Inhaltsbasierte Bildersuche
|
|
- Miriam Schenck
- vor 7 Jahren
- Abrufe
Transkript
1 Inhaltsbasierte Bildersuche Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 1 / 20
2 Definition Inhaltsbasierte Bildersuche Engl. Content-based image retrieval (CBIR) Finden von Bildern anhand von Bildmerkmalen Farben und deren Verteilung Formen und deren Verteilung Merkmalvektoren (z.b. von SIFT)... Quelle: Rorissa, A.: Image Retrieval Benchmarking Visual Information Indexing and Retrieval Systems. ( ), Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 2 / 20
3 Motivation und Anwendungen Motivation: Weitestgehende Vermeidung manueller Metadatenpflege (z.b. durch Tagging), da Zeitaufwändig Kaum automatisierbar Umfangsbeschränkt (z.b. konsistente Farbsortierung kaum möglich) Hauptanwendung: Ähnlichkeitssuche (engl. Reverse Image Search bzw. Query by Example) Finden von Bildern mit ähnlichen Farben/Motiven/... Duplikaterkennung Plagiaterkennung Manipulationserkennung Andere Anwendungen (Auswahl): Semantische Suche (Finden bestimmter Motive) Zensur (Hauterkennung u.ä.) Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 3 / 20
4 Softwarebeispiele (Auswahl) Google Bildersuche ( TinEye ( pixolution ( The GNU Image-Finding Tool ( Übersichtsliste: Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 4 / 20
5 Überlick zu CBIR Merkmaltaxonomie nach 1 Low-level: Aus Pixeldaten Mid-level: Aus segmentierten Daten High-level: Semantische Daten (Kategorien, Zusammenhänge etc.) Semantic Gap: Mensch sucht high-level, Maschine arbeitet low-level Ausgewählte Bildmerkmale Durchschnittsfarbe(n) SIFT-Merkmalvektoren Farbverteilung Ausgewählte Vergleichsmetriken Vektordistanz Histogrammdistanz 1 Marques, O. und Furht, B.: Content-Based Image and Video Retrieval. Kluwer Academic Publishers, Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 5 / 20
6 Wiederholung: Menschliche Farbwahrnehmung Farbreiz aus Rot-, Grün- und Blau-Komponenten (RGB) Drei Arten von Zapfen auf Netzhaut Farbwahrnehmung Andere Farbräume zur Berücksichtigung der weiteren Verarbeitung Quellen: Roorda, A. und Williams, D.: The arrangement of the three cone classes in the living human eye. Nature, 397(6719): , 1999; Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 6 / 20
7 Durchschnittsfarbe(n) I Ausgangspunkt: m n Pixel großes RGB-Bild I (x, y) = Berechnung: Mittelwert jedes Farbkanals: I R = 1 m n I G = 1 m n I B = 1 m n m y=1 x=1 m y=1 x=1 m y=1 x=1 n I R (x, y) n I G (x, y) n I B (x, y) I = I R I G I B I R (x, y) I G (x, y) I B (x, y) Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 7 / 20
8 Durchschnittsfarbe(n) II I = 1 m n I = m y=1 x=1 I R I G I B n I (x, y) Vorteile: Einfach zu berechnen Schnell zu berechnen Nachteile: Helligkeitsabhängig Kaum diskriminativ (unähnliche Bilder liefern ähnlichen Durchschnitt) Nicht repräsentativ (rot-blaues Muster gleicht lila Fläche) Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 8 / 20
9 Durchschnittsfarbe(n) III Helligkeitsabhängigkeit durch Normierung (Einheitsvektor) entfernen Richtung (Farbkomponentenaufteilung) bleibt erhalten, Länge wird 1 I e = I I = I I R + IG + IB Quellen: Otto, G.: Organizing Color. ( ), 2000; Cattin, P.: Digital Image Fundamentals Introduction to Signal and Image Processing. ( ), Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 9 / 20
10 Vektorabstand I Abstand zwischen zwei Vektoren v 1 und v 2 bestimmen Typisches Maß: Norm des Differenzvektors v diff = v 2 v 1 y v 1 y v diff x v 2 x v diff Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 10 / 20
11 Vektorabstand II p-norm im R n für einen Vektor v = ( v 1 v 2... ) T v n : ( n ) 1 p v p = v i p Praktisch relevanter Spezialfall 2-Norm (euklidische Norm): v 2 = n i=1 i=1 Praktisch relevanter Spezialfall 1-Norm (Summennorm): n v 1 = v i i=1 v 2 i Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 11 / 20
12 Vektorabstand III Summennorm wird auch als Manhattan-Distanz bezeichnet: Quelle: Harmony Institute: Comparing the moral language of television to that of its viewers. therippleeffect/2013/06/26/comparing-the-moral-language-of-television-to-that-of-its-viewers/ ( ), Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 12 / 20
13 Vektorabstand IV Vektorabstand auch für Merkmalvektoren ( v 1, v 2 R n ) berechenbar Beispiel SIFT: Schlüsselpunktdeskriptoren sind 128-dimensionale Merkmalvektoren ( v 1, v 2 R 128 ) Norm des Differenzvektors ergibt Abstand Abstände von nicht normierten Vektoren sind oft problematisch Stärkere Gewichtung des längeren Vektors Kurze Vektoren in entgegengesetzte Richtungen haben kurze Abstände Winkel zwischen Vektoren als alternatives Ähnlichkeitsmaß ( ) v1 v 2 ϕ = arccos v 1 v 2 Anmerkung: bezeichnet im Zähler das (innere) Vektorprodukt Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 13 / 20
14 Farbverteilung I Farbverteilung über Histogramme jedes Farbkanals ermittelbar Histogramm: Häufigkeit von Farbwerten oder Farbwertgruppen Adaptiert von: Gemma, R. M.: Image histogram. ( ), Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 14 / 20
15 Farbverteilung II Gruppierung von Farbwerten durch (Vektor-)Quantisierung Quelle: Cloud N Sci Ltd: RGB Heatmap Demo. ( ), Normierung sinnvoll Verwendung anderer Farbräume möglich Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 15 / 20
16 Farbverteilung III Quantisierungseffekte: Quelle: Ji, J.: Chapter 2. Image Structure ( ), Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 16 / 20
17 Histogrammdistanzen Vergleich von Histogrammen durch Histogrammdistanz (entweder pro Farbkanal separat oder durch zusammengefügte Histogramme) Verschiedene Metriken zur Distanzbestimmung (Auswahl): Minkowski-Distanz (p-norm) Kreuzkorrelation Earth Mover s Distance (EMD) Minowski-Distanz d p für Histogramme H 1 und H 2 mit je N Partitionen (Partitionsmenge P, P = N, H i : P [0; 1] R): H diff p = H 2 (p ) H 1 (p ) p p P 1 p = ( N i=1 H 2i H 1i p ) 1 p Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 17 / 20
18 Earth Mover s Distance I Idee: Histogramme repräsentieren Gelände (Häufigkeit jeder Partition entspricht Höhe eines Erdhügels N Erdhügel) Frage: Wie viel Arbeit ist (minimal) notwendig, um mit einer Schürfraupe das erste Gelände in das zweite umzuformen? Ziel: Aufwand für Umformarbeiten entspricht Histogrammdistanz Voraussetzung: Histogramme sind normiert ( gleich viel Erde ) Quelle: Čonos, M.: Earth Mover s Distance EMD. ( ) Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 18 / 20
19 Earth Mover s Distance II Definition Arbeit: Verschobene Menge f mal Entfernung d zwischen Partitionen mit Indizes i und j: W ij = f ij d ij Arbeit für alle Verschiebungen (soll durch f ij -Wahl minimiert werden): N N N N W = W ij = f ij d ij i=1 j=1 i=1 j=1 EMD als Metrik: Normierung der Arbeit durch verschobene Menge F : N N f ij d ij EMD(H 1, H 2 ) = W F = i=1 j=1 N N f ij i=1 j=1 Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 19 / 20
20 Danke für die Aufmerksamkeit! Fragen? Andreas Unterweger (FH Salzburg) Inhaltsbasierte Bildersuche Wintersemester 2014/15 20 / 20
Bildkompression am Beispiel JPEG
Bildkompression am Beispiel JPEG Medientechnologie IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Sommersemester 2014 Andreas Unterweger (FH Salzburg) Bildkompression am
Mehr(query by image content)
Proseminar Multimedia Information-Retrieval-Systeme (query by image content) Das QBIC Projekt 1. Einleitung 1.1 Was ist QBIC 1.2 Wo wird es verwendet 2. QBIC im Detail 2.1 technische Grundlagen 2.2 Aufbau
MehrÜbungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen
Übungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen Übung: Dipl.-Inf. Tina Walber Vorlesung: Dr.-Ing. Marcin Grzegorzek Fachbereich Informatik, Universität Koblenz Landau Ausgabe: 31.0.2010
MehrT = {t 1,..., t n } sei die Menge der Terme. D = {d 1,..., d m } sei die Menge der Dokumente.
Vektorraummodell T = {t 1,..., t n } sei die Menge der Terme. D = {d 1,..., d m } sei die Menge der Dokumente. Dokumente und Anfragen werden als Vektoren in einem Vektorraum aufgefaßt. Der Vektorraum wird
MehrMerkmalerkennung am Beispiel SIFT
Merkmalerkennung am Beispiel SIFT Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH Salzburg) Merkmalerkennung
MehrKapitel 31 Bild- und Tonretrieval. HHU Düsseldorf, WS 2008/09 Information Retrieval 483
Kapitel 31 Bild- und Tonretrieval HHU Düsseldorf, WS 2008/09 Information Retrieval 483 Multimedia Information Retrieval Content-based Information Retrieval gesprochene Sprache Musik und weitere Audio-Dokumente
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
MehrObjekterkennung durch Vergleich von Farben. Videoanalyse Dr. Stephan Kopf HWS2007 Kapitel 5: Objekterkennung
Objekterkennung durch Vergleich von Farben 48 Farbräume (I) Definitionen: Farbe: Sinnesempfindung (keine physikalische Eigenschaft), falls Licht einer bestimmten Wellenlänge auf die Netzhaut des Auges
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 6 4. Mai 2010 Definition 69. Der Vektor f 3 x 2 (x 1, x 2, x 3 ) f 2 x 3 (x 1, x 2, x 3 ) f 1 x 3 (x 1, x 2, x 3 ) f 3 x 1 (x 1, x 2, x 3 ) f 2 x
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
MehrSemantisches Gedächtnis HAL-Modell Experimente Fazit Literatur HAL. Hyperspace Analogue to Language. Mandy Neumann. 30. April 2012
HAL Hyperspace Analogue to Language Mandy Neumann 30. April 2012 Inhalt Semantisches Gedächtnis HAL-Modell Experimente Fazit Gedächtnisstruktur Prozedurales (implizites) Gedächtnis Gedächtnisstruktur Prozedurales
MehrSemantische Bildsuche mittels kollaborativer Filterung und visueller Navigation
Semantische Bildsuche mittels kollaborativer Filterung und visueller Navigation Prof. Dr. Kai Uwe Barthel HTW Berlin / pixolution GmbH Übersicht Probleme der gegenwärtigen Bildsuchsysteme Schlagwortbasierte
MehrObjekterkennung am Beispiel des Viola-Jones-Objektdetektors
Objekterkennung am Beispiel des Viola-Jones-Objektdetektors Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
MehrGrundlagen der Vektorrechnung
Grundlagen der Vektorrechnung Ein Vektor a ist eine geordnete Liste von n Zahlen Die Anzahl n dieser Zahlen wird als Dimension des Vektors bezeichnet Schreibweise: a a a R n Normale Reelle Zahlen nennt
MehrLMU München LFE Medieninformatik Mensch-Maschine Interaktion (Prof. Dr. Florian Alt) SS2016. Mensch-Maschine-Interaktion
1 Mensch-Maschine-Interaktion Kapitel 2 - Wahrnehmung Sehsinn und visuelle Wahrnehmung Physiologie der visuellen Wahrnehmung Farbwahrnehmung Attentive und präattentive Wahrnehmung Gestaltgesetze Hörsinn
MehrÜbung zur Vorlesung Digitale Medien. Dr. Alexander De Luca Ludwig-Maximilians-Universität München Wintersemester 2013/2014
Übung zur Vorlesung Digitale Medien Dr. Alexander De Luca Ludwig-Maximilians-Universität München Wintersemester 2013/201 1 Bildgröße und Auflösung (1) Breite [px] = Breite [in] * Auflösung [ppi] Beispiel:
MehrFarbe in der Computergraphik
Farbe in der Computergraphik 1 Hernieder ist der Sonnen Schein, die braune Nacht fällt stark herein. 2 Gliederung 1. Definition 2. Farbwahrnehmung 3. Farbtheorie 4. Zusammenfassung 5. Quellen 3 1. Definition
MehrFarbmodelle. MBV5 Werner Backfrieder FH-Hagenberg. Spektrale Zerlegung der sichtbaren Lichtes
Farbmodelle MBV5 FH-Hagenberg Spektrale Zerlegung der sichtbaren Lichtes 1 Additive und subtraktive Farbmischung Chromatizitätsdiagramm X=r/(r+g+b) Y=g/(r+g+b) Z=b/(r+g+b) X+Y+Z=1 2 RGB-Modell Farbe wird
MehrThe Earth Mover s Distance as a Metric for Image Retrieval
The Earth Mover s Distance as a Metric for Image Retrieval (Y.Rubner, C.Tomasi and L.J. Guibas) Proseminar Bilddatenbanken: - kurze schriftliche Zusammenfassung - Student: Normen Czepa Betreuer: Anke Schneidewind
Mehr9. Vorlesung Lineare Algebra, SVD und LSI
9. Vorlesung Lineare Algebra, SVD und LSI Grundlagen lineare Algebra Vektornorm, Matrixnorm Eigenvektoren und Werte Lineare Unabhängigkeit, Orthogonale Matrizen SVD, Singulärwerte und Matrixzerlegung LSI:Latent
MehrProjektionen für f r die Scanregistrierung mit Hilfe von Bildmerkmalen
Projektionen für f r die Scanregistrierung mit Hilfe von Bildmerkmalen Prof. Dr. Andreas Nüchter Jacobs University Bremen Campus Ring 1 28759 Bremen 1 Hintergrund (1) Automatisierung von terrestrischen
MehrV. Metriken. Gliederung. I. Motivation. Lesen mathematischer Symbole. Wissenschaftliche Argumentation. Matrizenrechnung. Seite 67
Gliederung I. Motivation II. III. Lesen mathematischer Symbole Wissenschaftliche Argumentation IV. Matrizenrechnung V. Metriken Seite 67 Problemstellung: Gegeben seien 2 Punkte im Raum. Wie groß ist die
MehrUniversität Innsbruck
Universität Innsbruck Institut für Informatik Intelligente und Interaktive Systeme Image Retrieval Chris Wendler und Matej Stanic Bachelorarbeit Betreuer: Univ.-Prof. Dr. Justus Piater, PhD 24. November
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
Mehrb) Bestimmen Sie die bedingten relativen Häufigkeiten mit dem Merkmal Abschluss als Bedingung.
Aufgabe 1: Im Wintersemester 2007/2008 waren an der RUB 3.140 Studierende, darunter 1.168 weibliche, in wirtschaftswissenschaftlichen Studiengängen (Angestrebte Abschlüsse: Diplom, Bachelor oder Promotion)
MehrAnalysis of Crash Simulation Data using Spectral Embedding with Histogram Distances
Analysis of Crash Simulation Data using Spectral Embedding with Histogram Distances Luisa Schwartz Universität Bonn Institut für Numerische Simulation Fraunhofer SCAI 25. September 2014 Luisa Schwartz
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrButz, Krüger: Mensch-Maschine-Interaktion, Kapitel 2 - Wahrnehmung. Mensch-Maschine-Interaktion
Folie 1 Mensch-Maschine-Interaktion Kapitel 2 - Wahrnehmung Sehsinn und visuelle Wahrnehmung Physiologie der visuellen Wahrnehmung Farbwahrnehmung Attentive und präattentive Wahrnehmung Gestaltgesetze
MehrProf. H. Mixdorff Farbmetrik und IBK-Farbdiagramm
Prof. H. Mixdorff Farbmetrik und IBK-Farbdiagramm Die Farbwahrnehmung basiert auf der komplexen Verarbeitung von Nervenimpulsen dreier verschiedener Arten von Rezeptoren auf der Retina, den so genannten
MehrThe Earth Mover s Distance
The Earth Mover s Distance Till Bovermann Technische Fakultät Universität Bielefeld BILDDATENBANKEN Seminar SS 03 Tanja Kämpfe Zusammenfassung Diese Ausarbeitung beschäftigt sich mit der Earth Mover s
MehrInternationaler Studiengang Medieninformatik
HTW Berlin Prof. Dr. Kai Uwe Barthel Nachname: Vorname: Codename: Matr. Nr: Internationaler Studiengang Medieninformatik Grundlagen digitaler Medien Sitzplatz: Punkte: Note: Nachklausur WS09/10 26. 3.
MehrUNABHÄNGIGER LASTEN. Vorlesung 9 BALANCIERUNG DYNAMISCHER. Graphenalgorithmen und lineare Algebra Hand in Hand
Vorlesung 9 BALANCIERUNG DYNAMISCHER UNABHÄNGIGER LASTEN 266 Lastbalancierung Motivation! Ein paralleles System besteht aus! verschiedenen Recheneinheiten,! die miteinander kommunizieren können! Warum
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
MehrSuche in Multimedialen Daten - Image Retrieval -
Suche in Multimedialen Daten - Image Retrieval - Vortrag: Datum: 08.01.2004 Seminar: Neue Technologien in Internet und WWW Wintersemester 2003/2004 Universität Jena - Institut für Informatik Seminarleiter:
MehrDefinition: Euklidischer Raum mit Skalarprodukt. Die kanonische Basis von Einheitsvektoren sind paarweise orthogonal zueinander:
Definition: Euklidischer Raum mit Skalarprodukt Einsteinsche Summenkonvention (ES): über doppelt vorkommende Indizes wird summiert. Die kanonische Basis von Einheitsvektoren sind paarweise orthogonal zueinander:
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 31 Vektorräume mit Skalarprodukt Im R n kann man nicht nur Vektoren addieren und skalieren, sondern ein Vektor
MehrInpainting. Jane Dienemann Benjamin Vorwerk. Seminar Computational Photography Dozent: Prof. Dr.-Ing.Eisert Sommersemester 2010
Inpainting Jane Dienemann Benjamin Vorwerk Seminar Computational Photography Dozent: Prof. Dr.-Ing.Eisert Sommersemester 2010 1 Übersicht I. Der Begriff Inpainting II. Die Geschichte der Bildbearbeitung
MehrMaschinelles Lernen: Symbolische Ansätze. Wintersemester 2013/2014 Musterlösung für das 7. Übungsblatt
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2013/2014 Musterlösung für das 7. Übungsblatt 1 Aufgabe 1 Nearest Neighbour Gegeben sei folgende Beispielmenge: Day Outlook Temperature Humidity
MehrSolutions I Publication:
WS 215/16 Solutions I Publication: 28.1.15 1 Vektor I 4 2 Ein Objekt A befindet sich bei a = 5. Das zweite Objekt B befindet sich bei b = 4. 2 3 (a) Die Entfernung von Objekt A zum Ursprung ist die Länge
MehrDie Welt der Shader. Fortgeschrittene Techniken III
Die Welt der Shader Fortgeschrittene Techniken III Universität zu Köln WS 14/15 Softwaretechnologie II (Teil 1) Prof. Dr. Manfred Thaller Referent: Lukas Kley Gliederung 1. Was ist ein Shader? 2. Verschiedene
MehrMathematik für Anwender II
Prof Dr H Brenner Osnabrück SS 22 Mathematik für Anwender II Vorlesung Euklidische Vektorräume Im Anschauungsraum kann man nicht nur Vektoren addieren und skalieren, sondern ein Vektor hat auch eine Länge,
MehrMultimedia-Datenbanken im SS 2010 Einführung in MMDB
Multimedia-Datenbanken im SS 2010 Einführung in MMDB Dr.-Ing. Marcin Grzegorzek 27.04.2010 Ähnlichkeitssuche in Multimedia-Datenbanken 2/ 28 Inhalte und Termine 1. Einführung in MMDB 1.1 Grundlegende Begriffe
MehrTeil 6: Farbe. Einleitung. Farbreiz vs. Farbwahrnehmung. Farbräume, Verwendung von Farbe
Farbräume, Verwendung von Farbe Einleitung Farbe: Wichtiger Bestandteil d. vis. Wahrnehmung Mehrdimensional (Farbton, Helligkeit, etc.) Rechnen mit Farben: Farbmetrik Was ist Farbe überhaupt? Eigenschaft
Mehr2. Vorlesung Wintersemester
2. Vorlesung Wintersemester 1 Mechanik von Punktteilchen Ein Punktteilchen ist eine Abstraktion. In der Natur gibt es zwar Elementarteilchen (Elektronen, Neutrinos, usw.), von denen bisher keine Ausdehnung
Mehr1.2.1 Analoges Speichern auf Vinyl Erläutern Sie die prinzipielle Funktionsweise von Langspielplatten bzw. Plattenspielern.
1 Digitalisierung https://de.wikipedia.org/wiki/digitalisierung 1.1 Was versteht man unter Digitalisierung 1.2 Digital vs. Analog 1.2.1 Analoges Speichern auf Vinyl Erläutern Sie die prinzipielle Funktionsweise
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrCaliph & Emir. Retrieval und Annotation von digitalen Photos mit MPEG-7. Mathias Lux
Caliph & Emir Retrieval und Annotation von digitalen Photos mit MPEG-7 Mathias Lux mlux@know-center.at - gefördert durch das Kompetenzzentrenprogramm Overview Einleitung Geschichtliches Annotation mit
MehrProseminar Multimedia Datenbanken und Retrieval QBIC
Proseminar Multimedia Datenbanken und Retrieval QBIC Venera Fefler Institut für Web Science and Technologies Universität Koblenz-Landau, Campus Koblenz Zusammenfassung: Inhaltsbasiertes Multimedia Retrieval
MehrSeminar: Multimediale Informationssysteme
Seminar: Multimediale SQL/MM SQL Multimedia and Application Packages Christian Müller 12.07.2002 SQL/MM: Übersicht Übersicht 1 Einleitung 2 Full Text 3 Spatial 4 Still Image 5 Zusammenfassung 2 SQL/MM:
MehrSeminar Inhaltsbasierte Bildsuche (2+2 SWS)
Seminar Inhaltsbasierte Bildsuche (2+2 SWS) Albert-Ludwigs Universität Freiburg Lehrstuhl für Mustererkennung und Bildverarbeitung Prof. Dr.-Ing. Hans Burkhardt Überblick Definition und Begriffe Inhaltsbasierte
MehrAnwendungen der Hauptkomponentenanalyse. Volker Tresp vertreten durch Florian Steinke
Anwendungen der Hauptkomponentenanalyse Volker Tresp vertreten durch Florian Steinke 1 Dimensionsreduktion für Supervised Learning 2 Beispiel: Kaufentscheidung 3 Verbesserte Abstandsmaße durch Hauptkomponentenanalyse
MehrKurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof. Dr. Ulrich Reif
14 Oktober 2008 1 Kurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof Dr Ulrich Reif Inhalt: 1 Vektorrechnung 2 Lineare Gleichungssysteme 3 Matrizenrechnung 4 Lineare Abbildungen 5 Eigenwerte
MehrEinleitung. Komplexe Anfragen. Suche ist teuer. VA-File Verfeinerungen. A0-Algo. GeVAS. Schluß. Folie 2. Einleitung. Suche ist teuer.
Anwendung Input: Query-Bild, Ergebnis: Menge ähnlicher Bilder. Kapitel 8: Ähnlichkeitsanfragen und ihre effiziente Evaluierung Wie zu finden? Corbis, NASA: EOS Bilddatenbank Folie Folie 2 Ähnlichkeitssuche
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
Mehr12 Fakten über industrielle Farbprüfung
Color Sensor PCS-II Farbe sehen wie der Mensch 12 Fakten über industrielle Farbprüfung 1 Fakt 1 Der Begriff Farbe entsteht nur durch das menschliche Auge: Der Begriff Farbe bekommt seinen Sinn überhaupt
MehrInhaltsbasierte Bildsuche mit Farbhistogrammen
Fakultät Informatik Fachrichtung Intelligente Systeme, Aufgabenstellungen der Bildanalyse und Mustererkennung Inhaltsbasierte Bildsuche mit Farbhistogrammen Dresden, 19.06.2009 Gliederung Grundlagen CBIR
MehrDas Skalarprodukt zweier Vektoren
Beim Skalarprodukt zweier Vektoren werden die Vektoren so multipliziert, dass sich ein Skalar eine Zahl ergibt. Die Berechnung des Skalarproduktes ist ziemlich einfach, aber die weiteren Eigenschaften
MehrBoole'sches Modell <is web>
Boole'sches Modell basiert auf Mengentheorie und Boole'scher Algebra sehr einfaches Modell mit klarer Semantik Dokumente als Mengen von Indextermen Termgewichte sind binär: im Dokument enthalten oder nicht
MehrKapitel 8. Inhaltsbasierte Suche in Bilddatenbanken
Kapitel 8 Inhaltsbasierte Suche in Bilddatenbanken One picture is worth 1000 words. However, a picture is worth far fewer than 1000 words if you cannot find them. Einführung Suche durch Merkmalswerte Suche
Mehr1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.
1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
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
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
MehrEinleitung Grundlagen Einordnung. Normen. Thomas Gerstner. Institut für Mathematik Goethe-Universität Frankfurt am Main
Institut für Mathematik Goethe-Universität Frankfurt am Main Einführungsvortrag Proseminar 25. Januar 2013 Outline 1 Einleitung Motivation Anwendungsbereiche 2 3 Wichtige Outline Einleitung Motivation
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrLaden von Daten: Über Open Single File Dataset OK kann ein Datensatz in LEOWorks geladen werden.
Getting Started with LEOWorks (http://leoworks.terrasigna.com/) Simone Zepp 28.09.2017 LEOWorks: Die Freeware LEOWorks der ESA und ist speziell für Schüler entwickelt zur Analyse von Satellitenbildern.
MehrVektoren und Matrizen
Vektoren und Matrizen Die multivariate Statistik behandelt statistische Eigenschaften und Zusammenhänge mehrerer Variablen, im Gegensatz zu univariaten Statistik, die in der Regel nur eine Variable untersucht.
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
MehrDigitale Medien. Übung
Digitale Medien Übung Heute Bildgröße und Auflösung Grundlagen Bildbearbeitung Bildauflösung Bildgröße und Auflösung Breite [px] = Breite [in] * Auflösung [ppi] Beispiel: 1 Inch (Zoll) = 2,5cm Bild mit
MehrMultimedia Retrieval. Warum Multimedia Retrieval? Image Retrieval Video Retrieval Audio/ Musik Retrieval. Fakten. Image Retrieval
Multimedia Retrieval Image Retrieval Hauptseminar Innovatives Information Retrieval Dozent: Dr. Thomas Mandl 02.02.05 von Jens Bertram Gliederung 1. Grundbegriffe und Überblick 1.1 Content-Based Information
MehrKapitel 6. Metrik, Norm und Skalarproduktl. 6.1 Metrik (Abstand)
Kapitel 6 Metrik, Norm und Skalarproduktl Aus Ihrer täglichen Praxis sind Ihnen die Begriffe Abstand und Länge, möglicherweise gar Winkel wohlvertraut. 6.1 Metrik (Abstand) Definition Metrik : Sei M eine
MehrL3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...
L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... (benötigt neue Struktur über Vektorraumaxiome hinaus) Sei Länge von nach Pythagoras: Länge quadratisch in Komponenten! - Für : Skalarprodukt
MehrStereo-Matching. Medieninformatik IL. Andreas Unterweger. Vertiefung Medieninformatik Studiengang ITS FH Salzburg. Wintersemester 2014/15
Stereo-Matching Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH Salzburg) Stereo-Matching Wintersemester 2014/15
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
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
MehrDefinition von R n. Parallelverschiebungen in R n. Definition 8.1 Unter dem Raum R n (n N) versteht man das kartesische Produkt R R... R (n-mal), d.h.
8 Elemente der linearen Algebra 81 Der euklidische Raum R n Definition von R n Definition 81 Unter dem Raum R n (n N) versteht man das kartesische Produkt R R R (n-mal), dh R n = {(x 1, x 2,, x n ) : x
MehrÜbungsblatt 5 : Lineare Algebra
Aufgabe 5.1 Übungsblatt 5 : Lineare Algebra Gegeben sind die folgenden Vektoren: Bestimmen Sie die Komponenten von Aufgabe 5.2 Gegeben seien die Vektoren Berechnen Sie (a) (b) (c) Aufgabe 5.3, d.h. der
MehrMultimediatechnik / Video
Multimediatechnik / Video Video-Farben Pixel, Farben, RGB/YUV http://www.nanocosmos.de/lietz/mtv Helligkeits- und Farb-Pixel s/w-pixel: Wert = Helligkeit Beispiel 8 Bit/Pixel = 256 Stufen 0=schwarz, 255=weiß
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
Mehr& sind die Vektorkomponenten von und sind die Vektorkoordinaten von. A x. a) Der Betrag eines Vektors
Einführu hnung Was ist ein Vektor? In Bereichen der Naturwissenschaften treten Größen auf, die nicht nur durch eine Zahlenangabe dargestellt werden können, wie Kraft oder Geschwindigkeit. Zur vollständigen
Mehr... Text Clustern. Clustern. Einführung Clustern. Einführung Clustern
Clustern Tet Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so daß: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen Clustern
MehrL3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...
L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... (benötigt neue Struktur über Vektorraumaxiome hinaus) Sei Länge von nach Pythagoras: Länge quadratisch in Komponenten! - Für : Skalarprodukt
MehrGrundlagen der Bildverarbeitung: Übung 1
Grundlagen der Bildverarbeitung: Übung 1 Michael Korn Raum: BC 414, Tel.: 0203-379 - 3583, E-Mail: michael.korn@uni-due.de Michael Korn (michael.korn@uni-due.de) GBV: Übung 1 1 / 24 Digitale Bilder Michael
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
MehrVektor-Multiplikation Vektor- Multiplikation
Vektor- Multiplikation a d c b Thema: Schultyp: Vorkenntnisse: Bearbeitungsdauer: Vektor-Multiplikation: Vektorprodukt Mittelschule, Berufsschule, Fachhochschule Elementare Programmierkenntnisse, Geometrie,
MehrÜbung zu Einführung in die Informatik # 14
Übung zu Einführung in die Informatik # 14 Tobias Schill tschill@techfak.uni-bielefeld.de 12. Februar 2016 Aktualisiert am 12. Februar 2016 um 11:13 Erstklausur: Mi, 24.02.2016 von 10-12Uhr Antworten von
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil
MehrDrehung. Die orthogonale n n-matrix 1 0. c s. Zeile j. s c
Drehung Die orthogonale n n-matrix Q i,j... Zeile i c s... Zeile j s c... mit c = cos ϕ und s = sin ϕ beschreibt eine Drehung um den Winkel ϕ in der x i x j -Ebene des R n. Drehung - Drehung Die orthogonale
MehrEbenen in Normalenform
Ebenen in Normalenform Normalenvektoren und Einheitsvektoren Definition Normalenvektor Ein Normalenvektor einer Ebene ist ein Vektor, der senkrecht auf einer Ebene steht (siehe Seite 12). Berechnung eines
MehrIdeen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
Mehr. Name motiviert durch (hängt von Einbettung in höher dimensionalen Raum ab) folgendes Bild:
1.4 Vektoren Jeder Vektor (Vierer-Vektor) lebt an einem bestimmten Punkt der Raumzeit. Dieser lässt sich bei Krümmung nicht einfach verschieben. Betrachte deshalb Menge alle Vektoren an einem Punkt p =
MehrAngewandte Informatik: Lehrstuhl Medieninformatik
Angewandte Informatik: Lehrstuhl Medieninformatik Prof. Dr. Andreas Henrich Otto-Friedrich-Universität Bamberg Fakultät für Wirtschaftsinformatik und Angewandte Informatik Lehrstuhl für Medieninformatik
MehrTeil 7: Beleuchtung Beleuchtungsmodelle, Schattierungsmodelle
Beleuchtungsmodelle, Schattierungsmodelle Einleitung Beleuchtung vs. Schattierung Beleuchtung: Modell auswerten (anschl.) global vs. lokal phsikalisch (photo-realistisch?) vs. empirisch Phong-Modell Schattierung:
MehrHDR-Aufnahmetechnik mit Raw-Workflow
HDR-Aufnahmetechnik mit Raw-Workflow Prof. Gregor Fischer Klaus Hesse-Camozzi FH Köln Institut für Medien- und Phototechnik Dr.-Ing. Nils Kohlhase Dr.-Ing. Volker Zimmer Leica Camera AG Überblick Motivation
Mehr