Technische Universität
|
|
- Dennis Brauer
- vor 7 Jahren
- Abrufe
Transkript
1 Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Grundlagen der digitalen Bildverarbeitung: Punktoperatoren Proseminar Alexander C. Perzylo Betreuer: Abgabetermin: 11. Mai 2004 Dipl.-Inform. Dimitris Golias
2 Inhaltsverzeichnis 1 Operatoren - ein Überblick 2 2 Hilfsmittel Histogramme Look-Up-Tabellen Punktoperatoren Farb-Invertierung Graustufen-Konvertierung Binarisierung mit konstantem Schwellenwert mit rekursiver Schwellenwertsuche lineare Grauwertskalierung mit konstanten Parametern mit Vorgabe von Mittelwert und Varianz Grauwertspreizung nicht lineare Grauwertskalierung Gamma-Korrektur Grauwertäqualisation (Histogrammausgleich) Erzeugen von verrauschten Bildern Punktrauschen gleichverteiltes Rauschen normalverteiltes Rauschen Literaturverzeichnis 17 Stichwortverzeichnis 18 1
3 Kapitel 1 Operatoren - ein Überblick Ein Bildbearbeitungsoperator ist eine Abbildung, die ein Bild, auf welches er angewendet wird, in ein verarbeitetes Bild umwandelt. Er kann eventuell nur auf bestimmte Arten von Bildern, wie z.b. Graustufen- oder dreikanaligen Bildern (z.b. RGB), definiert sein. Aufgrund ihrer Funktionalität können Operatoren in vier Klassen eingeteilt werden: Geometrische Operatoren, globale Operatoren, lokale Operatoren und Punktoperatoren. Ein geometrischer Operator führt Koordinatentransformationen aus. Dabei wird ein Eingabebild durch eine allgemeine Transformationsvorschrift in ein Ausgabebild überführt. Beispiele hierfür sind die Rotation, die ein Bild um einen beliebigen Wert um einen Drehpunkt rotieren läßt, die Translation, die eine Verschiebung der Bildkoordinaten bewirkt, und die Inversion, der eine Spiegelung der Bildpunkte an festgelegten Achsen zugrunde liegt. Wenn eine Transformation das Ausgabebild im Vergleich zum Eingabebild verkleinert, spricht man von einem kontrahierenden Operator. Fällt das Resultatsbild größer aus als die Eingabe, so nennt man den Operator expandierend. Ein einfaches Beispiel hierfür ist die Bildskalierung, welche ein Bild auf neue Abmessungen abbilden kann. Globale Operatoren beziehen sich bei der Bestimmung der Ausgabebildpunkte enweder auf alle Bildpunkte des Eingabebildes oder es muss erst durch weitere Berechnungen ermittelt werden, welche Bildpunkte der Eingabe Einfluss auf das Ergebnis haben. Die Menge der globalen Operatoren ist die rechen- und speicherintensivste. Beispiele sind signaltheoretische Transformationen, basierend auf z.b. der Fourier- oder Walshtransformation. Lokale Operatoren verwenden zur Berechnung eines Bildpunktes im Ausgabebild eine fixierte Fensterfunktion, die den entsprechenden Bildpunkt des Eingabebildes als Mittelpunkt enthält und noch weitere Punkte in seiner Nachbarschaft umfasst. Aus dieser Menge von Punkten wird nun der Wert eines Ausgabebildpunktes ermittelt. Liegt ein Bildpunkt der Eingabe zu nah am Bildrand, so dass das Fenster nicht mehr ausgefüllt ist, wird dieser Bildpunkt einfach in das Ausgabebild übernommen, ohne 2
4 KAPITEL 1. OPERATOREN - EIN ÜBERBLICK 3 weitere Berechungen durchzuführen. Man bezeichnet einen lokalen Operator als parallel, wenn die von der Fensterfunktion berechneten Bildpunkte in ein von der Eingabe unterschiedliches Ausgabebild eingetragen werden. Wenn jedoch das Eingabebild mit den Ausgabebildpunkten überschrieben wird und somit eine schrittweise Veränderung des Ursprungsbildes eintritt, spricht man von einem sequentiellen lokalen Operator. Ein homogener lokaler Operator führt seine Fensterfuntkion auf alle Nicht-Rand-Bildpunkte aus und jeder Ausgabebildpunkt kann mit einem Eingabebildpunkt identifiziert werden. Ist dies nicht der Fall, handelt es sich um einen inhomogenen Operator. Die Punktoperatoren können als Spezialfall der homogenen, lokalen Operatoren gesehen werden, dann wenn man für die Operatorberechungen ein Fenster der Größe 1x1 zugrunde legt, also für die Berechnung eines Ausgabebildpunktes nur der entsprechende Eingabebildpunkt herangezogen wird. Zusätzlich kann ein Punktoperator auch die Position eines Bildpunktes als Berechnungskriterium berücksichtigen. Hierbei spielt es für das Ergebnis offensichtlich keine Rolle, ob ein Punktoperator parallel oder sequentiell arbeitet. Punktoperatoren werden hauptsächlich mit Grauwerttransformationen in Verbindung gebracht, die auch den Schwerpunkt dieser Arbeit bilden, jedoch lassen sich einige Funktionen auf mehrkanalige Bilder übertragen (z.b. Farbinvertierung). Sie dienen der Verbesserung des visuellen Eindrucks, sowie der Aufbereitung der Bilddaten für weitergehende Bearbeitungsschritte oder Analysen.
5 Kapitel 2 Hilfsmittel 2.1 Histogramme Die Grauwerthäufigkeit eines Bildes wird im Histogramm dargelegt. Dazu werden die einzelnen Graustufen g in ihrer Häufigkeit abgezählt und in das Histogramm H eingetragen. H(g) ist somit eine diskrete Funktion. Das Histogramm ist für die Punktoperatoren eine große Hilfe, da es den Operatoren erlaubt, die Grauwertverteilung eines Bildes schneller zu untersuchen als dies im Eingabebild selbst der Fall wäre. Der mittlere Grauwert, die Varianz, sowie andere statistische Bildeigenschaften lassen sich aus ihm ableiten. Eine andere Möglichkeit die Grauwertverteilung in einem Histogramm aufzuzeigen, ist das Grauwert-Summenhäufigkeitshistogramm, in welchem die Werte von sumh(g) sich aus der Summe der Häufigkeit der Graustufe g und der Häufigkeiten aller Grauwerte < g berechnet. sumh(g) ist für jedes Bild eine monoton steigende Funktion. Abbildung 2.1: Bild (links), Histogramm (mitte), Summenhistogramm (rechts) 4
6 KAPITEL 2. HILFSMITTEL Look-Up-Tabellen Angesichts großer, hochauflösender Bilder kann sich die Anzahl an Pixeln in einem Bild in Millionenhöhe befinden. Um zu vermeiden, dass die selben Berechnungen für unterschiedliche Bildpunkte, die jedoch den gleichen Grauwert haben, unnötigerweise wiederholt ausgeführt werden, kann eine sogenannte Look-Up-Tabelle (LUT) angelegt werden. Für jeden Grauwert (bei 8bit Graustufenmodus: 0 255) wird die Rechenfunktion des Punktoperators ausgeführt und das Ergebnis in der LUT an der Stelle des korrespondierenden Grauwerts gespeichert, so dass nun bei der Anwendung des Operators mit den Grauwerten aus dem Eingabebild als Index auf die LUT zugegriffen werden kann. Das gefundene Ergebnis kann direkt in das Ausgabebild geschrieben werden. Mit diesem Vorgang kann kostbare Rechenzeit gespart werden. Was für ein Graustufenbild ein gutes Werkzeug ist, hilft bei Bildern mit größerer farblicher Vielfalt nicht mehr weiter. Bei 24bit RGB-Bildern müßte die LUT = Einträge umfassen, obwohl in einem Bild normalerweise nur ein Bruchteil davon zu finden wäre. Somit lohnt sie sich in diesem Fall in der Regel nicht mehr.
7 Kapitel 3 Punktoperatoren 3.1 Farb-Invertierung Die Farb-Invertierung ist ein denkbar einfacher Punktoperator, der statisch die Farbwerte der Eingabebildpunkte in die jeweilige Komplementärfarbe wandelt. Für Graustufenbilder bietet sich deshalb eine LUT an. Zu diesem Zweck berechnet man für alle Grauwerte g den inversen Grauton und speichert ihn in der LUT ab: Sei G die Anzahl der zur Verfügung stehenden Graustufen g invers = (G 1) g (3.1) LUT [g] = g invers (3.2) Nach dieser Vorbereitung arbeitet der Operator alle Eingabebildpunkte ab und tauscht die Grauwerte gegen ihr Komplement: g resultat = LUT [g] (3.3) Abbildung 3.1: UrBild (links), invertiertes Bild (rechts) 6
8 KAPITEL 3. PUNKTOPERATOREN 7 Für ein dreikanaliges Farbbild (RGB) bietet sich die LUT, wie unter 2.2 angesprochen, nicht mehr an. Daher benötigt man ein Verfahren, um für jeden Farbwert die Komplementärfarbe auf effiziente Art zu berechnen. Anstelle der getrennten Umwandlung der drei Farbkanäle kann der ganze RGB-Wert bitweise invertiert werden, was ebenfalls dem Komplement entspricht, da die Anzahl der möglichen Werte eines Farbkanals einer Zweierpotenz entspricht (2 8 ) und somit alle Bitmuster von bis eindeutigen Farbwerten eines Kanals zugeordnet werden können.
9 KAPITEL 3. PUNKTOPERATOREN Graustufen-Konvertierung Um ein dreikanaliges Bild (RGB) in 256 Graustufen zu konvertieren, muss man zunächst berücksichtigen, dass das menschliche Auge die Helligkeiten der verschiedenen Farbkanäle unterschiedlich stark wahrnimmt. Grünanteile einer Farbe sind zu ca. 60% auschlaggebend für die wahrgenommene Helligkeit (Luminanz). Rot hat einen Einfluss von ca. 30%, Blau nur noch von ca. 10%. Damit ergibt sich die Umwandlung: Für jedes Pixel p des Eingabebildes gilt Grauwert(p) = RKanal(p) GKanal(p) BKanal(p) (3.4) Abbildung 3.2: RGB-Bild (links), 8bit-Graustufen Bild (rechts) 3.3 Binarisierung Die Binarisierung wandelt ein Eingabebild in ein Schwarz-Weiss-Bild um mit konstantem Schwellenwert Bei einer Binarisierung mit konstantem Schwellenwert, werden den Bildpunkten des Eingabebildes, welche einen Grauwert g haben, der kleiner als der Schwellenwert t ist, die Farbe Weiss zugeordnet. Alle anderen Bildpunkte werden schwarz gefärbt: Sei G die Anzahl der zur Verfügung stehenden Graustufen. Für jedes Pixel p des Eingabebildes gilt Grauwert neu (p) = { 0 für Grauwert(p) < t G 1 für Grauwert(p) t (3.5)
10 KAPITEL 3. PUNKTOPERATOREN mit rekursiver Schwellenwertsuche Dieser Operator berechnet zunächst iterativ eine geeignete Binarisierungsschwelle, bevor er diese auf das Eingabebild anwendet. Für die Schwellenwertsuche wird das globale Grauwerthistogramm verwendet. Die Idee des Algorithmus ist es, nachdem anfänglich der Schwellenwert t 0 auf die Hälfte des zur Verfügung stehenden Grauspektrums G gesetzt wurde, in der nächsten Iteration t 1 zwischen die mittleren Grauwerte µ 1 und µ 2, der durch t o aufgeteilten Bereiche zu setzen. Dies wird solange rekursiv fortgesetzt bis t x t x 1 < ɛ. Sei G die Anzahl der zur Verfügung stehenden Graustufen, H das Histogramm des Eingabebildes und g ein Grauwert t x = µ 1 + µ 2 = (3.6) 2 = 1 t x 1 t 1 1 x 1 G 1 G 1 gh(g) H(g) + gh(g) H(g) 2 g=0 g=0 g=t x 1 +1 g=t x 1 +1 Der durch dieses Verfahren berechnete Schwellenwert t, ist der Wert, für den die gesamte mittlere quadratische Abweichung e für jeden der beiden mittleren Grauwerte getrennt gerechnet, minimal ist: t G 1 e = (g µ 1 ) 2 H(g) + (g µ 2 ) 2 H(g) (3.7) g=0 g=t+1 Abbildung 3.3: UrBild (l.), fester Schwellenwert t=128 (m.), rekursive Schwellenwertsuche (r.)
11 KAPITEL 3. PUNKTOPERATOREN lineare Grauwertskalierung Lineare Grauwertskalierungen dienen dem gleichmäßigen Verschieben, Strecken oder Komprimieren des Grauwertumfangs eines Bildes. Dabei können subjektive Bildverbesserungen erreicht werden, auch wenn das Bild tatsächlich weniger Informationsgehalt hat als vor der Skalierung mit konstanten Parametern Die lineare Grauwertskalierung mit konstanten Parametern führt folgende Berechnung auf allen Bildpunkten des Eingabebildes durch: Sei g der Grauwert eines Bildpunktes g neu = (g + c 1 ) c 2 (3.8) In dieser linearen Transformation bewirkt die Konstante c 1 eine Verschiebung der Grauwerte in den helleren bzw. dunkleren Bereich (Helligkeitseinstellung). Die Konstante c 2 verändert den Kontrast des Eingabebildes. Für 0 < c 2 < 1 wird der Kontrast verringert, für c 2 > 1 erhöht. Damit die Transformation stets zulässige Werte liefert, muss der Grauwertbereich, in den abgebildet wird, begrenzt werden: Sei G die Anzahl der zur Verfügung stehenden Graustufen und g ein Grauwert g neu = { 0 für (g + c 1 ) c 2 < 0 G 1 für (g + c 1 ) c 2 G (g + c 1 ) c 2 sonst (3.9) Abbildung 3.4: UrBild (links), skaliertes Bild mit c 1 = 25 und c 2 = 1.3 (rechts)
12 KAPITEL 3. PUNKTOPERATOREN mit Vorgabe von Mittelwert und Varianz Die lineare Skalierung mit Vorgabe von Mittelwert und Varianz führt die bereits bekannte Transformation auf die Bildpunkte des Eingabebildes aus, mit dem Unterschied, dass die Parameter c 1 und c 2 nicht frei wählbar sind, sondern erst vom Operator berechnet werden. g neu = (g + c 1 ) c 2 Die Konstanten c 1 und c 2 lassen sich so wählen, dass vorgegebene Werte für den mittleren Grauwert, sowie für die Varianz des Eingabebildes erreicht werden. Dafür berechnet der Operator zunächst die Werte für c 1 und c 2 in Abhängigkeit der zu erzielenden Größen und wendet dann die lineare Skalierung auf alle Bildpunkte p des Eingabebildes B an. Sei m der mittlere Grauwert und q die Varianz des Eingabebildes, m der gewünschte Mittelwert, q die gewünschte Varianz des Ausgabebildes B, g ein Grauwert. B entspricht hierbei der Anzahl an Pixeln in B m = 1 B (g(p) + c 1 )c 2 p B = 1 B g(p) c 2 + c 1 c 2 p B = m c 2 + c 1 c 2 (3.10) q = 1 B = 1 B p B (g(p) m ) 2 p B ((g(p) + c 1 )c 2 (mc 2 + c 1 c 2 )) 2 = 1 B (g(p) m) 2 c 2 2 p B = c 2 2 q (3.11) Durch Auflösen der Gleichungen nach c 1 und c 2 bekommen wir die benötigten Werte für die Parameter der linearen Skalierung, um im Ergebnisbild die geforderten Größen für Mittelwert und Varianz zu erhalten: c 2 = q q, c 1 = m c 2 m (3.12)
13 KAPITEL 3. PUNKTOPERATOREN Grauwertspreizung Die Grauwertspreizung ist eine stückweise lineare Skalierung. Dabei wird ein festzulegender Grauwertbereich auf die gesamte zur Verfügung stehende Graupalette abgebildet. Werte, die sich außerhalb dieses Bereichs befinden, werden entfernt, und der bestimmte Grauwertbereich wird kontrastreicher dargestellt. Der Operator dient somit der Hervorhebung relevanter Bildbereiche. Sei G die Anzahl der zur Verfügung stehenden Graustufen, g 1 und g 2 die Grenzen des zu bearbeitenden Grauwertbereichs g neu = { 0 falls g < g 1 g g 1 g 2 g 1 (G 1) falls g [g 1 : g 2 ] (3.13) G 1 falls g > g 2 Abbildung 3.5: UrBild (l.o.), skaliertes Bild (l.u.), zugehörige Histogramme jeweils rechts
14 KAPITEL 3. PUNKTOPERATOREN nicht lineare Grauwertskalierung Die nicht lineare Grauwertskalierung transformiert die verschiedenen Grauwerte eines Eingabebildes nicht gleichmäßig, sondern variiert in der Stärke der Skalierung Gamma-Korrektur Die Gamma-Korrektur als Anwendungsbeispiel einer nicht linearen Skalierung dient z.b. der Kompensation von Farbdarstellungen auf Monitoren. Bei einem Monitor/Fernseher wird aus einem Spannungssignal die Lichtintensität bestimmt. Jedoch wächst mit steigender Spannung die Intensität nicht linear. Im dunkleren Farbspektrum steigt die Intensität langsamer als im helleren Bereich. Um eine verfälschte Wiedergabe zu verhindern, werden Bilder mit Hilfe der Gamma-Korrektur vorentzerrt. Meist erfolgt eine Vorentzerrung bereits bei der Aufnahme von Bildern. Gamma-Werte zwischen 0 und 1 führen zu einer Verdunkelung des Bildes, während Werte größer als 1 das Bild aufhellen. Ein Gamma-Wert von 1 führt zu keiner Veränderung. Sei G die Anzahl der zur Verfügung stehenden Graustufen, g ein Grauwert, γ der Parameter der Gamma-Korrektur g neu = ( ) 1 g γ G 1 (G 1) (3.14) Abbildung 3.6: UrBild (links), linear skaliert mit Mittelwert m = 155 (mitte), Gammakorrigiert mit Mittelwert m = 155 (rechts)
15 KAPITEL 3. PUNKTOPERATOREN Grauwertäqualisation (Histogrammausgleich) Während die Skalierungsoperatoren das Histogramm eines Bildes nur strecken oder stauchen, soll bei der Grauwertäqualisation eine möglichst gleichhäufige Verteilung der einzelnen Graustufen erreicht werden. Da eine exakte Gleichverteilung nicht mit einfachen Mitteln zu bewerkstelligen ist, beschränkt man sich meist auf die Bedingung, dass in konstanten Grauwert-Intervallen gleich viele Bildpunkte liegen. Sei H B das Histogramm eines Bildes B. Das Ergebnisbild A soll nun eine gleichmäßige Grauwertverteilung haben: Ferner muß gelten: H A (g neu ) = C (3.15) H B (g)dg = H A (g neu )dg neu = Cdg neu dg neu dg = 1 C H B(g) (3.16) Durch Integration erhält man: g neu (g) = 1 C g 0 H B (g)dg (3.17) Wir sehen nun, dass die transformierende Funktion des Operators aus der Histogrammdichtefunktion abgeleitet wird. Zunächst wird die mittlere im Histogramm auftretende Häufigkeit ermittelt. Beginnend mit der niedrigsten Graustufe werden dann solange Grauwerte zusammengefasst, bis die mittlere Histogrammhäufigkeit erreicht ist. Die Grauwerte im berechneten Intervall werden nun auf den niedrigsten im Intervall vorkommenden Grauwert reskaliert. Dadurch ergibt sich eine Verminderung der Graustufen, was aber aufgrund der begrenzten Wahrnehmungsfähigkeit des menschlichen Auges keine Rolle spielt. Das äqualisierte Bild erscheint informationsreicher. Im diskreten Fall muß das normierte Histogramm H normb des Eingabebildes B berechnet werden, um eine LUT erstellen zu können: Sei G die Anzahl der zur Verfügung stehenden Graustufen H normb (g) = g u=0 H B (u) G 1 u=0 H B (u) (3.18) LUT (g) = g (G 1) H normb (u) (3.19) Wie in Abbildung 3.7 zu sehen ist, ergibt sich für die kumulative Häufigkeit der Grauwerte im äqualisierten Bild eine konstant steigende Funktion. Dies liegt daran, dass innerhalb eines Grauwertintervalls alle Grauwerte konstant sind. u=0
16 KAPITEL 3. PUNKTOPERATOREN 15 Abbildung 3.7: UrBild (l.o.), Grauwertäqualisiertes Bild (l.u.), zugehörige Summenhistogramme jeweils rechts 3.7 Erzeugen von verrauschten Bildern Punktoperatoren, die in einem Bild Störungen erzeugen, mögen auf den ersten Blick unschlüssig erscheinen. Es ist jedoch so, dass zum Testen von Rauschfiltern und anderen bildverbessernden Operatoren das gezielte Einsetzen von Störungen erwünscht ist. Es lassen sich verschiedene Arten von Rauschen in ein Bild einfügen Punktrauschen Das Punktrauschen fügt einem Eingabebild positive und negative Impulsstörungen in ungefähr gleichem Verhältnis zu. Dabei lässt sich sowohl die Stärke des Störimpulses, wie auch die durchschnittliche Störrate einstellen. Sei G die Anzahl der zur Verfügung stehenden Graustufen, Q die Störrate, S die Impulshöhe, r eine zwischen 0 und 1 gleichverteilte Zufallszahl, p ein Bildpunkt des Eingabebildes und g(p) dessen Grauwert g neu (p) = (3.20) { max{0, g(p) S} wenn r(p) < q neg g(p) wenn q neg r(p) q pos min{g 1, g(p) + S} wenn r(p) > q pos mit: q neg = 1 2Q und q pos = 1 q neg
17 KAPITEL 3. PUNKTOPERATOREN gleichverteiltes Rauschen Dieser Punktoperator bewirkt ein gleichverteiltes Rauschen im Eingabebild. Um dies zu erzielen wird jedem Bildpunkt abhängig von einer gleichverteilten Zufallsgröße ein variabler Störimpuls addiert bzw. subtrahiert. Sei G die Anzahl der zur Verfügung stehenden Graustufen, S die Streubreite der Gleichverteilung, r e eine zwischen 0 und 1 gleichverteilte Zufallszahl, p ein Bildpunkt des Eingabebildes und g(p) dessen Grauwert { 0 falls g(p) S + Sr 2 e < 0 g neu (p) = G 1 falls g(p) S + Sr 2 e > 255 g(p) S + Sr 2 e sonst (3.21) normalverteiltes Rauschen Dieser Punktoperator bewirkt ein normalverteiltes Rauschen im Eingabebild. Hierbei wird jedem Bildpunkt abhängig von einer normalverteilten Zufallsgröße mit Erwartungswert 0 und Standardabweichung 1 ein variabler Störimpuls addiert bzw. subtrahiert. Sei G die Anzahl der zur Verfügung stehenden Graustufen, S die Streuung der Normalverteilung, r n eine normalverteilte Zufallszahl, p ein Bildpunkt des Eingabebildes und g(p) dessen Grauwert { 0 falls g(p) + Sr n < 0 g neu (p) = G 1 falls g(p) + Sr n > 255 g(p) + Sr n sonst (3.22) Abbildung 3.8: UrBild (l.o.), mit Punktrauschen (2.v.l.o.), gleichverteiltes Rauschen(2.v.r.o.), normalverteiltes Rauschen(r.o.), zugehörige Histogramme jeweils darunter
18 Literaturverzeichnis [1] Wolfgang Abmayr. Einführung in die digitale Bildverarbeitung B.G. Teubner Stuttgart (1994), ISBN [2] Herbert Kopp. Bildverarbeitung interaktiv B.G. Teubner Stuttgart (1997), ISBN [3] Reinhard Klette, Piero Zamperoni. Handbuch der Operatoren für die Bildbearbeitung Friedr. Vieweg und Sohn (1992), ISBN [4] Walter Schmidt, Jörg Knappen, Hubert Partl, Irene Hyna: L A TEX2e-Kurzbeschreibung (2003) ftp://dante.ctan.org/tex-archive/info/lshort/german/ 17
19 Index Bildrauschen, 15 Bildstörung, 15 Binarisierung, 8 expandierender Operator, 2 Farbinvertierung, 6 Gamma Korrektur, 13 Geometrische Operatoren, 2 gleichverteiltes Rauschen, 16 Globale Operatoren, 2 Graustufenbild, 8 Grauwertäqualisation, 14 Grauwertspreizung, 12 paralleler Operator, 2 Punktoperatoren, 2 Punktrauschen, 15 Rauschen, 15 rekursive Schwellenwertsuche, 8 Schwarz-Weiss-Bild, 8 Schwellenwert, 8 sequentieller Operator, 2 Summenhäufigkeitshistogramm, 4 Varianz, 11 Helligkeit, 10 Histogramm, 4 Histogrammausgleich, 14 homogener Operator, 2 inhomogener Operator, 2 Komplementärfarbe, 6 kontrahierender Operator, 2 Kontrast, 10 Konvertierung, 8 lineare Skalierung, 10 lokale Operatoren, 2 Look-Up-Tabelle(LUT), 5 Luminanz, 8 Mittelwert, 11 nicht-lineare Skalierung, 13 normalverteiltes Rauschen, 16 Operator, 2 18
Proseminar: Grundlagen der digitalen Bildverarbeitung
Proseminar: Grundlaen der diitalen Bildverarbeitun Thema: Punktoperatoren Referent: Alexander Perzylo Betreuer: Dimitris Golias.05.004 Überblick Bildbearbeitunsoperatoren Hilfsmittel der Operatoren Punktoperatoren:
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
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
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
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,
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
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
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
MehrBildverarbeitung Herbstsemester Punktoperationen
Bildverarbeitung Herbstsemester 2012 Punktoperationen 1 Inhalt Histogramm und dessen Interpretation Definition von Punktoperationen Änderungen der Bildintensität Linearer Histogrammausgleich Gammakorrektur
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
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).
Mehr6. Tonwertkorrektur. HBS Gimp 2
6. Tonwertkorrektur Im vorigen Kapitel wurde gezeigt, wie man Bild vom Scanner oder der Digitalkamera grob korrigiert. In Kapitel 6 beschäftigen wir uns mit den anschließend durchzuführenden Arbeiten,
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrKennen, können, beherrschen lernen was gebraucht wird
Abbildung 1 - Übersichtsorganigramm 14.06.2013 Seite 1 Inhaltsverzeichnis Inhaltsverzeichnis... 2 Bildqualität verbessern... 2 Die Reihenfolge der Korrekturen bei der Bildbearbeitung... 2 Ebenenangleichungen...
MehrLösungsvorschlag zur 5. Übung zu Multimediale Systeme
Lösungsvorschlag zur 5. Übung zu Multimediale Systeme Dipl. Inf. Günter Robbert Universität Bayreuth Lehrstuhl für Angewandte Informatik I 20.6.2003 Lösungsvorschlag zur 5. Übung 1 AdOculos (1) AdOculos
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
Mehr5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
MehrMathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1. 1 Grundlagen 2. 2 Der Graph einer Funktion 4. 3 Umkehrbarkeit 5
Universität Basel Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1 Inhaltsverzeichnis 1 Grundlagen 2 2 Der Graph einer Funktion
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
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
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
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. 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
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrIhre Punkt + Sonderp. = Summe Ihre Note:
Hochschule Darmstadt Nachname: Fachbereich Informatik Vorname: Björn Frömmer, Prof. Dr. E. Hergenröther Matr. Nr.: Ihre Punkt + Sonderp. = Summe Ihre Note: Aufgabe : RGB-Farbmodell Punkte: / 6 % Unten
MehrFunktionen und andere Zuordnungen
Funktionen und andere Zuordnungen Rainer Hauser November 2011 1 Allgemeine Zuordnungen 1.1 Pfeildarstellung von Zuordnungen Sätze wie Das ist der Schlüssel zu diesem Schloss und Hänsel ist der Bruder von
MehrÜberblick / Vorverarbeitung
Überblick / Vorverarbeitung Einleitung Bildpunktoperationen LUT, Dehnung GW-Skala, Histogrammebnung, Hintergrundkompensation,... Geometrische Transformationen Lokale Graubildoperationen 2.04.05 Bildverarbeitung
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrProgrammieren: Bildbearbeitung
Programmieren: Bildbearbeitung Das Thema der folgenden Aufgaben ist Bildbearbeitung. Sie erhalten dazu ein Rahmenprogramm, das bereits Bilder lesen und darstellen kann. Dieses Rahmenprogramm basiert auf
MehrEinführung. Ablesen von einander zugeordneten Werten
Einführung Zusammenhänge zwischen Größen wie Temperatur, Geschwindigkeit, Lautstärke, Fahrstrecke, Preis, Einkommen, Steuer etc. werden mit beschrieben. Eine Zuordnung f, die jedem x A genau ein y B zuweist,
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
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
MehrMapra: C++ Teil 6. Felix Gruber, Michael Rom. 07. Juni 2016 IGPM. Felix Gruber, Michael Rom (IGPM) Mapra: C++ Teil 6 07.
Mapra: C++ Teil 6 Felix Gruber, Michael Rom IGPM 07. Juni 2016 Felix Gruber, Michael Rom (IGPM) Mapra: C++ Teil 6 07. Juni 2016 1 / 14 Themen vom letzten Mal Klassen Vererbung Zeiger auf Objekte Initialisierungsliste
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
MehrDistributed Algorithms. Image and Video Processing
Chapter 7 High Dynamic Range (HDR) Distributed Algorithms for Quelle: wikipedia.org 2 1 High Dynamic Range bezeichnet ein hohes Kontrastverhältnis in einem Bild Kontrastverhältnis bei digitalem Bild: 1.000:1
MehrÜbungen mit dem Applet Wahrscheinlichkeitsnetz
Wahrscheinlichkeitsnetz 1 Übungen mit dem Applet Wahrscheinlichkeitsnetz 1 Statistischer Hintergrund... 1.1 Verteilungen... 1. Darstellung von Daten im Wahrscheinlichkeitsnetz...4 1.3 Kurzbeschreibung
MehrGraphische Datenverarbeitung
Graphische Datenverarbeitung Bildbearbeitung für Rasterbilder Prof. Dr. Elke Hergenröther Übersicht Maße zur Beurteilung von Bildern: Histogramm Entropie GDV: Bildbearbeitung für Rasterbilder Punktoperationen:
MehrModellierung- und Simulation Mathis Plewa ( )
Inhaltsverzeichnis Abbildungsverzeichnis... 1 Übungsaufgabe: Zufallsgeneratoren und Histogramme... 2 Standard Gleichverteilung... 2 Gaußverteilung... 3 Exponentialverteilung... 4 Übungsaufgabe: Geometrische
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
MehrKognitive Systeme. Übung 1 Grundlagen der Bildverarbeitung , Daniel Reichard. 1 Grundlagen Bildverarbeitung
Übung 1 Grundlagen der Bildverarbeitung 09.05.2018, Daniel Reichard 1 Grundlagen Bildverarbeitung Überblick Spezielle Beispiele zum Histogrammausgleich Beispiele Kantenfilter Übungsblatt 3 2 Grundlagen
MehrAufgabe 1 - Tricks mit linearen Gleichungen
Institut für Informatik Visual Computing Prof. Dr. Michael Wand & M.Sc. Sebastian Brodehl Sommersemester 2018 Modellierung I Übungsblatt 4: LGS, Vektorräume und Inverse Probleme Letzte Änderung: 10:20
MehrEin sortiertes Feld kann in O(log n) durchsucht werden, z.b. mit Binärsuche. Der Algorithmus 1 gibt den Pseudocode der binären Suche an.
2.5 Suchen Eine Menge S will nach einem Element durchsucht werden. Die Menge S ist statisch und S = n. S ist Teilmenge eines Universums auf dem eine lineare Ordnung definiert ist und soll so gespeichert
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
MehrFARBEN IM INTERNET FARBWERTE, FARBTIEFEN IN DER BILDBEARBEITUNG
FARBEN IM INTERNET FARBWERTE, FARBTIEFEN IN DER BILDBEARBEITUNG Unter dem Begriff Farbtiefe versteht man die Anzahl der pro Pixel zur Verfügung stehenden Bits zur Speicherung der Farbinformationen. Die
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
MehrModul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt
Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften
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
MehrProseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung"
Fakultät Informatik, Institut für künstliche Intelligenz, Intelligent Systems Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Lokale Merkmalsdeskriptoren Jens Stormberg - Dresden, 19.06.2009
MehrFarbtiefe. Gängige Farbtiefen
Farbtiefe Die Anzahl der darstellbaren Farben ist abhängig von den Farbabstufungen, die in einem Pixel gespeichert werden. Die Anzahl der darstellbaren Farbtöne wird als Farbtiefe bezeichnet. Die Farbtiefe
MehrDemo-Text für STOCHASTIK. Tschebyscheff-Ungleichung. Einführung mit Anwendungsbeispielen. Datei Nr Friedrich W.
STOCHASTIK Tschebyscheff-Ungleichung Einführung mit Anwendungsbeispielen Datei Nr. 36111 Friedrich W. Buckel Stand 1. April 010 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK www.mathe-cd.de Inhalt 1 Wiederholung:
MehrAutomatisches Dodging von Luftbildern
Automatisches Dodging von Luftbildern Martin Drauschke martin.drauschke@uni-bonn.de TR-IGG-P-2006-01 14. Dezember 2006 Technischer Report Nr. 1, 2006 Professur für Photogrammetrie Institut für Geodäsie
MehrVerwendung von Fourier-Koeffizienten zum Testen auf Gleichverteilung
Verwendung von Fourier-Koeffizienten zum Testen auf Gleichverteilung Jan Behrens. Juni 008 Ziel soll es sein, zu einer Stichprobe von Zufallszahlen den eindeutig definierten Wert g(h) zwischen 0 und zu
MehrStatistik K urs SS 2004
Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die
MehrMorphing. von Tim Sternberg. Im Rahmen des Seminars Manipulation und Verarbeitung digitaler Bilder
von Tim Sternberg Im Rahmen des Seminars Manipulation und Verarbeitung digitaler Bilder Einleitung Mit Morphing wird der fließende Übergang eines Bildes in ein anderes bezeichnet. Zwei digitale Bilder
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrDas Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.
10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrDigitale Bildbearbeitung und Fotografie. Dozenten: Arne Scheffer
Dozenten: Arne Scheffer Wiederholung: Kompression: Einführung zum Verständnis Teil 1: nicht fertig, Teil 2: nicht fertig, Teil 3: nicht fertig, Teil 4: nicht fertig Fortsetzung Teil 2: Teil 2.2: blau!
MehrKAPITEL Füllmethoden von Ebenen 493. Zebra.tif
31 Füllmethoden von Ebenen KAPITEL 31 Bisher haben Sie sich bei der Verwendung von Ebenen ganz auf die richtige Reihenfolge und auf die Ebenenmasken verlassen. Alles, was über einer Ebene liegt, verdeckt
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrPraktikum 2. Grauwert - Histogramme, Bimodalitätsanalyse Bildstatistik
Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_02 ImageJ.doc Praktikum 2 Digitale Bildverarbeitung Grauwert - Histogramme, Bimodalitätsanalyse Bildstatistik Themen: Auswertung
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
MehrProtokoll Grundpraktikum: F0: Auswertung und Präsentation von Messdaten
Protokoll Grundpraktikum: F0: Auswertung und Präsentation von Messdaten Sebastian Pfitzner 19. Februar 013 Durchführung: Sebastian Pfitzner (553983), Jannis Schürmer (5589) Betreuer: N. Haug Versuchsdatum:
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrDigitale Bilder. Ein Referat von Jacqueline Schäfer und Lea Pohl Am
Digitale Bilder Ein Referat von Jacqueline Schäfer und Lea Pohl Am 06.05.2015 Inhaltsverzeichnis Einheiten Grafiktypen Bildformate Farbtiefe Farbbilder/ Farbräume Quellen Einführung in die Bildverarbeitung
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
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
MehrBildregistrierung in der Medizin. Fethi KAYA - Yusuf ÖZBEK
Bildregistrierung in der Medizin Fethi KAYA - Yusuf ÖZBEK 30.05.2011 1 Inhalt 1. Einführung zur Registrierung 2. Registrierungsalgorithmen 3. Transformationen 4. Mutual Information 5. Demo 2 1- Registrierung
MehrEinsatz von Varianzreduktionstechniken II
Einsatz von Varianzreduktionstechniken II Stratified Sampling und Common Random Numbers Bastian Bluhm Betreuer: Christiane Barz Ausgewählte technische, rechtliche und ökonomische Aspekte des Entwurfs von
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
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
MehrReduSoft Ltd. Kurzbeschreibungen zu einigen Modulen, die im Programm
ReduSoft Ltd. www.redusoft.de Kurzbeschreibungen zu einigen Modulen, die im Programm MathProf 5.0 unter dem Themenbereich Stochastik implementiert sind. Urnenmodell Das Modul Urnenmodell ermöglicht die
MehrHausaufgabe Modellierung und Simulation 1
Hausaufgabe Modellierung und Simulation 1 Die Pareto Verteilung Die Pareto-Verteilung ist eine stetige Wahrscheinlichkeitsverteilung in einem rechtsseitig unendlichen Intervall zwischen x min und. Die
MehrLagemasse und Streuung
Lagemasse und Streuung Benjamin Schlegel 07. März 2016 Lagemasse sagen etwas über die Lage und das Zentrum der Daten aus, Streuungsmasse, wie die Daten um dieses Zentrum gestreut sind. Lagemasse Lagemasse
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
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
MehrEntwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen
Entwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen Seminar - Wintersemester 2010/2011 Fakultät Technik und Informatik Department Informatik Gregory Föll Übersicht Rückblick Stereo
MehrBehandlung von hohen Kontrasten
Behandlung von hohen Kontrasten Hell und Dunkel richtig einsetzen Günther Keil; Ergebnis Foto-Ecke, 11.September 2012 Schwerpunkte Einführung Bei der Aufnahme Am PC HDR-Software Nächster Termin: 9. Oktober:
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
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 6
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
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
MehrParallele FFT-Algorithmen
Parallele FFT-Algorithmen Jörg Haeger 11. Juli 1996 1 Die diskrete Fourier-Transformation (DFT) 2 2 Permutationen und Graphen 2 2.1 Permutationen.............................. 2 2.2 Graphen..................................
MehrFarbmomente. Christoph Sommer Seminar Inhaltsbasierte Bildsuche
Farbmomente Seminar Inhaltsbasierte Bildsuche Farbmomente Einleitung und Motivation Statistische Momente Geometrische Momente Macht der Momente Hu-Momente Orthogonale Basen für Momente Generalisierte Farbmomente
Mehr] bestimmen kann. Interpretieren Sie die Bedeutung der Zahl 6,5 im gegebenen Sachzusammenhang. (R)
b) Ein Auto macht eine Vollbremsung, bis es zum Stillstand kommt. Der Weg, den es dabei bis zum Stillstand zurücklegt, lässt sich in Abhängigkeit von der vergangenen Zeit t durch die Funktion s beschreiben:
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrName Vorname Fachrichtg. Matrikelnr. Punkte Klausur Aufgabe max. Punkte Punkte. Bitte beachten!
Fakultät für Mathematik Institut für Algebra und Geometrie Prof. Dr. Martin Henk, Dr. Michael Höding Modulprüfung Mathematik III Fachrichtung: Computer Science in Engineering, Computervisualistik, Informatik,
Mehr