Geometrische Charakterisierung von Mikrostrukturen in Volumenbildern
|
|
- Helga Küchler
- vor 7 Jahren
- Abrufe
Transkript
1 Geometrische Charakterisierung von Mikrostrukturen in Volumenbildern
2 Ziele der Mikrostrukturanalyse geometrische Charakterisierung für - Qualitätssicherung - Auswahl und Vergleich von Materialien Aufbereitung von Bilddaten für die direkte Verwendung zur Simulation makroskopischer Materialeigenschaften Anpassung eines stochastischen Geometriemodells: - geometrische Kenngrößen der Mikrostruktur an Hand der Bilddaten bestimmen - Modellparameter daraus berechnen - Ermittlung der für die gewünschten Eigenschaften optimalen Struktur Seite 2
3 Was ist ein 3d/Volumenbild? Ergebnis eines 3d bildgebenden Verfahrens z.b. Jinnai et al, Phys. Rev. Lett. 78, 2251 (1997) Computertomographie Laserscanningmikroskopie Nanotomographie (mit AFM oder TEM mit FIB). Vermikulargraphit, TEM/FIB, A. Velichko, Uni Saarbrücken Grauwerte, bestimmt in den Knoten eines Gitters (hier: kuboidales Gitter ) in einem Beobachtungsfenster sind die Pixelgrößen in x-, y- bzw. z-richtung Pixel (Voxel) ist ein Gitterpunkt, Pixelwert der zugewiesene Grauwert R. Magerle, Phys. Rev. Lett. 85, 2749 (2000);. Seite 3
4 Typen von Mikrostrukturen homogen Strukturen mit Homogenität bezüglich einiger Bewegungen Systeme von Objekten Seite 4
5 Innere Volumina Volumen V, Oberfläche S, Integral der mittleren Krümmung M, Integral der totalen Krümmung K (Eulerzahl ) Theorem (Hadwiger, 1957): Jedes nichtnegative, bewegungs-invariante, monoton wachsende, c- additive Funktional von konvexen Körpern ist eine Linearkombination der inneren Volumina. Innere Volumina beschreiben nicht alle Eigenschaften von Mikrostrukturen. (Baddeley, Averback, 1983): Beispiel von gleichen inneren Volumina bei völlig verschiedener Tortuosität. Abgeleitete Kenngrößen: Richtungsinformation: Formfaktoren Projektionen Äquivalent: Minkowskifunktionale, Quermaßintegrale Seite 5
6 Croftonsche Schnittformeln innere Volumina aus Schnitten mit Ebenen (d=2), Geraden (d=1), Punkten (d=0). Bestimmung der inneren Volumina durch Integration über alle Positionen der Schnittobjekte: Volumen aus Flächeninhalt ebener Schnitte oder Länge linearer Schnitte oder Anzahl der überdeckten Punkte Oberflächeninhalt aus Umfang ebener Schnitte, gemittelt über alle Schnittrichtungen Eulerzahl der Schnitte mit Geraden, gemittelt über alle Schnittrichtungen Integral der mittleren Krümmung aus Eulerzahl der Schnitte mit Ebenen, gemittelt über alle Schnittrichtungen Seite 6
7 Croftonsche Schnittformeln In Formeln: Seite 7
8 Diskretisierung der Croftonschen Schnittformeln Innere Volumina aus Schnitten mit 1- oder 2-dimensionalen Untergittern oder Gitterpunkten. Bestimmung der inneren Volumina durch Zählen der Schnittobjekte: Volumen aus Anzahl der überdeckten Gitterpunkte Oberflächeninhalt aus Eulerzahl in 1-dimensionalen Untergittern, gemittelt über alle 13 diskreten Richtungen (3 Gitterkanten- + 6 Flächendiagonalen- + 4 Raumdiagonalenrichtungen) Integral der mittleren Krümmung aus Eulerzahl in 2-dimensionalen Untergittern, gemittelt über alle 13 diskreten Richtungen Entscheidende Aufgabe: korrekte und effiziente Bestimmung der Eulerzahl in Untergittern Seite 8
9 Diskreter Zusammenhang in 3d Diskreter Zusammenhang (Nachbarschaft) gibt an, wie Pixel miteinander verbunden sind (Kanten, Wege, Zusammenhangskomponenten). Wichtig: Konsistenz Vorder-/Hintergrund 2d: (4, 8), (6.1, 6.1), (6.2, 6.2), vollständig, konsistent (Jordanscher Kurvensatz und Eulerzahl Vordergrund=-Eulerzahl Hintergrund) 3d: (6,26), (14.1, 14.1), (14.2, 14.2) konsistent (Jordanscher Oberflächensatz und Eulerzahl Vordergrund=Eulerzahl Hintergrund) Ungelöst: Vollständigkeit Vorsicht: (6,18) nicht konsistent bzgl. Eulerzahl Seite 9
10 Approximation der Eulerzahl mit Hilfe der Euler-Poincaré-Formel Eulerzahl in 3d: Polytop: #Zusammenhangskomponenten - #Tunnel + #Löcher Eulerzahl = #Knoten - #Kanten + #Flächen - #Zellen Idee: - Bestimme lokale Eulerzahl, - Randkorrektur durch Gewichte, - Eulerzahl = Summe der lokalen Eulerzahlen Vorsicht: starke Abweichungen bei mangelnder Auflösung Seite 10
11 Kenngrößen von Komponenten: FieldFeatures Komponente = Ausschnitt aus makroskopisch homogener Struktur (räumlich stationäre zufällige abgeschlossene Menge) Messung der Dichten der inneren Volumina (z.b. Volumenanteil, spezifische Oberfläche) Interpretationsbeispiele: Fasern: (spezifische Faserlänge) L = 23.3mm V -2 isolierte Teilchen: Eulerzahl = Teilchenzahl offenzelliger Schaum: mittlere Stegdicke. χ =133 Seite 11
12 Fasermaterial Richtungsinformation ist enthalten in verallgemeinerten Projektionen bei Berechnung des Integrals der mittleren Krümmung Verteilung der Richtung im typischen Faserpunkt Faserfilz, European Synchrotron Radiation Facility (ESRF), Pixelgröße 7µm, Phasenkontrastmethode Seite 12
13 Inhomogenes Faservlies Seite 13
14 Kenngrößen von Objekten: ObjectFeatures Was sind Objekte? Mathematisch: kompakte, zusammenhängende Menge Bildanalytisch: pfadzusammenhängend, endlich Beispiele: Poren, Zellen, Fasern, Risse, Lunker Seite 14
15 Formfaktoren isoperimetrische Formfaktoren: 1 für Kugel, je näher an 0 desto weniger kugelig (0.9, 0.76, 0.89) (0.82, 0.71, 0.91) (0.72, 0.57, 0.85) Konvexität: Verhältnis der Volumina des Objekts und seiner konvexen Hülle Exzentrizität: Verhältnis von minimalem zu maximalem Durchmesser Seite 15
16 Problem: Randeffekte Randobjekte können nicht korrekt vermessen werden. Ausweg: Entfernen aller Randobjekte (ObjectFilter) Effekt: Größenverzerrte Auswahl (Randobjekte sind größer ) Ausweg: Randkorrektur Seite 16
17 Minus-Sampling-Korrektur Idee: reduziertes Beobachtungsfenster W-, so dass alle Objekte mit Zentrum in W- ganz in W enthalten sind -> Statistik über alle diese Objekte (Schätzung der Markenverteilung eines Punktprozesses) Verwendbar für große Anzahl von Objekten Objekte klein im Verhältnis zum Bildausschnitt Seite 17
18 Miles-Lantuejoul-Korrektur Idee: zähle nur Objekte, die den Rand nicht schneiden große Objekte erhalten größeres Gewicht als kleine Konkret: gewichte X mit 1/p p: Wahrscheinlichkeit, dass X in W platziert werden kann Verwendbar für kleinere Anzahl von Objekten Seite 18
19 Problematisches Beispiel Seite 19
20 Korundeinschlüsse in Feuerbeton Größen- und Formverteilung der Korundeinschlüsse in Feuerbeton Vorher: Trennung der Aluminaeinschlüsse durch Kombination von Euklidischer Distanztransformation und Wasserscheidentransformation Feuerbeton mit Aluminaeinschlüssen, TU Freiberg, XCT Fraunhofer IZFP, Saarbrücken Seite 20
21 Zellgrößen in offenzelligem Schaum Seite 21
22 Poren in Keramikkörnern Seite 22
23 Offenzellige Schäume Vermessung des Stegsystems: Messung der FieldFeatures, Ableitung von Charakteristika des Stegsystems Modellbasierte Berechnung von mittleren Charakteristika des Poren/Zellsystems (z.b. mittlere Zellgröße, ppi, mittlere Stegdicke) Rekonstruktion des Zellsystems: PU-Schaum, Foseco GmbH, Fraunhofer IZFP, Pixelgröße 71µm Messung der ObjectFeatures, Größenverteilungen Seite 23
24 Beispiel: FieldFeatures Porosität Formel 1-V V Beispiel 73,037% Steglängendichte (Gesamtlänge der Stege pro Volumeneinheit) mm - ² Mittlere Stegdicke mm Mittlerer Stegumfang mm Nickel-Chrom-Schaum, Recemat International, RJL Micro & Analytic, Pixelgröße 12µm Seite 24
25 OpenFoamFeatures Annahme: Der Schaum genügt einem der folgenden Modelle: Poisson-Voronoi- Mosaik (PV) Hardcore- Voronoi-Mosaik (HCV) Laguerre-Mosaike zu dichten Kugelpackungen (L1 und L2) Weaire-Phelan- Schaum (WP) Seite 25
26 OpenFoamFeatures (modellbasierte Analyse) Idee: Berechne Eulerzahldichte (- Knotenintensität) Bestimme Skalierungsparameter für Modell Berechne Kenngrößen für den Schaum anhand von Formeln für das Modell, z.b. - mittlere Anzahl von Zellen, Facetten, Kanten, Knoten pro Volumeneinheit - mittleres Zellvolumen - mittlerer Zelldurchmesser, ppi (pores per inch)-wert - mittlerer Durchmesser der Seitenflächen Seite 26
27 Beispiel: OpenFoamFeatures PV HCV L1 L2 WP Mittleres Volumen mm ³ M. Oberfläche mm ² M. Durchmesser mm Intensität Zellen mm - ³ Intensität Facetten mm - ³ Intensität Kanten mm - ³ Intensität Knoten mm - ³ Seite 27
28 Zellrekonstruktion Seite 28
29 Wasserscheidentransformation (WST) Morphologische Transformation, teilt Bild in Regionen und Grenzen Grauwerte = Relief Flutung, Grenzen dort, wo Wasser aus verschiedenen Becken zusammenläuft. Wasserscheiden: auf Bergrücken, teilen zwei Becken Jedes lokale Minimum erzeugt Becken (Region). Seite 29
30 Euklidische Distanztransformation (EDT) Start: Binärbild EDT Distanztransformation: weise jedem Pixel seinen Abstand zum Hintergrund zu invertiere topographische Oberfläche, Täler = Objektzentren WST trennt Objekte Topographic surface annähernd runde Objekte Euklidische Distanztransformation (EDT) WST Image: Piere Soille, Morphological Image Analysis, Springer Seite 30
31 Problem: Übersegmentierung WST weist jedem Minimum (Tal) ein Objekt zu Überflüssige Minima durch Rauschen Abweichungen von der Kugelform Diskretisierungseffekte verursachen Übersegmentierung. Seite 31
32 Zellrekonstruktion Erweiterung Presegmented Image: Matrix + Pores EDT on Pores Complement Filter Minima Pores --1 Matrix Max WST Mask with Pores Segmented Foam Seite 32
33 Vermeidung von Übersegmentierung: hmin-transformation Entfernt lokale Minima entsprechend ihrer Dynamik (minimale Höhe, die überwunden werden muss, um ein niedrigeres lokales Minimum zu erreichen) Lokale Minima mit Dynamik werden entfernt: Täler werden gefüllt, bis Minimum entweder um h erhöht ist oder Wasser in ein Tal mit Dynamik >h laufen würde Seite 33
34 Vermeidung von Übersegmentierung: Vorgeflutete Wasserscheide Erzeugt nur Regionen mit Volumen größer einem gegebenen Schwellwert. Kleinere Regionen werden von benachbarten Regionen überflutet. Schneller als Filterung + WST Seite 34
35 Zellrekonstruktion - Ergebnis Hmin, Dynamik 50% des mittleren Zelldurchmessers Vorgeflutete WST, Schwellwert 40% des mittleren Zellvolumens Seite 35
36 Offener Nickel-Chrom- Schaum: Zellgrößenverteilung gewichtet Frequency Minus-Sampling Volume [mm³] Volume [mm³] Seite 36
37 Grenzen Zellrekonstruktion schlägt fehl, wenn Geschlossener Aluminiumschaum, TU Freiberg, Bild BAM, Auflösung 40µm Zellgrößen zu stark schwanken Zellform zu stark von Kugelform abweicht Laguerre-Mosaik erzeugt von dichter Kugelpackung, Verteilung der Kugelvolumina ist Gamma-Verteilung mit cv=2.0 hmin Vorgeflutete WST Seite 37
38 Vermeidung von Übersegmentierung: Adaptive hmin- Transformation Idee: passe hmin-transformation an den Grauwert an, reduziere Dynamik linear mit dem Grauwert Ergebnis: lokale Minima mit kleinem Grauwert werden entfernt, lokale Minima mit gleicher Dynamik aber höherem Grauwert bleiben Seite 38
39 Anwendung: geschlossener Aluminiumschaum hmin Vorgeflutete WST Adaptives hmin Seite 39
40 Modellierung von Mikrostrukturen Modellierung von mikroskopisch heterogenem aber makroskopisch homogenem Material Messung der geometrischen Kenngrößen Auswahl eines Modells (Basis: räumlich homogene Modelle der stochastischen Geometrie) Bestimmung der Modellparameter (Anpassung des Modells) Ziel: Materialeigenschaft(en) optimieren Seite 40
Geometrische Charakterisierung von Objekten und Komponenten in Volumenbildern
Geometrische Charakterisierung von Objekten und Komponenten in Volumenbildern Geometrische Charakterisierung Katja Schladitz, Fraunhofer ITWM Überblick: 1. Grundlagen: Volumenbilder, diskreter Zusammenhang
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
MehrAlois Fichtl, Julius Vogelbacher 10. Juni Voronoi und Johnson-Mehl Mosaike
Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Voronoi und Johnson-Mehl Mosaike Seite 2 Voronoi- und Johnson-Mehl-Mosaike Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Inhaltsverzeichnis Einführung Mosaike
MehrInnere Volumina und Integralgeometrie
16.11.2009 1 2 3 b(o, r) bezeichne die Kugel um den Ursprung mit Radius r b(o, r) bezeichne die Kugel um den Ursprung mit Radius r Spiegelung: Ǎ = A = { x : x A}, für A R d falls Ǎ = A heißt A symmetrisch
MehrMarkierte Punktprozesse und zufällige Tesselationen
und zufällige Tesselationen Seminar stochastische Geometrie und ihre Anwendungen 7. Dezember 2009 und zufällige Tesselationen Gliederung 1 2 3 und zufällige Tesselationen Gliederung 1 2 3 und zufällige
MehrIntegralgeometrie und Stereologie
Integralgeometrie und Stereologie Hans Friedrich April 2010 1/ 31 Integralgeometrie und Stereologie Hans Friedrich April 2010 Übersicht Grundlagen aus der Integralgeometrie Übergang zur Stereologie Stereologie
MehrGeometrie und Zufall
Geometrie und Zufall Evgueni Spodarev Tag der Mathematik, 12. März 2005 p.1 Inhalt Was ist Zufall? Was ist stochastische Geometrie? Geometrische Wahrscheinlichkeiten Buffonsches Nadelproblem Paradoxon
MehrInnere Volumina und Integralgeometrie
Seminar Stochastische Geometrie und ihre Anwendungen" 19. November 2009 Inhaltsverzeichnis Grundlagen Mengenoperationen Digitale Bildbearbeitung Die Hausdor-Metrik Mengenoperationen Spiegelung\Translation
MehrSegmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
MehrStochastische Geometrie und ihre Anwendungen Thema: Faserprozesse
Stochastische Geometrie und ihre Anwendungen Thema: Faserprozesse Universität Ulm Degang Kong 8.01.010 1 Inhaltsverzeichnis 1. Ungerichtete Linienprozesse als Faserprozesse. Planare Faserprozesse.1 Grundlagen.
MehrBildsegmentierung mit Snakes und aktiven Konturen
Bildsegmentierung mit Snakes und aktiven Konturen 5. Dezember 2005 Vortrag zum Seminar Bildsegmentierung und Computer Vision Übersicht 1 2 Definition der Snake Innere Energie S(c) 3 Statisches Optimierungsproblem
MehrInhalt. Einführung. Deterministische Mosaike. Zufällige Mosaike. Mathematische Analyse. Statistik. Schluss
Zufällige Mosaike: Eine Einführung Zhanlong Tao, Tobias Krejci 27.05.2008 Seite 2 Zufällige Mosaike 27.05.2008 Zhanlong Tao, Tobias Krejci Einführung Inhalt Einführung Deterministische Mosaike Zufällige
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
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
MehrOberflächenrekonstruktion aus Punktwolken
Oberflächenrekonstruktion aus Punktwolken Betreuer: Dominik Fritz Seminar Medizinische Simulationssysteme SS 2005 Gliederung 1 2 Der - 3 Der von Hoppe 4 Der - Gliederung 1 2 Der - 3 Der von Hoppe 4 Der
MehrSeminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose
Seminar stochastische Geometrie 25. Januar 2010 Contents 1 2 3 4 5 Definitionen Faser: glatte Kurve endlicher Länge in der Ebene Faser γ ist das Bild der Kurve γ(t) = (γ 1 (t), γ 2 (t)) mit (i) γ : [0,
MehrDas Boolesche Modell. Olaf Wied. November 30, 2009
November 30, 2009 Inhalt 1. Einführung und Definition 2. Eigenschaften 3. Modell mit konvexen Körnern 4. Statistiken und Anwendung in R Keim - Korn Modell Punkte im R d um jeden Punkt: beliebige, kompakte
Mehrk-nächste-nachbarn-schätzung
k-nächste-nachbarn-schätzung Mustererkennung und Klassifikation, Vorlesung No. 7 1 M. O. Franz 29.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
MehrDas Boolesche Modell
mit konvexen Körnern 3.12.2009 mit konvexen Körnern Ziele des heutigen Seminars: ist sehr anwendungsbezogen. Daher ist unser Ziel, am Ende die folgenden statistischen Fragen zu beantworten: Wann ist das
MehrComputer Vision: Segmentierung I
Computer Vision: Segmentierung I D. Schlesinger TUD/INF/KI/IS Der Plan: D. Schlesinger () CV: Segmentierung I 1 / 13 Segmentierung Man hat das... Man braucht das. D. Schlesinger () CV: Segmentierung I
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
Mehr12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme
12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme (Einfache) Voronoi-Diagramme: Motivation: gegeben: Raum R, darin Menge S von Objekten Frage nach Zerlegung von R in "Einflusszonen"
MehrStatistik für Punktprozesse. Seminar Stochastische Geometrie und ihre Anwendungen WS 2009/2010
Statistik für Punktprozesse Seminar Stochastische Geometrie und ihre Anwendungen WS 009/00 Inhalt I. Fragestellung / Problematik II. Ansätze für a) die Schätzung der Intensität b) ein Testverfahren auf
MehrPartikelcharakterisierung in 3D
Partikelcharakterisierung in 3D Irene Vecchio 1, Markus Heneka 2, Katja Schladitz 1 1 Fraunhofer-Institut für Techno- und Wirtschaftsmathematik, Kaiserslautern, Deutschland, e-mail: {irene.vecchio,katja.schladitz}@itwm.fraunhofer.de
MehrSegmentierung mit einem KurvenAdjazenzgraphen, basierend auf. der Wasserscheidentransformation
Seminar Mustererkennung in Bildern und 3D-Daten bei Prof. Dr. Kurth, Lehrstuhl Grafische Systeme Segmentierung mit einem KurvenAdjazenzgraphen, basierend auf der Wasserscheidentransformation (nach Thierry
Mehr9. Kombination von Vektor- und Rasterdaten
9. Kombination von Vektor- und Rasterdaten 1. Vergleich von Vektor- und Rasterdaten 2. Morphologische Operationen 3. Transformationen des Formats 4. Kombinierte Auswertungen Geo-Informationssysteme 224
MehrJurij-Andrei Reichenecker 21. Juni Tessellationen
Jurij-Andrei Reichenecker 21. Juni 2010 Tessellationen Seite 2 Tessellationen 21. Juni 2010 Jurij-Andrei Reichenecker Inhalt Einführung Voronoi Tessellation Algorithmus zur Erstellung von Voronoi Tessellationen
MehrRRL GO- KMK EPA Mathematik. Ulf-Hermann KRÜGER Fachberater für Mathematik bei der Landesschulbehörde, Abteilung Hannover
RRL GO- KMK EPA Mathematik Jahrgang 11 Propädeutischer Grenzwertbegriff Rekursion /Iteration Ableitung Ableitungsfunktion von Ganzrationalen Funktionen bis 4. Grades x 1/(ax+b) x sin(ax+b) Regeln zur Berechnung
MehrDigitale Bildverarbeitung
Bernd Jahne Digitale Bildverarbeitung 6., überarbeitete und erweiterte Auflage Mit 248 Abbildungen und 155 Übungsaufgaben und CD-ROM Sy Springer Inhaltsverzeichnis I Grundlagen 1 Anwendungen und Werkzeuge
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrWasserscheiden-Ansätze zur Bildsegmentierung II
Wasserscheiden-Ansätze zur Bildsegmentierung II Johannes Renfordt renfordt@mathematik.uni-ulm.de Seminar Bildsegmentierung und Computer Vision im Wintersemester 2005/2006 Universität Ulm Fakultät für Mathematik
MehrWasserscheiden-Ansätze zur Bildsegmentierung I
Seminar Bildsegmentierung und Computer Vision Wasserscheiden-Ansätze zur Bildsegmentierung I Stefan Sugg 19.12.2005 Gliederung 1. Einführung 2. Morphologische Grundlagen 3. Simulation durch Überflutung
MehrDiskrete Mathematik Graphentheorie (Übersicht)
Diskrete Mathematik Graphentheorie (Übersicht) Dr. C. Löh 2. Februar 2010 0 Graphentheorie Grundlagen Definition (Graph, gerichteter Graph). Ein Graph ist ein Paar G = (V, E), wobei V eine Menge ist (die
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,
MehrDistanzprobleme in der Ebene
Distanzprobleme in der Ebene (Literatur: deberg et al., Kapitel 7,9) Christian Knauer 1 Motivation: Alle nächsten Nachbarn Gegeben: Eine Menge von Punkten P in der Ebene Berechne: Zu jedem Punkt aus P
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
MehrDer diskrete Kalman Filter
Der diskrete Kalman Filter Fachbereich: Informatik Betreuer: Marc Drassler Patrick Winkler 1168954 6. Dezember 2004 Technische Universität Darmstadt Simulation und Systemoptimierung Darmstadt Dribbling
MehrKapitel 9 Kombination von Vektor- und Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2014/15
MehrSeminar. Visual Computing. Poisson Surface Reconstruction. Peter Hagemann Andreas Meyer. Peter Eisert: Visual Computing SS 11.
Poisson Surface Reconstruction Peter Hagemann Andreas Meyer Seminar 1 Peter Eisert: SS 11 Motivation Zur 3D Darstellung von Objekten werden meist Scan-Daten erstellt Erstellung eines Dreieckmodells aus
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
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
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Morphologische Operatoren Graphische DV und BV, Regina Pohle, 5. Morphologische Operatoren Einordnung in die Inhalte der Vorlesung
MehrLernmodul 2 Modelle des Raumes
Folie 1 von 21 Lernmodul 2 Modelle des Raumes Bildnachweis: www. tagesschau.de Folie 2 von 21 Modelle des Raumes Übersicht Motivation Was ist Raum? Formalismus und Invarianz Metrischer Raum/Euklidischer
MehrGeometrie Stochastischer Signale
De Gruyter Studium Geometrie Stochastischer Signale Grundlagen und Anwendungen in der Geodaten-Verarbeitung Bearbeitet von Siegfried Meier, Andrzej Borkowski 1. Auflage 2011. Taschenbuch. X, 331 S. Paperback
Mehr8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule
1 / 31 8. Konvexe Tobias Boelter TopMath Frühlingsschule Mittwoch, 5. März 2014 2 / 31 Es können auch nicht konvexe untersucht werden, wir beschränken uns hier aber auf konvexe. Mit einem Polytop ist hier
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrDas Matching Polytop
Das Matching Polytop Manuel Schneider Institut für Mathematik, TU Berlin Seminar: Algorithmische Diskrete Mathematik 27. Mai 2008 Überblick 1 Beschreibungen durch Ungleichungen Das Perfekte Matching Polytop
MehrStoffverteilungsplan Sek II
Klasse 11 (3-stündig) Stoffverteilungsplan Sek II Analysis - Differenzialrechnung Inhalte Hinweise Schulbuch Funktionen - Begriff der Funktion 12-15 - Symmetrien 22-24 - Verhalten im Unendlichen 20-21
MehrVorhersage der effektiven Wärmeleitfähigkeit in mehrphasigen Systemen
Bayerisches Zentrum für Angewandte Energieforschung e.v. Vorhersage der effektiven Wärmeleitfähigkeit in mehrphasigen Systemen D. Gerstenlauer, S. Vidi, F. Hemberger, HP. Ebert Vortrag AK Thermophysik
MehrZufällige Tessellationen II :
Zufällige Tessellationen II : David Neuhäuser Seminar: "Stochastische Geometrie und ihre Anwendungen" Universität Ulm 11.01.2010 Wiederholung Inhalt 1 Wiederholung Tessellation Zufällige Tessellation k-facetten
MehrFinite Elemente Modellierung
Finite Elemente Modellierung Modellerstellung Diskretisierung des Kontinuums Methode der Finite Elemente Anwendungsbeispiele der FEM Zugstab: Kraftmethode Zugstab: Energiemethode Zugstab: Ansatzfunktion
MehrMorphologische Filter
Morphologische Filter Industrielle Bildverarbeitung, Vorlesung No. 8 1 M. O. Franz 28.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Morphologische
MehrÜbungsblatt 7 - Voronoi Diagramme
Karlsruher Institut für Technologie Algorithmische Geometrie Fakultät für Informatik Sommersemester 2012 ITI Wagner Martin Nöllenburg/Andreas Gemsa Übungsblatt 7 - Voronoi Diagramme 1 Voronoi-Zellen Sei
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
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
MehrTechnische Universität Dresden. Beiträge zur Berechnung bewegungsabhängiger Kenngrößen von Mobilfunknetzen. Mathias Schweigel
Technische Universität Dresden Beiträge zur Berechnung bewegungsabhängiger Kenngrößen von Mobilfunknetzen Mathias Schweigel von der Fakultät Elektrotechnik und Informationstechnik der Technischen Universität
MehrZufällige Tessellationen II: komplexere Modelle
Zufällige Tessellationen II: komplexere Modelle Seminar: Stochastische Geometrie und ihre Anwendungen Benjamin Lang Universität Ulm 15. Januar 2010 Ziel: Warum braucht man komplexere Modelle? angemessenes
MehrLineare Klassifikatoren
Lineare Klassifikatoren Mustererkennung und Klassifikation, Vorlesung No. 8 1 M. O. Franz 06.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht 1 Nächste-Nachbarn-
MehrSerie 3. z = f(x, y) = 9 (x 2) 2 (y 3) 2 z 2 = 9 (x 2) 2 (y 3) 2, z 0 9 = (x 2) 2 + (y 3) 2 + z 2, z 0.
Analysis D-BAUG Dr Cornelia Busch FS 2016 Serie 3 1 a) Zeigen Sie, dass der Graph von f(x, y) = 9 (x 2) 2 (y 3) 2 eine Halbkugel beschreibt und bestimmen Sie ihren Radius und ihr Zentrum z = f(x, y) =
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
MehrMessen auf Voxeldaten, Punktwolken, Polygonnetzen
Messen auf Voxeldaten, Punktwolken, Polygonnetzen Martin Kronig, kronig@volumegraphics.com Volume Graphics GmbH Volume Graphics > Weltweit Anbieter für industrielle CT- Datenvisualisierung, -analyse und
MehrLU Grundlagen der digitalen Bildverarbeitung Abgabe 2. Gruppe 25 peter holzkorn andreas bretschneider martin tintel
LU Grundlagen der digitalen Bildverarbeitung Abgabe 2 Gruppe 25 peter holzkorn 0426262 andreas bretschneider 0327444 martin tintel 0402913 Beispiel 6 Texturanalyse und Texturklassifikation Texturklassen
MehrQuantitative Hochauflösende Analyse Tomographischer Messdaten
Quantitative Hochauflösende Analyse Tomographischer Messdaten Prof. Dr. Astrid Haibel Möglichkeiten und Grenzen der tomographischen Analytik Was kann die Tomographie? 3D Informationen hohe räumliche Auflösung
MehrGeometrische Spannbäume minimalen Durchmessers
Aroximationsschemata in Ablauflanung, Grahentheorie und Geometrie (engl.: Geometric Minimum-Diameter Sanning Tree, GMDST) SS 2004 Überblick Begriffsdefinitionen Eigenschaften von GMDSTs Exakter Algorithmus
MehrSpezifische innere Volumina
Spezifische innere Volumina Stochastische Geometrie und ihre en - Zufallsfelder Regina Poltnigg und Henrik Haßfeld Universität Ulm 13. Januar 2009 1 Regina Poltnigg und Henrik Haßfeld 1 2 Berechnung von
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)
MehrDas Voronoi Diagramm. 1. Definition. 2. Eigenschaften. 3. Größe und Speicherung. 4. Konstruktion. 5. Verwendung
Das Voronoi Diagramm 1. Definition 2. Eigenschaften 3. Größe und Speicherung 4. Konstruktion 5. Verwendung Das Voronoi- Diagramm Voronoi Regionen Euklidische Distanz: d(p,q) = (px-qx)^2+(py-qy)^2 Das Voronoi-Diagramm
MehrSimulationstechnik V
Simulationstechnik V Vorlesung/Praktikum an der RWTH Aachen Numerische Simulation von Strömungsvorgängen B. Binninger Institut für Technische Verbrennung Templergraben 64 4. Teil Finite-Volumen-Methode
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
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrLokalisierung von inneren und äußeren Grenzen in Sensornetzwerken
Lokalisierung von inneren und äußeren Grenzen in Sensornetzwerken Seminararbeit: Algorithmen für Sensornetzwerke Thomas Gramer 1 Thomas Gramer: KIT Universität des Landes Baden-Württemberg und nationales
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Mehr2. Triangulation ebener Punktmengen. 3. Definition und Eigenschaften der Delaunay Triangulation
Delaunay Triangulation 1. Motivation 2. Triangulation ebener Punktmengen 3. Definition und Eigenschaften der Delaunay Triangulation 4. Berechnung der Delaunay Triangulation (randomisiert, inkrementell)
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
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
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
MehrVorlesung 7 GRAPHBASIERTE BILDSEGMENTIERUNG
Vorlesung 7 GRAPHBASIERTE BILDSEGMENTIERUNG 195 Bildsegmentierung! Aufgabe: Bestimme inhaltlich zusammenhängende, homogene Bereiche eines Bildes! Weit verbreitetes Problem in der Bildverarbeitung! Viele
MehrDiskret drehende Bewegungsvorgänge
Diskret drehende Bewegungsvorgänge Hans-Peter Schröcker Arbeitsbereich für Geometrie und CAD Universität Innsbruck Mathematisches Seminar der TU Dresden 21. April 2010 Drehende Bewegungsvorgänge und Krümmungslinien
MehrBildverarbeitung Herbstsemester
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Filter Filter 1 Inhalt Lineare und nichtlineare Filter Glättungsfilter (z.b. Gauss-Filter) Differenzfilter (z.b. Laplace-Filter) Lineare Faltung
MehrWS 2010/ Januar Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch
Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch WS 2010/2011 14. Januar 2011 Geometrie mit Übungen Übungsblatt 9, Musterlösungen Aufgabe 33. Es werden Kreise in der Euklidischen
MehrKollisionserkennung
1 Kollisionserkennung von Jens Schedel, Christoph Forman und Philipp Baumgärtel 2 1. Einleitung Wozu wird Kollisionserkennung benötigt? 3 - für Computergraphik 4 - für Simulationen 5 - für Wegeplanung
MehrExtrapolation und Interpolation von räumlichen Mustern
Extrapolation und Interpolation von räumlichen Mustern 01. Juli 2008 Inhaltsverzeichnis 1 Interpolation Extrapolation Beispiel: Mammutbaumsetzlinge 2 Grundlagen Keim-Korn- Clusterprozesse Cox-Clusterprozess
MehrMuster für einen Studienbericht (in Auszügen) im Fach Mathematik LK 1. Prüfungsteil Name:
Muster für einen Studienbericht (in Auszügen) im Fach Mathematik LK 1. Prüfungsteil Name: Zur Vorbereitung verwendetes Hilfsmittel GTR (Modell und Typbezeichnung sind vom Bewerber anzugeben. ) (Modell
MehrFinite Element Approximation auf der Basis geometrischer Zellen
Finite Element Approximation auf der Basis geometrischer Zellen Peter Milbradt, Axel Schwöppe Institut für Bauinformatik, Universität Hannover Die Methode der Finiten Elemente ist ein numerisches Verfahren
MehrEinführung in die Wahrscheinlichkeitstheorie
Einführung in die Wahrscheinlichkeitstheorie von Boris Wladimirowitsch Gnedenko In deutscher Sprache herausgegeben von Hans-Joachim Roßberg Mit einem Anhang des Herausgebers über positiv definite Verteilungsdichten
MehrKonrad Königsberger. Analysis 1. Fünfte, neu bearbeitete Auflage mit 161 Abbildungen und 250 Aufgaben samt ausgearbeiteten Lösungen.
Konrad Königsberger Analysis 1 Fünfte, neu bearbeitete Auflage mit 161 Abbildungen und 250 Aufgaben samt ausgearbeiteten Lösungen Springer Inhaltsverzeichnis J 1 Natürliche Zahlen und vollständige Induktion
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
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrRaytracing. Beschleunigungsverfahren
Raytracing Beschleunigungsverfahren Naives/brute force Raytracing Komplexität: mxn p Auflösung des Bildes Anzahl der Primitives O (mxnxp) nur für die Primärstrahlen Raytracing Beschleunigungsverfahren
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
Mehr8. Modelle für feste Körper
8. Modelle für feste Körper Modell: Abbild der Realität, welches bestimmte Aspekte der Realität repräsentiert (und andere ausblendet) mathematische Modelle symbolische Modelle Datenmodelle Experimentalmodelle
MehrMorphologische BV. Morphological Image Processing. M. Thaler, TG208 Bildverarbeitung ZHAW, BV HS17, M. Thaler.
Morphologische BV Morphological Image Processing M. Thaler, TG208 tham@zhaw.ch Juni 7 Um was geht es? threshold Binärbild region fill egdes Juni 7 2 2 ... um was geht es? Morphologie in der Biologie Beschäftigung
MehrStoffverteilungsplan Mathematik 8 auf der Grundlage des Lehrplans Schnittpunkt 8 Klettbuch
K5: Mit Variablen und Termen arbeiten K5: Mit Variablen und Termen arbeiten K2: Geeignete heuristische Hilfsmittel (z. B. informative Figuren), Strategien und Prinzipien zum Problemlösen auswählen und
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col 1 col
Mehr