Analyse der LSB-Ersetzung Weitere steganographische Algorithmen. Syndromkodierung in der Steganographie
Gliederung Einführung 1 Einführung 2 3 4 WS 2012/2013 Steganographie und Multimedia-Forensik Folie 121 Farbwahrnehmung Blau: 435,8 nm Grün: 546,1 nm Rot: 700 nm (445 nm) (535 nm) (575 nm) Empfindlichkeit
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
Mehr