Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
|
|
- Dennis Steinmann
- vor 5 Jahren
- Abrufe
Transkript
1 Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
2 Wozu Filter?
3 Wozu Filter?
4 Beispiel 3 Teil1: Filter anwenden (verschiedene Filter anwenden um diverse Effekte zu erzeugen) Teil2: Filterparameter bestimmen Glättungsfilter (Blur) Kanten/Ecken Detektoren Kanten/Ecken Verstärkung Schwellwertfilter (Threshold) Uniforme Grauwerttransformation (Kontraständerung)
5 Glättungsfilter (Blur Filter) Ziel: Störungen/Rauschen reduzieren, eliminieren Nebenwirkungen: Filter: Kanten verwischen Unschärfe Mittelwertfilter Gaußfilter Binomialfilter Medianfilter
6 Mittelwertfilter (Box-Filter) Faltungskern Alle Gewichte gleich Summe = 1 Bewirkt eine Glättung des Bildes
7 Mittelwertfilter (Box-Filter) Faltungskern Alle Gewichte gleich Summe = 1 Bewirkt eine Glättung des Bildes Beispiel: 3x3 Mittlwertfilter Auch andere Kernelgrößen sind möglich!
8 4-/8-Nachbarschaft Möglichkeiten in 2D: 4-Nachbarschaft Nur Nachbaren mit gemeinsamen Kante 8-Nachbarschaft Auch diagonale Nachbaren
9 4-/8-Nachbarschaft Mittelwertfilter
10 Gaußfilter Gewichtete Mittelung Reduziert Einfluss von weiter vom Filterzentrum entfernten Pixeln
11 Gaußfilter Beispiel: Kernel: 5x5 Sigma: 0,5
12 Gaußfilter Beispiel: Kernel: 5x5 Sigma:? Berechne Sigma
13 Gaußfilter Beispiel: Kernel: 5x5 Sigma:? Berechne Sigma durch umformen und einsetzen vom Zentralpixel G(0,0) = 0,6366 wo für G(0,0) x= 0, y = 0
14 Binomialfilter Gaußfilter-Approximation Beispiel: 3x3 Kernel:
15 Medianfilter Kein Kernel der mit dem Bild gefaltet wird! Ersetzung jedes Pixels durch den Median seiner Nachbarschaft
16 Medianfilter Kein Kernel der mit dem Bild gefaltet wird! Ersetzung jedes Pixels durch den Median seiner Nachbarschaft 1. sortiere Grauwerte der Nachbarschaft: 01, 20, 95, 109, 111, 233, 241, 254, 255.
17 Medianfilter Kein Kernel der mit dem Bild gefaltet wird! Ersetzung jedes Pixels durch den Median seiner Nachbarschaft 1. sortiere Grauwerte der Nachbarschaft: 01, 20, 95, 109, 111, 233, 241, 254, Ergebnis = 111 (der mittlere Pixel) Bei gerader Anzahl von Elementen wird Mittelwert der beiden Werte in der Mitte genommen.
18 Medianfilter Eliminiert Ausreißer (z.b. Salz und Pfeffer -Rauschen ) Im Ergebnisbild entstehen keine neuen Grauwerte
19 Kantendetektoren
20 Wiederholung: 1. und 2. Ableitung Die 1. Ableitung Änderung des Funktionswertes = Steigung an bestimmter Stelle Die 2. Ableitung Änderung der Steigung = Krümmung des Graphen Interpretation in der BV: Ableitung zeigt in Richtung der größten Intensitäts-Änderung = Kanten
21 Wiederholung: 1. und 2. Ableitung Funktion 2. Ableitung
22 Wiederholung: 1. und 2. Ableitung Wie berechnet man die erste Ableitung? Approximation durch
23 Wiederholung: 1. und 2. Ableitung Die 1. Ableitung einer Funktion groß für Bereiche mit starker Steigung im Bild Bereiche mit großen Intensitätsunterschieden, z.b.: Objektkanten Klein für Bereiche mit geringer Steigung im Bild homogene Flächen
24 Diskreter Laplace Operator = Summer der partiellen 2. Ableitungen -> größte Intensitäts-Änderung in x- und y- Richtung Kantendetektor
25 Diskreter Laplace Operator Kernel
26 Diskreter Laplace Operator Kernel Verschiedene Variationen abhängig von Approximation der Ableitungen Gewünschte Filtergröße Gewünschte Noise-Reduction
27 Diskreter Laplace Operator Kernel Verschiedene Variationen abhängig von Approximation der Ableitungen Gewünschte Filtergröße Gewünschte Noise-Reduction
28 Diskreter Laplace Operator Kernel Verschiedene Variationen abhängig von Approximation der Ableitungen Gewünschte Filtergröße Gewünschte Noise-Reduction Eckendetektor
29 Diskreter Laplace Operator Kernel Eckendetektor
30 Eigenschaften Kanten/Ecken -Detektoren Summe des Kernels = 0 Kanten/Ecken -Verstärkung Summe des Kernels >= 1
31 Eigenschaften Kanten/Ecken -Detektoren Summe des Kernels = 0 Kanten/Ecken -Verstärkung Summe des Kernels >= 1
32 Roberts Kantendetektor 2 kleine 2x2 Filter schätzen den Gradienten der Diagonalen Sensibel auf diagonale Kanten Gering richtungsselektiv
33 Prewitt Kantendetektor 3x3 Filter Mittelung über 3 benachbarte Zeilen/Spalten entspricht Glättung Sensibel auf vertikale und horizontale Kanten
34 Sobel Kantendetektor Ähnlich Prewitt, doch bei der Glättung wird mehr Gewicht auf die zentrale Zeile bzw. Spalte gelegt.
35 Kompass Kantendetektor Filter für mehrere Richtungen: {0, 45, 90, 135, 180, 225, 270, 315 } F Bild
36 Kompass Kantendetektor Filter für mehrere Richtungen: {0, 45, 90, 135, 180, 225, 270, 315 } F Bild
37 Kompass Kantendetektor Filter für mehrere Richtungen: {0, 45, 90, 135, 180, 225, 270, 315 } F Bild
38 Kompass Kantendetektor Filter für mehrere Richtungen: {0, 45, 90, 135, 180, 225, 270, 315 } F Bild
39 Kompass Kantendetektor Filter für mehrere Richtungen: {0, 45, 90, 135, 180, 225, 270, 315 } F Bild
40 Filterparameter bestimmen Beispiel 1. durch hinschauen Filterkategorie bestimmen.
41 Filterparameter bestimmen 2. Kernelgröße und (positive) Elemente bestimmen Original Gefiltertes Bild Schwarzer Bereich mit 1 weißen Pixel => 3x3 Kernel
42 Filterparameter bestimmen 2. Kernelgröße und (positive) Elemente bestimmen Original Gefiltertes Bild Schwarzer Bereich mit 1 weißen Pixel => 3x3 Kernel Kantendetektor: Summe des Kernels = 0 => Kernel muss negative Elemente haben, Bilder haben aber keine negativen Werte (werden auf 0 gesetzt).
43 Filterparameter bestimmen 3. Negative Elemente berechnen Original Gefiltertes Bild Schwarzer Bereich mit 1 weißen und 1 grauen Pixel
44 Filterparameter bestimmen 3. Negative Elemente berechnen Original Filter Gefiltertes Bild * =
45 Filterparameter bestimmen 3. Negative Elemente berechnen Original Filter Gefiltertes Bild * = 0*1 + 0*? + 0*1 + 0*? + 1*8 + 0,7*x + 0*1 + 0*? + 0*1 = 5,9 => x = - 3
46 Filterparameter bestimmen 3. Negative Elemente berechnen Original Filter Gefiltertes Bild * = 0*1 + 0*? + 0*1 + 0*? + 1*8 + 0,7*x + 0*1 + 0*? + 0*1 = 5,9 Für alle unbekannten Werte wiederholen! => x = - 3
47 Schwellwertfilter Erzeugt aus einem Grauwertbild ein Binärbild. Bei gewähltem Schwellwert t gilt für jeden Pixel I(x,y): I(x,y) = 0 falls I(x,y) <= t I(x,y) = 1 falls I(x,y) > t
48 Schwellwertfilter Erzeugt aus einem Grauwertbild ein Binärbild. Bei gewähltem Schwellwert t gilt für jeden Pixel I(x,y): I(x,y) = 0 falls I(x,y) <= t I(x,y) = 1 falls I(x,y) > t t=135
49 Schwellwertfilter Bestimmen des Schwellwerts mittels Gradientenbild 0 Jede Bildzeile bzw. jeder Pixel ein Grauwert Gradientenbild als Input Schwellwert t aus Output direkt ablesbar t=
50 Uniforme Grauwerttransformation Histogrammabschneidung (histogram clipping) Histogrammspreizung / -stauchung
51 Uniforme Grauwerttransformation Histogrammabschneidung Intervall [x,y] bleibt erhalten Intensität < x = 0 und Intensität > y = 1 Erkennt man mit Gradientenbild Beispiel: x=70 y=200
52 Uniforme Grauwerttransformation Histogrammspreizung / -stauchung Stauchung von [0,255] im Input zu z.b. [70,200] im Output (Test mit Gradientenbild) Spreizung von z.b. [70,200] im Input zu [0,255] im Output (Test mit 2 Grauwerten im Input und Intervallgrenzen aus Output ablesen) Achtung: nicht mit Clipping verwechseln! Änderung aller Grauwerte vs. Änderung des maximalen/minimalen Grauwerts
53 Uniforme Grauwerttransformation Histogrammspreizung / -stauchung Stauchung von [0,255] im Input zu z.b. [70,200] im Output (Test mit Gradientenbild) Beispiel: x: 0 -> 70 y: 255 -> 200
54 Uniforme Grauwerttransformation Histogrammspreizung / -stauchung Spreizung von z.b. [70,200] im Input zu [0,255] im Output (Test mit 2 Grauwerten im Input und Intervallgrenzen aus Output ablesen) Beispiel x: 70 -> 0 y: 200 -> 255
55 Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
56 Dot Product a b φ O a b = a b cos φ Michael Hecher 56
57 Dot Product a b φ O a b = a 1 a 2 b 1 b 2 = a 1 b 1 + a 2 b 2 = a b cos φ Michael Hecher 57
58 Dot Product a ( a = 1) If a and b have length 1, the dot product is the cosine of the angle. b ( b = 1) φ O cos φ a b = cos φ Michael Hecher 58
59 Dot Product n a a = 1) b ( b = 1) O φ n cos φ n ab = n cos φ Michael Hecher 59
60 What does this mean in practice? Michael Hecher 60
61 Excample O = = 1 Michael Hecher 61
62 Excample O = = 1.25 Michael Hecher 62
63 Excample O = = 0.5 Michael Hecher 63
64 Excample O = = 0.5 Michael Hecher 64
65 If one of the vectors has length 1, the result of the dot product is an orthogonal projection. Michael Hecher 65
66 We can use this fact to accomplish rotations around the origin. Michael Hecher 66
67 Triangle in a Cartesian Coordinate System (Y) C 1 A B 1 (X) Michael Hecher 67
68 Orthogonal Projection on an Axis (Y) C 1 A B x ( x = 1) 1 (X) Michael Hecher 68
69 Orthogonal Projection on an Axis (Y) 1 A C B c x b x a x = x A b x = x B c x = x C x a x 1 (X) Michael Hecher 69
70 Orthogonal Projection on a Second Axis (Y) y c y a y 1 A C x a x B c x b x a x = x A b x = x B c x = x C a y = y A b y = y B c y = y C b y 90 1 (X) Michael Hecher 70
71 Use a x,a y,b x,b y,c x,c y as New Coordinates (Y) We have accomplished a rotation around the origin!!! old location 1 c y a y A C new location b y a x B c x b x (X) Michael Hecher 71
72 Compact Representation of Rotations a x = x A b x = x B c x = x C a y = y A b y = y B c y = y C Michael Hecher 72
73 Compact Representation of Rotations a x = x A b x = x B c x = x C a y = y A b y = y B c y = y C a x = x A a y = y A b x = x B b y = y B c x = x C c y = y C Michael Hecher 73
74 Compact Representation of Rotations matrix notation a x = x A b x = x B c x = x C a y = y A b y = y B c y = y C a x = x A a y = y A b x = x B b y = y B c x = x C c y = y C a x a y b x b y c x c y = x y A = x y B = x y C Michael Hecher 74
75 Rotation Matrix "x-axis" of the rotation point A = x y A rotated point rotation matrix "y-axis" of the rotation Michael Hecher 75
76 Rotation Matrix a x a y = x 1 x 2 y 1 y 2 a 1 a 2 Michael Hecher 76
77 Rotation Matrix a x a y = x 1a 1 + x 2 a 2 y 1 a 1 + y 2 a 2 Michael Hecher 77
78 What about translations? Michael Hecher 78
79 Translate a Point translation 1 A t A A = A + t A = a 1 a 2 + t 1 t2 1 Michael Hecher 79
80 Rotation + Translation Michael Hecher 80
81 First Rotate Then Translate 1) A = x y A 2) A = A + t Michael Hecher 81
82 In one Step A = x y A + t Michael Hecher 82
83 In one Step A = x y A + t A = x y a 1 a 2 + t 1 t2 Michael Hecher 83
84 In one Step A = x y A + t A = x y a 1 a 2 + t 1 t2 A = x 1a 1 + x 2 a 2 + t 1 y 1 a 1 + y 2 a 2 + t 2 Michael Hecher 84
85 In one Step A = x y A + t A = x y a 1 a 2 + t 1 t2 A = x 1a 1 + x 2 a 2 + t 1 y 1 a 1 + y 2 a 2 + t 2 A = x 1a 1 + x 2 a 2 + t 1 1 y 1 a 1 + y 2 a 2 + t 2 1 Michael Hecher 85
86 In one Step A = x y A + t A = x y a 1 a 2 + t 1 t2 A = x 1a 1 + x 2 a 2 + t 1 y 1 a 1 + y 2 a 2 + t 2 A = x 1a 1 + x 2 a 2 + t 1 1 y 1 a 1 + y 2 a 2 + t 2 1 A = x 1 x 2 t 1 y 1 y 2 t 2 a 1 a 2 1 homogeneous coordinate Michael Hecher 86
87 One Last Thing 1x2 vector A = a 1 = x a 1 x 2 t 1 1 a a 2 y 1 y 2 t x3 vector a 1 a 2 1 = x 1 x 2 t 1 y 1 y 2 t a 1 a 2 1 rotation+translation matrix Michael Hecher 87
88 Matrices for 2D and 3D For 2D: x 1 x 2 t 1 y 1 y 2 t For 3D: x 1 x 2 x 3 t 1 y 1 y 2 y 3 t 2 z 1 z 2 z 3 t Michael Hecher 88
89 Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
EVC 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
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
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,
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
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
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
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
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
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
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
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
MehrBildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg
Bildverbesserung Frequenz-, Punkt- und Maskenoperationen Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x) local-domain frequency-domain
MehrKanten und Konturen. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Kanten und Konturen Industrielle Bildverarbeitung, Vorlesung No. 6 1 M. O. Franz 14.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Kanten und
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
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"
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
MehrLU Grundlagen der digitalen Bildverarbeitung Abgabe 2. Gruppe 25 peter holzkorn andreas bretschneider martin tintel
LU Grundlagen der digitalen Bildverarbeitung Abgabe 2 Gruppe 25 peter holzkorn 0426262 andreas bretschneider 0327444 martin tintel 0402913 Beispiel 6 Texturanalyse und Texturklassifikation Texturklassen
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
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
MehrWie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler
Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen? /Anwendungsgebiete Wenn man sie denn gefunden
Mehr6. Übungsblatt Aufgaben mit Lösungen
6. Übungsblatt Aufgaben mit Lösungen Exercise 6: Find a matrix A R that describes the following linear transformation: a reflection with respect to the subspace E = {x R : x x + x = } followed by a rotation
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV, Regina Pohle,. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
MehrNichtmonotone Grauwertabbildung
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 02.12.2005 Folie 1 Nichtmonotone Grauwertabbildung Zwei Grauwertfenster in einem Bild. g (g) 0 511 2100 g Erzeugt künstliche Kanten. Grenzen
MehrDistanztransformation
1 Inhaltsverzeichnis Distanztransformation... 2 Vorwärtslauf... 2 Rückwärtslauf... 2 Weitere Masken... 2 Morphologie... 3 Erosion... 3 Dilatation... 3 Co-ocurrence Matrix... 3 Filteroperation... 5 Randbehandlung...
MehrPraktikum-Meßtechnik Verfasser: Dr. H. Bergelt
TU Bergakademie Freiberg Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt Filter in der Bildverarbeitung. Einleitung Digitale Filter gehören zu den wirkungsvollsten Methoden der Bildverarbeitung. Wir können
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
MehrKantenextraktion. Klassische Verfahren. Christoph Wagner. 30. Januar Vortrag zum Seminar Bildsegmentierung und Computer Vision
Klassische Verfahren 30. Januar 2006 Vortrag zum Seminar Bildsegmentierung und Computer Vision Gliederung Grundlagen 1 Grundlagen Aufgabenstellung Anforderungen an Kantenfilter Lineare Filter 2 3 Gliederung
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
MehrFundamentale Matrix: 8-Punkte Algorithmus
Übungen zu Struktur aus Bewegung Arbeitsgruppe Aktives Sehen Sommersemester 2003 Prof. Dr-Ing. D. Paulus / S. Bouattour Übungsblatt 5 Fundamentale Matrix: 8-Punkte Algorithmus Gegeben sei eine Menge von
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
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
Mehra) Name and draw three typical input signals used in control technique.
12 minutes Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Problem 1 (2 points each) a) Name and draw three typical input signals used in control technique. b) What is a weight function? c) Define the eigen value
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum 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
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dr.-Ing. Markus Kowarschik Numerisches Programmieren,
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
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
MehrFILTER UND FALTUNGEN
Ausarbeitung zum Vortrag von Daniel Schmitzek im Seminar Verarbeitung und Manipulation digitaler Bilder I n h a l t. Der Begriff des Filters 3 2. Faltungsfilter 4 2. Glättungsfilter 4 2.2 Filter zur Kantendetektion
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
MehrSystemtheorie abbildender Systeme
Bandbegrenzung Bild in (b) nicht band-begrenzt: scharfe Kanten = Dirac-Funktionen = weißes Spektrum Erfordert Tapering vor Digitalisierung (Multiplikation mit geeigneter Fensterfunktion; auf Null drücken
MehrForm: Gradient. Informationsgewinnung
Form: Gradient Motivation: Wenn Objekte homoen bezülich dem Grauwert oder einem Teturmerkmal sind dann treten an den Objektrenzen starke Gradienten auf. Grauwertbild Gradientenbetrasbild Computer Vision
Mehr"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"
"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs" Ning Liu HAW-Hamburg Seminarvortrag December 15, 2006 Ning Liu Kanten- und Linienerkennung
MehrPrüfung Grundlagen der digitalen Bildbearbeitung
Prüfung Grundlagen der digitalen Bildbearbeitung 14.06.2005 1) Gegeben sind 24 Bilder, die als Eingabe als auch als Ergebnis einer der 10 Bildoperationen auftreten können. (14 Punkte) 10 folgenden Bildoperationen,
Mehr4. Übungsblatt Aufgaben mit Lösungen
4. Übungsblatt Aufgaben mit Lösungen Aufgabe 16: (a) Find the orthogonal projection of P = (, 11, 3) onto the line G through the points A = (5, 4, 7) and B = (1, 7, 5). Determine the distance between P
MehrGraphische Datenverarbeitung
Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Prof. Dr. Elke Hergenröther Übersicht Maße zur Beurteilung von Bildern: Histogramm Entropie GDV: Bildbearbeitung für Rasterbilder Punktoperationen:
MehrGrundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1. Histogramm & Histogrammäqualisierung
Grundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1 Histogramm & Histogrammäqualisierung Histogramm: Häufigkeiten der Grauwerte eines Bildes geordnet nach Helligkeit: oft relative Häufigkeit
MehrSegmentierung. Vorlesung FH-Hagenberg SEM. Digitale Bildverarbeitung in der Medizin. Schwellenwerte
Segmentierung g Vorlesung FH-Hagenberg SEM Schwellenwerte Globaler Schwellenwert Lokale Schwellenwerte Mehrfache Schwellenwerte Semi-Schwellenwerte Optimale Schwellenwerte 1 Optimal Threshold optimal zu
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,
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, wie lineare
MehrBiosignal Processing II
Biosignal Processing II LEARNING OBJECTIVES Describe the main purposes and uses of the Fouriertransforms. Describe the basic properties of a linear system. Describe the concepts of signal filtering. FOURIERREIHE
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
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrWie man die lineare Algebra für Ökonomen versteht
Springer Texts in Business and Economics Linear Algebra for Economists Bearbeitet von Fuad Aleskerov, Hasan Ersel, Dmitri Piontkovski 1. Auflage 2011. Buch. xii, 280 S. Hardcover ISBN 978 3 642 20569 9
MehrIntroduction FEM, 1D-Example
Introduction FEM, D-Example /home/lehre/vl-mhs-/inhalt/cover_sheet.tex. p./22 Table of contents D Example - Finite Element Method. D Setup Geometry 2. Governing equation 3. General Derivation of Finite
MehrPartielle Differentialgleichungen in der Bildverarbeitung. oder
Partielle Differentialgleichungen in der Bildverarbeitung Februar 2003 Dirk Lorenz oder PDEs in der Bildverarbeitung 1 Partielle Differentialgleichungen zum Anfassen und Streicheln PDEs in der Bildverarbeitung
Mehr2D Graphik: FFT und Anwendungen der Fouriertransformation. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 25.
LMU München Medieninformatik Butz/Hilliges D Graphics WS005 5..005 Folie D Graphik: FFT und Anwendungen der Fouriertransformation Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 5. ovember 005
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
MehrComputergrafik 2: Übung 7. Hough Transformation
Computergrafik 2: Übung 7 Hough Transformation Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Quiz Berechnung der ersten Ableitung eines Bildes? Berechnung der zweiten
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
MehrEn Theoriefragen LU GDBV
En Theoriefragen LU GDBV 1. Cooccurrence Matrix Die Cooccurrence Matrix wird auch als Gray-Tone Spatial- Dependence Matrices oder als Grauwertpaarhäufigkeitsmatrix (GPM) bezeichnet. Wir gehen von einem
Mehr2D Graphik: Bildverbesserung 2
LMU München Medieninformatik Butz/Hilliges D Graphics WS5 9..5 Folie D Graphik: Bildverbesserung Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 9. Dezember 5 LMU München Medieninformatik Butz/Hilliges
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Lineare Filterung - 1 Einführung 2 Definition der Faltung 3 Beispiele linearer Filter 4 Diskussion 5 Ausblick: nichtlineare Filterung 6 Literatur 1 Einführung
MehrFEM Isoparametric Concept
FEM Isoparametric Concept home/lehre/vl-mhs--e/folien/vorlesung/4_fem_isopara/cover_sheet.tex page of 25. p./25 Table of contents. Interpolation Functions for the Finite Elements 2. Finite Element Types
MehrInvertierung, Separierbarkeit
Invertierung, Separierbarkeit DCT Gleichung: (Typ 2) Coder: N 1 y(k )= n=0 x(n) cos( π N K (n+05)) K=0,, N-1 Dh wir haben N Gleichungen, eine für jedes k, also auch N Summen Weiterhin: N Eingangswerte
MehrAllgemeine Mechanik Musterlösung 7.
Allgemeine Mechanik Musterlösung 7. HS 204 Prof. Thomas Gehrmann Übung. Lagrange-Funktion eines geladenen Teilchens Die Lagrange-Funktion für ein Teilchen der Ladung q in elektrischen und magnetischen
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
MehrProseminar: Grundlagen Bildverarbeitung / Bildverstehen. Bildverbesserung. Sylwia Kawalerowicz
Proseminar: Grundlagen Bildverarbeitung / Bildverstehen Bildverbesserung Sylwia Kawalerowicz Betreuer: Michael Roth Abgabetermin: 8 April 2006 Inhaltverzeichnis Kapitel...3.. Die wichtigen Fragen der Bildverbesserung....3.2
MehrGrundlagen der digitalen Bildverarbeitung / Fortsetzung
Grundlagen der digitalen Bildverarbeitung / Fortsetzung Wir haben bereits zwei Beispiele digitaler Bildfilter gesehen. Es gibt eine große Menge von Filtern mit ganz unterschiedlicher Auswirkung auf das
MehrNützliche Bildverarbeitungs- Verfahren
MIN-Fakultät Fachbereich Informatik Arbeitsbereich SAV/BV (KOGS) Nützliche Bildverarbeitungs- Verfahren BV-Praktikum im Sommersemester 2017 Leonie Dreschler-Fischer, David Mosteller und Benjamin Seppke
MehrMusterlosung 1. z w () 9a 2 R : w = z + a (1 + i) Eine Relation ist Aquivalenzrelation, gdw. gilt:
ALBERT-LUDWIGS-UNIVERSIT AT FREIBURG INSTITUT F UR INFORMATIK Lehrstuhl fur Mustererkennung und Bildverarbeitung Prof. Dr.-Ing. Hans Burkhardt Georges-Kohler-Allee Geb. 052, Zi 01-029 D-79110 Freiburg
MehrDie Gruppe der affinen Abbildungen A
H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2b 1 Die Gruppe der affinen Abbildungen A Die Gruppe der affinen Abbildungen entsteht durch Wahl einer beliebigen regulären Matrix
MehrDarstellung als Filterbank. Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge.
Darstellung als Filterbank Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge. - Trifft in bestimmten Maße auch auf das Original zu, da
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
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:
MehrÜbung zur Vorlesung 2D Grafik Wintersemester 05/06. Otmar Hilliges
Übung zur Vorlesung 2D Grafik Wintersemester 05/06 Übungsblatt 5 Musterlösung auf der Übungsseite. https://wiki.medien.ifi.lmu.de/pub/main/uebung2dgrafikws 0506/FFT_LSG.jar Page 2 transform() for (y =
MehrRauschunterdrückung in der Theorie & Praxis
Rauschunterdrückung in der Theorie & Praxis Florian Kramer Urs Pricking Seminar Simulation und Bildanalyse in Java Universität Ulm, Abteilungen SAI & Stochastik 4 Übersicht Motivation Arten von Rauschen
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
MehrAngewandte Mathematik am Rechner 1
Michael Wand Institut für Informatik. Angewandte Mathematik am Rechner 1 SOMMERSEMESTER 2017 Kapitel 5 Grundlagen Analysis Kontinuierliche Mengen Vollständige Mengen Folgen Iterative Berechnungen Grenzwert:
MehrMapra: C++ Teil 7. Felix Gruber, Michael Rom. 14. Juni 2016 IGPM. Felix Gruber, Michael Rom (IGPM) Mapra: C++ Teil 7 14.
Mapra: C++ Teil 7 Felix Gruber, Michael Rom IGPM 14. Juni 2016 Felix Gruber, Michael Rom (IGPM) Mapra: C++ Teil 7 14. Juni 2016 1 / 20 Themen vom letzten Mal Klassen this-pointer Virtuelle Methoden Bildbearbeitung
MehrInhaltsverzeichnis. Aufbau eines Bildverarbeitungssystems
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................378 Aufbau
MehrProseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev
Proseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev 1 Inhaltsverzeichnis: 1.Pixelbasierte Bildverbesserung...3 1.1.Monotone Grauwertabbildung...3 1.1.1.Maximierung des
Mehr5. Objekterkennung in Bildern und Videos Videoanalyse
5. Objekterkennung in Bildern und Videos Videoanalyse Stephan Kopf 1 Übersicht Motivation Anforderungen an Objekterkennungsalgorithmen Objekterkennung mittels Konturen Helligkeiten Farben Formen Objekterkennung
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
MehrUniversität Trier. Fachbereich IV. Wintersemester 2004/2005. Wavelets made easy. Kapitel 2 Mehrdimensionale Wavelets und Anwendungen
Universität Trier Fachbereich IV Wintersemester 2004/2005 Wavelets made easy Kapitel 2 Mehrdimensionale Wavelets und Anwendungen Thomas Queckbörner 16.11.2004 Übersicht des Kapitels: 1. Einführung 2. Zweidimensionale
MehrComputergraphik 1 2. Teil: Bildverarbeitung. Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation
Computergraphik 1 2. Teil: Bildverarbeitung Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation LMU München Medieninformatik Butz/Hoppe Computergrafik 1 SS2009 1 2 Repräsentation
MehrAttention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. ,and C = [ ].
Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Attention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. Problem 1 (15 points) a) (1 point) A system description
Mehr4.4 Glättung von Kanten
4.4 Glättung von Kanten Es wurden verschiedene Aspekte zur Beleuchtung von Modellen und Szenen vorgestellt. Es gibt zwei Arten von Licht, das Hintergrundlicht und Licht von Lichtquellen, wobei hier zu
MehrStochastic Processes SS 2010 Prof. Anton Wakolbinger. Klausur am 16. Juli 2010
Stochastic Processes SS 2010 Prof. Anton Wakolbinger Klausur am 16. Juli 2010 Vor- und Nachname: Matrikelnummer: Studiengang: Tutor(in): In der Klausur können 100 Punkte erreicht werden. Die Gesamtpunktezahl
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 32 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 23.1.2009 2 / 32 Wiederholung Stückweise Polynominterpolation Stückweise lineare Interpolierende
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
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
MehrDigitale Bildverarbeitung - Rechnerübung 3
Digitale Bildverarbeitung - Rechnerübung 3 1. Khoros Zur Durchführung der Rechnerübung wird das Programmpaket KHOROS mit seiner Benutzerschnittstelle Cantata verwendet. Nach der Anmeldung am Rechner durch
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
MehrMedizinische Bildverarbeitung. FH-Campus Hagenberg
Medizinische Bildverarbeitung Campus Hagenberg 20 km nordöstlich von Linz 7 Bachelor-Studiengänge + 5 Masterstudiengänge 3 Cluster: Software / Systeme / Medien Medizin-Informatik, Bioinformatik Derzeit
MehrProgrammier-Befehle - Woche 09
Zeiger und Iteratoren Zeiger (generell) Adresse eines Objekts im Speicher Wichtige Befehle: Definition: int* ptr = address of type int; (ohne Startwert: int* ptr = 0;) Zugriff auf Zeiger: ptr = otr ptr
Mehr