2D Graphik: FFT und Anwendungen der Fouriertransformation. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 25.
|
|
- Andrea Kaufman
- vor 5 Jahren
- Abrufe
Transkript
1 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie D Graphik: FFT und Anwendungen der Fouriertransformation Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 5. ovember 005
2 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie Themen heute Fouriertransformation nochmal anschaulich Berechnung der FFT Restauration linearer Bildstörungen durch inverse Filterung Transformation und Interpolation in Bildern
3 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 3 Fouriertransformation: Grundidee Beschreibe beliebige Funktion als gewichtete Summe periodischer Grundfunktionen (Basisfunktionen) mit untersch. Frequenz
4 Überlagerung von Schwingungen: anschaulich LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 4
5 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 5 Fourier Transformation zum Anschauen du/exploratories/
6 Fast Fourier Transformation LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 6
7 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 7 Vorgehensweise generell Vereinfachende Annahme: k, k> utze Separabilität, um D-FT auf D zurückzuführen (O(n 4 ) O(n 3 )) Teile Summe in zwei Teilsummen auf Finde Gemeinsamkeiten in den Teilsummen und berechne beide Teilsummen miteinander Betrachte die Teilsumme und unterteile rekursiv bis (O(n 3 ) O(n log n)
8 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 8 Separabilität ) ( exp )exp, ( exp exp )exp, ( exp )exp, ( ) ( )exp, ( ), ( m u m n m n m n m n m F um i vn i n m f um i um i vn i n m f vn i um i n m f vn um i n m f v u F π π π π π π π π Vorgehensweise: F u (m) für alle Spalten m berechnen und dann bei den Zeilen verwenden.
9 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 9 Divide Schritt ) ( ) )( ( ) )( ( ) )( ( ) )( ( ) ( exp, K n u n K K n nu K K n un K n un W n f K W n f K W n f K W n f u F i W K π ( ) u K odd even K n nu K odd K n nu K even W u F u F u F W n f K u F W n f K u F ) )( ( ) ( ) ( ) )( ( ) (, ) )( ( ) ( Finde Gemeinsamkeiten in den Teilsummen Teile Summe in zwei Teilsummen auf
10 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 0 Ausnutzen der Periodizität u+ u u+ ( W ) ( W ),( W ) ( W ) F K ( ) u ( u + K ) F ( u + K ) + F ( u + K )( W ) ( F ( u) F ( u)( W ) u ) even K even odd K K odd K u K Also kann man F(u+K) mithilfe F(u) berechnen (einmal F even + F odd, einmal F even F odd ) Betrachte die Teilsumme [0 K-] und unterteile rekursiv bis K (O(n 3 ) O(n log n)
11 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie Restauration linearer Bildstörungen
12 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie Beispiel I: Bewegungsunschärfe Über einen Zeitraum Δt wird ein Objektpunkt p auf immer andere Punkte auf dem CCD-Chip abgebildet. Bei unbewegter Kamera sei die Bildhelligkeit des abgebildeten Punkts h. Dann ist sie bei bewegter Kamera h/δs, wobei Δs die zurückgelegte Strecke ist. Wenn Δs für alle Punkte gleich ist, dann lässt sich die Veränderung durch eine Faltung beschreiben.
13 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 3 Bewegungsunschärfe Faltungskern ist eine Funktion w mit Der Winkel α gibt die Bewegungsrichtung an. Die Strecke Δs gibt die Strecke an, um die sich der Punkt bewegt hat:
14 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 4 Bewegungsunschärfe * Gestörtes Bild Original Faltungskern
15 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 5 Repräsentation linearer Störungen Jede verschiebungsinvariante lineare Operation wird vollständig durch die Faltungsfunktion beschrieben. Die Faltungsfunktion beschreibt die Operation für beliebige Bilder Die Faltungsfunktion kann als Resultat der Veränderung eines Punkts erzeugt werden Punktantwort Point Spread Function (PSF)
16 Beispiel II: Fokussierungsunschärfe Maß der Unschärfe hängt vom Punktabstand z, der Brennweite der Linse f und der Kammerkonstante f k ab. Linsengesetz: Größe des Unschärfekreises: Unschärfe kann durch Aufnahme eines punktförmigen Testobjekts angenähert werden. LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 6
17 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 7 Fokussierungsunschärfe Wie kann die Störung rückgängig gemacht werden?
18 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 8 Bildrestauration Ziel: Korrektur des Bildsignals um bekannte und unbekannte Störungen Annahme: Störung kann durch einen verschiebungsinvarianten linearen Operator h beschrieben werden. g(x,y) (Störung durch PSF h) g'(x,y) g'(x,y) [h*g] (x,y) PSF beschreibt die Störung Wie kann die PSF bestimmt werden?
19 Gesucht: PSF LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 9
20 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 0 PSF von Testbildern Annahme: Störung ist unveränderlich und Testaufnahme ist möglich. Durch die Aufnahme eines punktförmigen Objekts kann ein δ-impuls approximiert werden. Aufnahme ist eine äherung für die PSF.
21 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie PSF aus dem aufgenommenen Bild Testaufnahme ist nicht möglich: äherungsweise Bestimmung der PSF durch Betrachtung von Punkten oder Linien im gestörten Bild.
22 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie Kanten Die meisten Bilder weisen wenige Linien oder Punkte auf, aber Kanten können in fast jedem Bild gefunden werden.
23 D-Kanten LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 3
24 Kanten im D-Raum: Gradienten Gradient im kontinuierlichen Raum (x,y): Vektor der partiellen Ableitungen der Bildfunktion in x- und y-richtung: (f(x,y)) ( f/ x f/ y) Approximation des Gradienten: Differential wird durch Differenz approximiert: Die Länge des Gradienten ist sein Betrag G(f) oder näherungsweise Gx + Gy. LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 4
25 Elemente des Gradienten LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 5
26 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 6 PSF aus Kanten PSF kann auch aus dem Verlauf einer als ideal angenommenen Kante approximiert werden.
27 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 7 Invertierung der Störung Überführung der Repräsentation in den Frequenzraum: G'(u,v) FT[g'(m,n)] FT[[h*g](m,n)] H(u,v) G(u,v) Invertierung: g(m,n) FT - [G'(u,v)/H(u,v)] (Inverse Filterung)
28 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 8 Inverse Filterung FT - ( / ) Vollständige Rückgewinnung der Information aus den gestörten Daten
29 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 9 Bewegungsunschärfe PSF FT(PSF)
30 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 30 Bewegungsunschärfe Resultat der inversen Filterung FT - [FT (g )(u,v)/ft(psf)(u,v)]
31 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 3 umerische Probleme bei der inversen Filterung g h* f f ( m, n) FT (, v) ( ) u, v G u H Problem: ullstellen von H Treten auf, falls h als Matrix nicht den vollen Rang hat Auch kleine Werte von H sind numerisch schon ein Problem Deswegen in der Praxis: F ( u v) G u H 0 (, v) ( u, v) H ( u, v) > sonst H, min
32 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 3 Rauschen Problem: Inverse Filterung geht von idealen (ungestörten) Daten aus In Wirklichkeit enthalten Bilddaten Rauschen Dieses Rauschen wird bei der inversen Filterung extrem verstärkt Rauschen lässt sich nicht herausrechnen, da es nicht wiederholbar ist
33 Rauschen LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 33
34 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 34 Ad-hoc Lösung Gewichte die Wirkung der inversen Filterung mit der Amplitude der Störungsfunktion im Verhältnis zur mittleren Amplitude H ( u, v) H ( u, v) A Problem:Gewichtung nimmt keine Rücksicht auf die Signalstärke von F
35 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 35 Wiener Filter H ( u, v) H ( u, v) H + ( u, v) S ( u, v) η S f ( u, v) oder H ( u, v) H ( u, v) ( u, v) + k H Wobei S η und S f die Spektren des Rauschens bzw. der ungestörten Funktion sind S η 0 (ungestört) perfekte inverse Filterung Leider ist S η in der Praxis meist unbekannt Lösung: heuristisches Wiener Filter mit k
36 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 36
37 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 37
38 Transformation und Interpolation LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 38
39 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 39 Transformation und Interpolation Die Transformationen Translation, Rotation und Skalierung sind auf reellen Zahlen definiert: Digitale Bilder haben einen ganzzahligen Definitionsbereich. ach Transformation ist eine Interpolation notwendig.
40 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 40 Interpolation Konstante Interpolation (Wert des nächsten achbarpixels) Lineare Interpolation Interpolation durch Polynome höheren Grades. Interpolation im Frequenzraum.
41 Konstante Interpolation LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 4
42 Bilineare Interpolation LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 4
43 Polynome höheren Grades Interpolation der Bildfunktion durch mehr als Stützpunkte Polynom n-ten Grades interpoliert n+ Punkte Die Bildfunktion wird besser angenähert, wenn mehr Terme der Taylor-Approximation berücksichtigt werden. Ableitungen für die Taylor-Reihe werden durch Differenzen angenähert. Grad des Polynoms ist ein Kompromiss zwischen steigender Anzahl berücksichtigter Terme der Taylor-Reihe. steigender Ungenauigkeit der geschätzten Ableitungen. bilinear bikubisch LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 43
44 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 44 Interpolation im Frequenzraum Die Basisfunktionen der Fouriertransformation haben einen reellen Definitionsbereich. Ein Funktionswert kann an beliebiger Stelle (x,y) bestimmt werden durch Die Interpolation ist exakt, falls die ursprüngliche Funktion f bandbegrenzt ist (was die meisten Funktionen jedoch nicht sind).
45 LMU München Medieninformatik Butz/Hilliges D Graphics WS Folie 45 Literatur Klaus D. Tönnies: "Grundlagen der Bildverarbeitung", ISB r&isbn &pszielgruppestudent
Computergraphik 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
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation 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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Fourier-Transformation Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 1 Einordnung in die Inhalte der Vorlesung Einführung
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum 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
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
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 =
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
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
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation 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
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
MehrMotivation. Diskretisierung. Überblick. Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen. Diskretisierung und Quantisierung
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Motivation Analoge Aufnahme von Sprache, Bildern Digitale Speicherung durch Diskretisierung + Quantisierung Informationsverlust
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
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
MehrDiskrete Signalverarbeitung und diskrete Systeme
Diskrete Signalverarbeitung und diskrete Systeme Computer- basierte Verarbeitung von Signalen und Realisierung von Systemverhalten erfordern diskrete Signale und diskrete Systembeschreibungen. Wegen der
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
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Fouriertransformation Organisatorisches Neue Abgabefrist für Blatt
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
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
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:
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
Mehr4.1 Grundbegriffe 4.2 Frequenzspektren, Fourier-Transformation 4.3 Abtasttheorem: Eine zweite Sicht 4.4 Filter
4 Signalverarbeitung 4.1 Grundbegriffe 4.2 Frequenzspektren, Fourier-Transformation 4.3 Abtasttheorem: Eine zweite Sicht 4.4 Filter Weiterführende Literatur (z.b.): Beate Meffert, Olaf Hochmuth: Werkzeuge
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
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
MehrMotivation Phasenbestimmung
Motivation Phasenbestimmung Problem Spezialfall der Phasenbestimmung Gegeben: Zustand z = 1 n y {0,1} n( 1)x y y Gesucht: x F n Für n = 1 ist der Zustand z = 1 ( 0 + ( 1) x 1 ) = H x. Es gilt H z = x,
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
MehrBildverarbeitung. Fachschaftsrat Informatik. Professor Fuchs. Fragen TECHNISCHE UNIVERSITÄT DRESDEN. Unterteilung der Filter in Klassen
Professor Fuchs Unterteilung der Filter in Klassen Wie erstellt man bei der Segmentierung objektumschreibende Formen? Eigenschaften der Zellkomplextopologie Was ist ein Histogramm? Wozu ist es gut? Unterschied
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrComputergrafik 2: 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
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
MehrZuname: Vorname: KennNr: Matr.Nr: PRÜFUNG AUS MATHEMATIK 3. 1)(8 P.) Lösen Sie das folgende AWP mit Hilfe der Laplacetransformation.
(8 P.) Lösen Sie das folgende AWP mit Hilfe der Laplacetransformation. y 7y + 10y = sin(2x), y(0) = 1, y (0) = 3. x ( ) Bemerkung: Für festes a gilt L(e ax ) = 1 und L sin(ax) = arctan a. s a x s Die auftretenden
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
MehrInhaltsverzeichnis. Kapitel 1: Rechnen mit Zahlen. Kapitel 2: Umformen von Ausdrücken. Kapitel 3: Gleichungen, Ungleichungen, Gleichungssysteme
Kapitel 1: Rechnen mit Zahlen 1.1 Rechnen mit reellen Zahlen 1.2 Berechnen von Summen und Produkten 1.3 Primfaktorzerlegung 1.4 Größter gemeinsamer Teiler 1.5 Kleinstes gemeinsames Vielfaches 1.6 n-te
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
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
MehrTechnische Universität München. Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Thema: Filterung im Bildraum: Konvolution Proseminar: Grundlagen Bildverstehen/Bildgestaltung Jonas Zaddach
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2010/2011 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Filterentwurf
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
Mehr3.2 Rekonstruktion. 3.2 Rekonstruktion
Bei der Aufnahme eines Bildes in der Praxis erhält man so gut wie nie direkt jenes Bild, das man gerne verwenden w urde. Wie schon in der Einleitung beschrieben, passiert dies entweder durch Verzerrung(falsche
MehrGrundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
MehrÜbungsblatt 1 Geometrische und Technische Optik WS 2012/2013
Übungsblatt 1 Geometrische und Technische Optik WS 2012/2013 Gegeben ist eine GRIN-Linse oder Glasaser) mit olgender Brechzahlverteilung: 2 2 n x, y, z n0 n1 x y Die Einheiten der Konstanten bzw. n 1 sind
MehrMathematischer Vorkurs für Physiker WS 2012/13
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13 Übungsblatt 2 Wichtige Formeln aus der Vorlesung: Basisaufgaben Beispiel 1: 1 () grad () = 2 (). () () = ( 0 ) + grad ( 0 ) ( 0 )+
MehrAnalysis III. Teil I. Rückblick auf das letzte Semester. Themen aus dem SS Inhalt der letzten Vorlesung aus dem SS.
Analysis III für Studierende der Ingenieurwissenschaften Technische Universität Hamburg-Harburg Reiner Lauterbach Teil I Rückblick auf das letzte Semester Fakultät für Mathematik, Informatik und Naturwissenschaften
MehrSystemtheorie Teil A. - Zeitkontinuierliche Signale und Systeme - Musterlösungen. Manfred Strohrmann Urban Brunner
Systemtheorie Teil A - Zeitkontinuierliche Signale und Systeme - Musterlösungen Manfred Strohrmann Urban Brunner Inhalt 6 Musterlösungen Spektrum von Signalen 6. Approximation eines periodischen Signals
MehrBeate Meffert, Olaf Hochmuth: Werkzeuge der Signalverarbeitung, Pearson 2004
4 Signalverarbeitung 4.1! Grundbegriffe! 4.2! Frequenzspektren, Fourier-Transformation! 4.3! Abtasttheorem: Eine zweite Sicht Weiterführende Literatur (z.b.):!! Beate Meffert, Olaf Hochmuth: Werkzeuge
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
MehrComputergraphik I. Das Abtasttheorem. Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1
Das Abtasttheorem Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1 Problem bei zeitlicher Abtastung: Oliver Deussen Abtasttheorem 2 Darstellung auf Monitor Was geschieht eigentlich, wenn
MehrDie Wärmeleitungsgleichung
Die Wärmeleitungsgleichung In einem Stab der Länge 1 wird die Temperaturverteilung gegeben durch die Funktion u : ([0,1] [0, )) R, u(x,t) ist die Temperatur am Punkt x zum Zeitpunkt t. Die Funktion erfüllt
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
Mehr5. Fourier-Transformation
5. Fourier-Transformation 5.1 Definition 5.2 Eigenschaften 5.3 Transformation reeller Funktionen 5.4 Frequenzbereich und Zeitbereich 2.5-1 5.1 Definition Definition: Die Fourier-Transformation einer Funktion
MehrComputergraphik I. Freiformkurven. aus: Farin Curven und Flächen im CAGD. Oliver Deussen Freiformkurven 1
Freiformkurven aus: Farin Curven und Flächen im CAGD Oliver Deussen Freiformkurven 1 Definition für gebogene Kurven und Flächen Anwendungen: CAD: Automobil-, Flugzeug-, Schiffsbau Computergraphik: Objektmodellierung
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
Mehr2D Graphik: Digitalphotographie, Abtastung von Bildern
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 11.11.2005 Folie 1 2D Graphik: Digitalphotographie, Abtastung von Bildern Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 11. November
MehrVorlesung Computergrafik 1 Andreas Butz, Axel Hoppe EINFÜHRUNG, ORGANISATORISCHES
Vorlesung Computergrafik 1 Andreas Butz, Axel Hoppe EINFÜHRUNG, ORGANISATORISCHES 1 Wer? Wo? Prof. Dr.-Ing. Axel Hoppe, MD.H und LMU axel.hoppe@ifi.lmu.de Prof. Dr.-Ing. Andreas Butz, LMU butz@ifi.lmu.de
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrGrundlagen der Bildverarbeitung Klaus D. Tönnies
Grundlagen der Bildverarbeitung Klaus D. Tönnies ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Inhaltsverzeichnis
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrInhaltsverzeichnis Kapitel 1: Rechnen mit Zahlen... 1 Kapitel 2: Umformen von Ausdrücken... 10
Kapitel 1: Rechnen mit Zahlen...1 1.1 Rechnen mit reellen Zahlen...2 1.2 Berechnen von Summen und Produkten...3 1.3 Primfaktorzerlegung...4 1.4 Größter gemeinsamer Teiler...4 1.5 Kleinstes gemeinsames
MehrExtrema multivariater Funktionen
Extrema multivariater Funktionen Ist f (x ) ein Minimum (Maximum) einer stetig differenzierbaren skalaren Funktion f auf einer Umgebung U von x, so gilt grad f (x ) = (0,..., 0) t. Extrema multivariater
Mehr12.2 Gauß-Quadratur. Erinnerung: Mit der Newton-Cotes Quadratur. I n [f] = g i f(x i ) I[f] = f(x) dx
12.2 Gauß-Quadratur Erinnerung: Mit der Newton-Cotes Quadratur I n [f] = n g i f(x i ) I[f] = i=0 b a f(x) dx werden Polynome vom Grad n exakt integriert. Dabei sind die Knoten x i, 0 i n, äquidistant
MehrBeate Meffert, Olaf Hochmuth: Werkzeuge der Signalverarbeitung, Pearson 2004
4 Signalverarbeitung 4.1! Grundbegriffe 4.2! Frequenzspektren, Fourier-Transformation 4.3! Abtasttheorem: Eine zweite Sicht 4.4! Filter! Weiterführende Literatur (z.b.): Beate Meffert, Olaf Hochmuth: Werkzeuge
MehrAnalysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit
A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in
MehrTechnische Universität München Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Proseminar: Grundlagen Bildverarbeitung/Bildverstehen Rückgewinnung/Restauration von Informationen Markus
Mehrk(x, y)u(y) dy = f(x), x 2, (3.20)
Bei der Aufnahme eines Bildes in der Praxis erhält man so gut wie nie direkt jenes Bild, das man gerne verwenden würde. Wie schon in der Einleitung beschrieben, passiert dies entweder durch Verzerrung
MehrMathematische Probleme lösen mit Maple
Mathematische Probleme lösen mit Maple Ein Kurzeinstieg Bearbeitet von Thomas Westermann überarbeitet 2008. Buch. XII, 169 S. ISBN 978 3 540 77720 5 Format (B x L): 15,5 x 23,5 cm Weitere Fachgebiete >
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
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
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
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2008/2009 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Systeme bei stochastischer
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
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen IGPM RWTH Aachen Institut für Geometrie und Praktische Mathematik Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen
MehrTheoretische Physik 1, Mechanik
Theoretische Physik 1, Mechanik Harald Friedrich, Technische Universität München Sommersemester 2009 Mathematische Ergänzungen Vektoren und Tensoren Partielle Ableitungen, Nabla-Operator Physikalische
MehrSignale, Transformationen
Signale, Transformationen Signal: Funktion s(t), t reell (meist t die Zeit, s eine Messgröße) bzw Zahlenfolge s k = s[k], k ganzzahlig s reell oder komplex s[k] aus s(t): Abtastung mit t = kt s, s[k] =
MehrWS 2014/15 FINITE-ELEMENT-METHODE JUN.-PROF. D. JUHRE
Approximation der äußeren virtuellen Arbeit Die virtuelle Arbeit der äußeren Lasten lässt sich als Funktion der vorgeschriebenen Knotenlasten N i 1 und der vorgeschriebenen Streckenlast p 1 ξ 1 angeben.
MehrPrüfungsleistung Mathematik 1 (TI 1)
Hochschule Ulm Klein 08. Juli 00 Prüfungsleistung Mathematik (TI ) Name:... Matrikel-Nr.:... Punkte:... Note:... Bemerkungen: - alle Hilfsmittel zugelassen (kein Laptop / Handy) - Lösungswege müssen erkennbar
Mehr2D Graphik: Klassifikation
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 20.01.2006 Folie 1 2D Graphik: Klassifikation Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 20. Januar 2006 LMU München Medieninformatik
MehrGlobale Operationen. Prof. Dr. Aris Christidis WS 2018 / 19
Globale Operationen Operationen / Funktionen, die alle Pixel des Eingabebildes benötigen, bevor sie ein Pixel oder eine Aussage für das Ergebnisbild ermitteln, nennt man global. (Beispiel: Erkennung /
MehrGMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida
GMA Grundlagen Mathematik und Analysis Reelle Funktionen 3 Christian Cenker Gabriele Uchida Data Analytics and Computing Nullstellen cos log : 0, 0,? 1 Fixpunkte Beispiel 1 Beispiel 2 1 0 0 und 1 1sin,?
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,
Mehr3.3 Das Abtasttheorem
17 3.3 Das Abtasttheorem In der Praxis kennt man von einer zeitabhängigen Funktion f einem Signal meist nur diskret abgetastete Werte fn, mit festem > und ganzzahligem n. Unter welchen Bedingungen kann
Mehr2. Fourier-Transformation
2. Fourier-Transformation Die Fourier-Transformation ist ein wichtiges Hilfsmittel für die dynamische Analyse linearer Systeme: Die Fourier-Transformierte der Antwort ist gleich dem Produkt der Fourier-Transformierten
MehrAufgabe 2 (5 Punkte) y = 1 x. y + 3e 3x+2 x. von f. (ii) Für welches u in R 2 gilt f(u) = [3, 3, 4] T? x 2 + a x 3 x 1 4x 2 + a x 3 2x 4
Prof. Dr. B. Billhardt Wintersemester 4/5 Klausur zur Vorlesung Höhere Mathematik II (BNUW) 4.3.5 Aufgabe (a) Ermitteln Sie die Nullstellen des Polynoms p(z) = z 4 4z 3 + 3z + 8z. Tipp: p( + i) =. (b)
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrMathematik I+II. für FT, LOT, PT, WT im WS 2015/2016 und SS 2016
Mathematik I+II für FT, LOT, PT, WT im WS 2015/2016 und SS 2016 I. Wiederholung Schulwissen 1.1. Zahlbereiche 1.2. Rechnen mit reellen Zahlen 1.2.1. Bruchrechnung 1.2.2. Betrag 1.2.3. Potenzen 1.2.4. Wurzeln
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
MehrInhaltsübersicht. Deltafunktion Gammafunktion Fehlerfunktion. Kapitel 13: Spezielle Funktionen
Inhaltsübersicht Kapitel 13: Spezielle Funktionen Deltafunktion Gammafunktion Fehlerfunktion Notizen zur Vorlesung Mathematik für Materialwissenschaftler 2 1 Die Bezeichnung Delta-Funktion ist streng genommen
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)
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
MehrDigitale Signalverarbeitung, Vorlesung 8 - Exakte Kanalentzerrung
Digitale Signalverarbeitung, Vorlesung 8 - Exakte Kanalentzerrung Arbeitsgruppe Kognitive Signalverarbeitung 17. Dezember 2018 1 / 33 Ziele der heutigen Vorlesung Übertragungskanäle kompensieren Theoretische
Mehr5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen 7. Juni 201 *Aufgabe 1. Gegeben seien fx, y = xy 2 8e x+y und P = 1, 2. Der Gradient von f ist genau an der Stelle P Null. a Untersuchen Sie mit Hilfe der Hesse-Matrix,
MehrBeispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) = sin(πx) und geben die folgenden Stützstellen und Stützwerte vor:
5 Splineinterpolation Beispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) sin(πx) und geben die folgenden Stützstellen und Stützwerte vor: x i 3 f i Damit ist n 5, h Forderung
MehrPolynominterpolation. Allgemeines Problem: Beispiel 1 (Teil 1):
. Großübung Polynominterpolation Allgemeines Problem: Aufgrund gegebener Messwerte (Paare aus Werten i und Funktionswerten f( i )) soll ein Funktionsverlauf rekonstruiert bzw. zumeist angenähert werden.
MehrKonvergenz und Stetigkeit
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 12. Dezember 2007 Konvergenz Definition Fourierreihen Obertöne Geometrische Reihe Definition: Eine Funktion f : D R d heißt beschränkt, wenn
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
MehrLösungshinweise zur Klausur
Höhere Mathematik 1 und 4..14 Lösungshinweise zur Klausur für Studierende der Fachrichtungen el, kyb,mecha,phys Aufgabe 1 Entscheiden Sie, welche der folgenden Aussagen richtig und welche falsch sind.
MehrRunde 9, Beispiel 57
Runde 9, Beispiel 57 LVA 8.8, Übungsrunde 9,..7 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 3..7 Angabe Seien y, z C N und c, d C N ihre Spektralwerte. Außerdem bezeichne (x k ) k die N - periodische
MehrBeate Meffert, Olaf Hochmuth: Werkzeuge der Signalverarbeitung, Pearson 2004
4 Signalverarbeitung 4.1 Grundbegriffe 4.2 Frequenzspektren, Fourier-Transformation 4.3 Abtasttheorem: Eine zweite Sicht 4.4 Filter Weiterführende Literatur (z.b.): Beate Meffert, Olaf Hochmuth: Werkzeuge
Mehr