EVC Repetitorium Blender
|
|
- Gundi Maus
- vor 7 Jahren
- Abrufe
Transkript
1 EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
2 Filter Transformationen Blender INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
3 Wozu Filter?
4 Wozu Filter?
5 Wozu Filter?
6 Beispiele Glättungsfilter (Blur) Entfernen von Bildrauschen Effekte in Filmen und Computerspielen Bildverarbeitung Kanten/Ecken Detektoren Erkennung von Objekten (Gebäude, Gesichter, )
7 Wiederholung: Wie filtert man ein Bild? I I neu = I Filter Filter I neu =
8 Wiederholung: Wie filtert man ein Bild? I neu e neu = e neu =
9 Wiederholung: Wie filtert man ein Bild? I neu = e neu = = 16
10 Wiederholung: Wie filtert man ein Bild? I neu 16 e neu = e neu = = 16
11 Wiederholung: Wie filtert man ein Bild? I neu e neu = e neu = = 16
12 Wiederholung: Wie filtert man ein Bild? I neu e neu = e neu = = 84
13 Wiederholung: Wie filtert man ein Bild? I neu e neu = e neu = = 48
14 Andere Möglichkeiten der Randbehandlung I neu e neu =
15 Andere Möglichkeiten der Randbehandlung I neu = e neu
16 Glättungsfilter (Blur Filter) Ziel: Störungen/Rauschen reduzieren Nebenwirkungen: Kanten verwischen Unschärfe Glättungsfilter: Mittelwertfilter Gaußfilter Binomialfilter Medianfilter
17 Mittelwertfilter (Box-Filter) Faltungskern Alle Gewichte gleich Summe = 1 Bewirkt eine Glättung des Bildes Beispiel: 3x3 Mittlwertfilter Auch andere Kernelgrößen sind möglich!
18 4-/8-Nachbarschaft Möglichkeiten in D: 4-Nachbarschaft Nur Nachbaren mit gemeinsamen Kante 8-Nachbarschaft Auch diagonale Nachbaren
19 4-/8-Nachbarschaft Mittelwertfilter
20 Gaußfilter Gewichtete Mittelung Reduziert Einfluss von weiter vom Filterzentrum entfernten Pixeln Kanten verwischen nicht so sehr Mittelwertfilter
21 Gaußfilter Beispiel: Kernel: 5x5 Sigma: 0,5
22 Binomialfilter Gaußfilter-Approximation Beispiel: 3x3 Kernel:
23 Medianfilter Kein Kernel der mit dem Bild gefaltet wird! Ersetzung jedes Pixels durch den Median seiner Nachbarschaft
24 Medianfilter Kein Kernel der mit dem Bild gefaltet wird! Ersetzung jedes Pixels durch den Median seiner Nachbarschaft 1. sortiere Grauwerte der Nachbarschaft: 1, 0, 95, 109, 111, 33, 41, 54,
25 Medianfilter Kein Kernel der mit dem Bild gefaltet wird! Ersetzung jedes Pixels durch den Median seiner Nachbarschaft 1. sortiere Grauwerte der Nachbarschaft: 1, 0, 95, 109, 111, 33, 41, 54, 55. Ergebnis = 111 (Wert in der Mitte)
26 Medianfilter Kein Kernel der mit dem Bild gefaltet wird! Ersetzung jedes Pixels durch den Median seiner Nachbarschaft 1. sortiere Grauwerte der Nachbarschaft: 1, 0, 95, 109, 111, 33, 41, 54, 55. Ergebnis = 111 (der mittlere Pixel) Eliminiert Ausreißer (z.b. Salz und Pfeffer -Rauschen )
27 Kantendetektoren
28 Wiederholung: 1. und. Ableitung Die 1. Ableitung Änderung des Funktionswertes = Steigung an bestimmter Stelle Die. Ableitung Änderung der Steigung = Krümmung des Graphen Interpretation in der BV: Ableitung zeigt in Richtung der größten Intensitäts-Änderung = Kanten
29 Wiederholung: 1. und. Ableitung Funktion 1. Ableitung. Ableitung
30 1. Ableitung Wie berechnet man die 1. Ableitung? f i 1 +1 i i + 1 Approximation durch f(i) i f i + f(i + 1)
31 1. Ableitung Andere Möglichkeit f i i 1 i i + 1 Approximation durch f(i) i f i 1 + f(i + 1)
32 . Ableitung Wie berechnet man die. Ableitung? f i 1 1 i 1 i i + 1
33 Ableitungen Eigenschaften Kanten/Ecken Detektoren Summe des Kernels = 0 1. Ableitung Ableitung 1 1
34 . Ableitung 1. Ableitung 1. und. Ableitung
35 Wiederholung: 1. und. Ableitung Die 1. Ableitung einer Funktion groß für Bereiche mit starker Steigung im Bild Bereiche mit großen Intensitäts-unterschieden, z.b.: Objektkanten Klein für Bereiche mit geringer Steigung im Bild homogene Flächen
36 Anwendungsbeispiel: Roberts Kantendetektor kleine x Filter (1. Ableitung) schätzen den Gradienten der Diagonalen Gradient = Richtung des steilsten Anstieges Sensibel auf diagonale Kanten f = f x f y f = +1 0 x 0 1 f = 0 +1 y 1 0 Gradient
37 Prewitt Kantendetektor 3x3 Filter (1. Ableitung) Mittelung über 3 benachbarte Zeilen/Spalten entspricht Glättung Sensibel auf vertikale und horizontale Kanten
38 Sobel Kantendetektor Ähnlich Prewitt, doch bei der Glättung wird mehr Gewicht auf die zentrale Zeile bzw. Spalte gelegt.
39 Kompass Kantendetektor Filter für mehrere Richtungen: {0, 45, 90, 135, 180, 5, 70, 315 } F Bild
40 Kompass Kantendetektor Filter für mehrere Richtungen: {0, 45, 90, 135, 180, 5, 70, 315 } F Bild
41 Kompass Kantendetektor Filter für mehrere Richtungen: {0, 45, 90, 135, 180, 5, 70, 315 } F Bild
42 Kompass Kantendetektor Filter für mehrere Richtungen: {0, 45, 90, 135, 180, 5, 70, 315 } F Bild
43 Anwendungsbeispiel: Laplace-Filter 3x3 Filter (. Ableitung) Ebenfalls für Kantendetektion 1D D D
44 Schwellwertfilter Erzeugt aus einem Grauwertbild ein Binärbild Bei gewähltem Schwellwert t gilt für jeden Pixel I(x,y): I(x,y) = 0 (schwarz) falls I(x,y) <= t I(x,y) = 1 (weiß) falls I(x,y) > t
45 Schwellwertfilter Erzeugt aus einem Grauwertbild ein Binärbild. Bei gewähltem Schwellwert t gilt für jeden Pixel I(x,y): I(x,y) = 0 (schwarz) falls I(x,y) <= t I(x,y) = 1 (weiß) falls I(x,y) > t t=0.5
46 Uniforme Grauwerttransformation Histogrammabschneidung (histogram clipping) Histogrammspreizung / -stauchung
47 Uniforme Grauwerttransformation Histogrammabschneidung Intervall [x,y] bleibt erhalten Intensität < x = 0 und Intensität > y = 1 Beispiel: x=0.3 y=0.8
48 Uniforme Grauwerttransformation Histogrammspreizung / -stauchung Stauchung von [0,1] im Input zu z.b. [0.3,0.8] im Output Spreizung von z.b. [0.3,0.8] im Input zu [0,1] im Output
49 Uniforme Grauwerttransformation Histogrammstauchung Beispiel:
50 Uniforme Grauwerttransformation Histogrammspreizung Beispiel
51 Filter Transformationen Blender INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
52 Was verstehen wir unter Transformationen? Rotation Translation (Bewegung) Skalierung Scherung Perspektive (behandeln wir in dieser Einheit nicht) Michael Hecher 5
53 Ziel dieser Einheit Verstehen wie Matrixtranfomationen funktionieren Verstehen warum Matrizen verwendet werden Visuell ein Gefühl für einfache Matrixtranfomationen bekommen NICHT: Mathematische Theorien vermitteln Michael Hecher 53
54 Dot Product a b φ O a b = a b cos φ Michael Hecher 54
55 Dot Product a b φ O a b = a 1 a b 1 b = a 1 b 1 + a b = a b cos φ Michael Hecher 55
56 Dot Product a ( a = 1) Haben a und b Länge 1, ist das dot product der Cosinus des Winkels. cos φ ist die Länge von a projiziert auf b. b ( b = 1) φ O cos φ a b = cos φ Michael Hecher 56
57 Dot Product n a ( a = 1) Hat ein Vektor die Länge 1, ist das dot product der Cos. des Winkels mal der Länge des zweiten Vektors. b ( b = 1) n cos φ ist die Länge von a projiziert auf b. O φ n cos φ n ab = n cos φ Michael Hecher 57
58 Beispiel: Kartesisches Koordinatensystem = = 0.5 = = 0.5 O Michael Hecher 58
59 Beispiel: Rotiertes Kartesisches Koordinatensystem O = = 0.5 = = 0.5 Michael Hecher 59
60 Beispiel: Kartesische Koordinaten O = = O 0.5 Ergebnis in nicht rotiertes Koordinatensystem eintragen 1 0 Michael Hecher 60
61 0 1 Rotation um den Ursprung O Michael Hecher 61
62 Beispiel Dreieck (Y) C 1 A B 1 (X) Michael Hecher 6
63 Projektion auf x-achse (Y) C 1 A B x ( x = 1) 1 (X) Michael Hecher 63
64 Projektion auf x-achse (Y) 1 A C B c x b x a x = x A b x = x B c x = x C x a x 1 (X) Michael Hecher 64
65 Projektion auf y-achse (Y) y c y a y 1 A C x a x B c x b x a x = x A b x = x B c x = x C a y = y A b y = y B c y = y C b y 90 1 (X) Michael Hecher 65
66 a x,a y,b x,b y,c x,c y als neue Koordinaten (Y) alt 1 c y a y A C neu b y a x B c x b x (X) Michael Hecher 66
67 Kompakte Darstellung mit Matrizen Matrixnotation a x = x A a y = y A b x = x B b y = y B c x = x C c y = y C a x a y b x b y c x c y = x y A = x y B = x y C Michael Hecher 67
68 Rotationsmatrix "x-achse" der Rotation Punkt A = x y A rotierter Punkt Rotationsmatrix "y-achse" der Rotation Michael Hecher 68
69 Rotationsmatrix a x a y = x 1 x y 1 y a 1 a a x a y = x 1a 1 + x a y 1 a 1 + y a Michael Hecher 69
70 Einen Punkt verschieben Translation 1 A t A A = A + t A = a 1 a + t 1 t 1 Michael Hecher 70
71 Rotation + Translation Michael Hecher 71
72 Zuerst rotieren dann verschieben 1) A = x y A ) A = A + t Michael Hecher 7
73 In einem einzigen Schritt A = x y A + t Michael Hecher 73
74 In einem einzigen Schritt A = x y A + t A = x y a 1 a + t 1 t Michael Hecher 74
75 In einem einzigen Schritt A = x y A + t A = x y a 1 a + t 1 t A = x 1a 1 + x a + t 1 y 1 a 1 + y a + t Michael Hecher 75
76 In einem einzigen Schritt A = x y A + t A = x y a 1 a + t 1 t A = x 1a 1 + x a + t 1 y 1 a 1 + y a + t A = x 1a 1 + x a + t 1 1 y 1 a 1 + y a + t 1 Michael Hecher 76
77 In einem einzigen Schritt A = x y A + t A = x y a 1 a + t 1 t A = x 1a 1 + x a + t 1 y 1 a 1 + y a + t A = x 1a 1 + x a + t 1 1 y 1 a 1 + y a + t 1 A = x 1 x t 1 y 1 y t a 1 a 1 Michael Hecher 77
78 Noch eine Kleinigkeit 1x Vektor A = a 1 = x a 1 x t 1 1 a a y 1 y t 1 1x3 Vektor a 1 a 1 = x 1 x t 1 y 1 y t a 1 a 1 Rotation + Translation homogene Koordinate Michael Hecher 78
79 Matrizen für D und 3D D: x 1 x t 1 y 1 y t D: x 1 x x 3 t 1 y 1 y y 3 t z 1 z z 3 t Michael Hecher 79
80 Translation t y t x Michael Hecher 80
81 Rotation x y Nach rechts gedrehtes Koordinatensys. bewirkt Linksdrehung des Objektes. y y x x Michael Hecher 81
82 Skalierung s x x s y y y x Michael Hecher 8
83 Scherung x y y y x x Michael Hecher 83
84 Visuelle Zusammenfassung x 1 x t 1 y 1 y t s x x t s y y x y t Michael Hecher 84
85 Filter Transformationen Blender INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
86 EVC - Blender Assignment Goal Learn how to model basic 3D content Have fun while experimenting Michael Hecher, Felix Kreuzer
87 EVC - Blender Assignment Assignment Preview Create a character using blender Add some textures Render a scene Michael Hecher, Felix Kreuzer
Einführung 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
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Kurze Wiederholung Gradienten 1. und 2. Ableitung grad( f ( x, y) ) = f ( x, y) = f ( x, y) x f ( x, y) y 2 f ( x, y) = 2 f ( x,
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
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
Mehr1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
MehrFilter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale
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
MehrC A R L V O N O S S I E T Z K Y. Transformationen. Johannes Diemke. Übung im Modul OpenGL mit Java Wintersemester 2010/2011
C A R L V O N O S S I E T Z K Y Transformationen Johannes Diemke Übung im Modul OpenGL mit Java Wintersemester 2010/2011 Motivation Transformationen Sind Grundlage vieler Verfahren der Computergrafik Model-
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
MehrSegmentierung 1 Segmentation
Segmentierung Segmentation M. Thaler, TG08 tham@zhaw.ch Juni 7 Um was geht es? Bis jetzt vor allem Transformation Bild Bild Neu Transformation Bild? Feature, Aussage, etc. Bild Aussage "it's a circle"
MehrKapitel 3: Geometrische Transformationen
[ Computeranimation ] Kapitel 3: Geometrische Transformationen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 3. Geometrische Transformationen
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
MehrKanten und Konturen. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Kanten und Konturen Industrielle Bildverarbeitung, Vorlesung No. 6 1 M. O. Franz 14.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Kanten und
MehrComputergrafik 1 Transformationen
Computergrafik 1 Transformationen Kai Köchy Sommersemester 2010 Beuth Hochschule für Technik Berlin Überblick Repräsentationen, Primitiven Transformationen in 2D Skalierung Translation Rotation Scherung
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
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
MehrBildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg
Bildverbesserung Frequenz-, Punkt- und Maskenoperationen Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x) local-domain frequency-domain
Mehr3D-Transformationen. Kapitel Translation Skalierung
Kapitel 13 3D-Transformationen Wie im weidimensionalen Fall, werden die Definitionspunkte der Objekte als Spaltenvektoren mit homogener Koordinate geschrieben. Die notwendigen Transformationen werden wieder
MehrKantenextraktion. Klassische Verfahren. Christoph Wagner. 30. Januar Vortrag zum Seminar Bildsegmentierung und Computer Vision
Klassische Verfahren 30. Januar 2006 Vortrag zum Seminar Bildsegmentierung und Computer Vision Gliederung Grundlagen 1 Grundlagen Aufgabenstellung Anforderungen an Kantenfilter Lineare Filter 2 3 Gliederung
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
MehrComputergrafik Sommersemester 2004 Übungen
Sommersemester 4 Freiwillige Zusatzübung Aufgabe 6: Transformationen im zweidimensionalen aum Berechnen Sie die Transformationsmatri, die eine Szene zuerst um 3 Grad um den Ursprung dreht und anschließend
MehrEinleitung 2. 1 Koordinatensysteme 2. 2 Lineare Abbildungen 4. 3 Literaturverzeichnis 7
Sonja Hunscha - Koordinatensysteme 1 Inhalt Einleitung 2 1 Koordinatensysteme 2 1.1 Kartesisches Koordinatensystem 2 1.2 Polarkoordinaten 3 1.3 Zusammenhang zwischen kartesischen und Polarkoordinaten 3
MehrTheoretische Physik 1, Mechanik
Theoretische Physik 1, Mechanik Harald Friedrich, Technische Universität München Sommersemester 2009 Mathematische Ergänzungen Vektoren und Tensoren Partielle Ableitungen, Nabla-Operator Physikalische
MehrVU Einführung in Visual Computing 1. Test Gruppe A
09.04.2014 186.822 VU Einführung in Visual Computing 1. Test Gruppe A Matrikelnummer: Nachname: Punkte: Studienkennzahl: Vorname: Bitte tragen sie Ihre Matrikelnummer, Studienkennzahl sowie Vor- und Nachname
Mehr"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"
"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs" Ning Liu HAW-Hamburg Seminarvortrag December 15, 2006 Ning Liu Kanten- und Linienerkennung
MehrPrüfung Grundlagen der digitalen Bildbearbeitung
Prüfung Grundlagen der digitalen Bildbearbeitung 14.06.2005 1) Gegeben sind 24 Bilder, die als Eingabe als auch als Ergebnis einer der 10 Bildoperationen auftreten können. (14 Punkte) 10 folgenden Bildoperationen,
Mehr-dimensionale Darstellungen
1.9 2 1 2 -dimensionale Darstellungen Auf einer Fläche F (2 dimensional) wird eine Operation ausgeführt Zum Beispiel wir eine Verschiebung um den Vektor t durchgeführt. Gemeint ist der Körper, der überstrichen
Mehr1 Einleitung Einordnung des Gebietes Aufbau des Buches Philosophie Inhalte Einige Lehrbücher...
Inhaltsverzeichnis 1 Einleitung... 1 1.1 Einordnung des Gebietes... 1 1.2 Aufbau des Buches... 3 1.2.1 Philosophie... 3 1.2.2 Inhalte... 5 1.3 Einige Lehrbücher... 6 2 Allgemeine Begriffe... 11 2.1 Einige
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
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
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
MehrWie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler
Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen? /Anwendungsgebiete Wenn man sie denn gefunden
MehrUniversität Trier. Fachbereich IV. Wintersemester 2004/2005. Wavelets made easy. Kapitel 2 Mehrdimensionale Wavelets und Anwendungen
Universität Trier Fachbereich IV Wintersemester 2004/2005 Wavelets made easy Kapitel 2 Mehrdimensionale Wavelets und Anwendungen Thomas Queckbörner 16.11.2004 Übersicht des Kapitels: 1. Einführung 2. Zweidimensionale
Mehr3D-Transformationen. Kapitel Translation Skalierung
Kapitel 3 3D-Transformationen Wie im weidimensionalen Fall, werden die Definitionspunkte der Objekte als Spaltenvektoren mit homogener Koordinate geschrieben. Die notwendigen Transformationen werden wieder
Mehr5. Objekterkennung in Bildern und Videos Videoanalyse
5. Objekterkennung in Bildern und Videos Videoanalyse Stephan Kopf 1 Übersicht Motivation Anforderungen an Objekterkennungsalgorithmen Objekterkennung mittels Konturen Helligkeiten Farben Formen Objekterkennung
MehrKapitel 3. Transformationen
Oyun Namdag Am 08.11.2007 WS 07/08 Proseminar Numerik: Mathematics for 3D game programming & computer graphics Dozenten: Prof. Dr. V. Schulz, C. Schillings Universität Trier Kapitel 3 Transformationen
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
MehrComputer graphics. Vektoren und Matrizen. Dr. Ernst Kruijff. Institute of Visual Computing 3DMi group Bonn-Rhein-Sieg University of Applied Sciences
Computer graphics Vektoren und Matrizen Dr. Ernst Kruijff Institute of Visual Computing 3DMi group Bonn-Rhein-Sieg University of Applied Sciences 3 Dm group Einführung Transformationen Sources Online:
MehrGrundlagen der digitalen Bildverarbeitung / Fortsetzung
Grundlagen der digitalen Bildverarbeitung / Fortsetzung Wir haben bereits zwei Beispiele digitaler Bildfilter gesehen. Es gibt eine große Menge von Filtern mit ganz unterschiedlicher Auswirkung auf das
Mehr3.1 Motivation. - Mit (mehreren) Koordinatentransformationen wird das Objektsystem in das Gerätesystem transformiert.
3.1 Motivation Wichtige Grundlage der Bildwiedergabe auf dem Bildschirm oder anderen Ausgabegeräten sind Koordinatensysteme und Koordinatentransformationen im IR 2 und IR 3. Im allgemeinen unterscheidet
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
MehrLösungsvorschlag zum zweiten Übungsblatt
Lösungsvorschlag zum zweiten Übungsblatt Aufgabe Wir zeigen, daß die Drehung um den Ursprung um 9 und die Spiegelung an der x-achse nicht kommutieren. Die Matrix für die Drehmatrix lautet in diesem Fall
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
Mehr) (1 BE) 1 2 ln 2. und somit
1 Aufgaben aus dem Aufgabenpool 1 1.1 Analysis A1_1 Eine Funktion f ist durch 1 x f(x) e 1, x IR, gegeben. Ermitteln Sie die Nullstelle der Funktion f. ( ) b) Die Tangente an den Graphen von f im Punkt
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
MehrMathematische Grundlagen
Mathematische Grundlagen Oliver Deussen Mathematische Grundlagen 1 Affine Räume um Zeichenebene bzw. Raum zu beschreiben, muß vorher ein Koordinatensystem festgelegt werden durch geometrische Fragestellungen
MehrFILTER UND FALTUNGEN
Ausarbeitung zum Vortrag von Daniel Schmitzek im Seminar Verarbeitung und Manipulation digitaler Bilder I n h a l t. Der Begriff des Filters 3 2. Faltungsfilter 4 2. Glättungsfilter 4 2.2 Filter zur Kantendetektion
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Lineare Filterung - 1 Einführung 2 Definition der Faltung 3 Beispiele linearer Filter 4 Diskussion 5 Ausblick: nichtlineare Filterung 6 Literatur 1 Einführung
MehrKapitel 8: Operationen auf Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 8: Operationen auf Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2015/16 Ludwig-Maximilians-Universität
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
Mehr4.4 Glättung von Kanten
4.4 Glättung von Kanten Es wurden verschiedene Aspekte zur Beleuchtung von Modellen und Szenen vorgestellt. Es gibt zwei Arten von Licht, das Hintergrundlicht und Licht von Lichtquellen, wobei hier zu
MehrPraktikum-Meßtechnik Verfasser: Dr. H. Bergelt
TU Bergakademie Freiberg Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt Filter in der Bildverarbeitung. Einleitung Digitale Filter gehören zu den wirkungsvollsten Methoden der Bildverarbeitung. Wir können
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, wie lineare
MehrDarstellungstheorie. Vortag von Heiko Fischer - Proseminar QM
Darstellungstheorie Vortag von Heiko Fischer - Proseminar QM Wir haben uns in den vergangenen Vorträgen intensiv mit den Eigenschaften abstrakter Gruppen beschäftigt. Im physikalischen Kontext sind Gruppen
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrBinärbildverarbeitung
Prof. Dr. Wolfgang Konen, Thomas Zielke Binärbildverarbeitung SS06 4.1 Konen, Zielke Anwendungen von Binärbildern Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf
Mehr1 Mathematische Hilfsmittel
Mathematische Hilfsmittel. Vektoranalysis Wiederholung Vektor: Länge und Richtung Vektoraddition: A + B = B + A (A + B) + C = A + (B + C) kartesische Koordinaten: B A + B = i (a i + b i )e i A+B Multiplikation
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
MehrProjektive Geometrie
Projektive Geometrie Einleitung Was ist projektive Geometrie? eine alternative algebraische Repräsentation von geometrischen Objekten (Punkt, Gerade,...) und Transformationen (Translation, Rotation,...)
Mehr09. Lineare Abbildungen und Koordinatentransformationen
09. Lineare Abbildungen und Koordinatentransformationen Definition. Seien V und W Vektorräume. Unter einer linearen Abbildung versteht man eine Abbildung F : V W, v F v w mit folgender Eigenschaft: F λ
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrEn Theoriefragen LU GDBV
En Theoriefragen LU GDBV 1. Cooccurrence Matrix Die Cooccurrence Matrix wird auch als Gray-Tone Spatial- Dependence Matrices oder als Grauwertpaarhäufigkeitsmatrix (GPM) bezeichnet. Wir gehen von einem
MehrSeminar 3-D Grafik Mathematische Grundlagen, Räume, Koordinatensysteme, Projektionen. Hermann Schwarz Marko Pilop
Seminar 3-D Grafik Mathematische Grundlagen, Räume, Koordinatensysteme, Projektionen Hermann Schwarz Marko Pilop 2003-11-20 http://www.informatik.hu-berlin.de/~pilop/3d_basics.pdf {hschwarz pilop}@informatik.hu-berlin.de
MehrComputer-Graphik I Transformationen & Viewing
lausthal Motivation omputer-raphik I Transformationen & Viewing Man möchte die virtuelle 3D Welt auf einem 2D Display darstellen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de. Zachmann
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
MehrGrundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1. Histogramm & Histogrammäqualisierung
Grundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1 Histogramm & Histogrammäqualisierung Histogramm: Häufigkeiten der Grauwerte eines Bildes geordnet nach Helligkeit: oft relative Häufigkeit
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
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
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
MehrProjektion. Ebene geometrische Projektionen
Projektion - 1 - Ebene geometrische Projektionen Die ebenen geometrischen Projektionen sind dadurch charakterisiert, daß mit Projektionsstrahlen konstanter Richtung, d.h. entlang von Geraden, auf Ebenen
MehrHow to make a PIXAR movie
How to make a PIXAR movie Non-Photorealistic Rendering Definition NPR is an area of computer graphics that focuses on enabling a wide variety of expressive styles for digital art. Alternativbezeichnungen:
MehrInhalte. Mathematische Grundlagen. Koordinatensysteme Ebene und räumliche Koordinatentransformationen Zentralperspektive
Inhalte Mathematische Grundlagen Koordinatensysteme Ebene und räumliche Koordinatentransformationen Zentralperspektive HS BO Lab. für Photogrammetrie: Koordinatensysteme Koordinatensysteme Ein kartesisches
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
MehrVU Einführung in Visual Computing 1. Test Gruppe A
26.04.2013 186.822 VU Einführung in Visual Computing 1. Test Gruppe A Matrikelnummer: Nachname: Punkte: Studienkennzahl: Vorname: Bitte tragen sie Ihre Matrikelnummer, Studienkennzahl sowie Vor- und Nachname
MehrNichtmonotone Grauwertabbildung
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 02.12.2005 Folie 1 Nichtmonotone Grauwertabbildung Zwei Grauwertfenster in einem Bild. g (g) 0 511 2100 g Erzeugt künstliche Kanten. Grenzen
Mehr2 Die Algebra der Matrizen
Die Algebra der Matrizen Ein Hauptziel der Vorlesung zur Linearen Algebra besteht darin, Aussagen über die Lösungsmenge linearer Gleichungssysteme zu machen Etwa ob das Gleichungssystem x y + z 1 x + y
MehrSystemtheorie abbildender Systeme
Bandbegrenzung Bild in (b) nicht band-begrenzt: scharfe Kanten = Dirac-Funktionen = weißes Spektrum Erfordert Tapering vor Digitalisierung (Multiplikation mit geeigneter Fensterfunktion; auf Null drücken
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrRepräsentation und Transformation von geometrischen Objekten
Repräsentation und Transformation von geometrischen Objekten Inhalt: Grundlagen Überblick Einfache Transformationen in der Ebene Homogene Koordinaten Einfache Transformationen in der Ebene mit homogenen
MehrAufgaben für das Fach Mathematik
Niedersächsisches Kultusministerium Referat 33 / Logistikstelle für zentrale Arbeiten August 017 Aufgaben für das Fach Mathematik Eingesetzte Abituraufgaben aus dem länderübergreifenden Abituraufgabenpool
MehrNützliches Hilfsmittel (um Schreiberei zu reduzieren): 'Erweiterte Matrix': Gauß- Verfahren
L5.4 Inverse einer Matrix Ausgangsfrage: Wie löst man ein lineares Gleichungsystem (LSG)? Betrachte n lineare Gleichungen für n Unbekannte: Ziel: durch geeignete Umformungen bringe man das LSG in folgende
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.
MehrDetektion von Eckpunkten und einfachen Kurven
Detektion von Eckpunkten und einfachen Kurven Industrielle Bildverarbeitung, Vorlesung No. 7 1 M. O. Franz 21.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005.
MehrBildtransformationen. Geometrische Transformationen Grauwert-Interpolation
Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dr.-Ing. Markus Kowarschik Numerisches Programmieren,
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
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
MehrTransformationen im 3D-Raum
Thomas Jung Repräsentation von 3D-Oberflächen Aufbau von Szenen Transformationen im 3D-Raum Projektionstranformationen Anwendung in OpenGL Geometrietransformationen bilden die Basis für die Computergrafik
MehrMaTHEMATISCHE GRUNDLAGEN BUGA-AR TELESCOPE. Marko HeRBERTZ
MaTHEMATISCHE GRUNDLAGEN BUGA-AR TELESCOPE Marko HeRBERTZ Wiederholung: Objekt-, Welt- und Kamerakoordinaten Kugelkoordinaten in kartesische Mögliche Schwierigkeiten Kameralinse Lage der Festung Lagerichtige
MehrFormelsammlung Mathematik Grundkurs Inhalt
Formelsammlung Mathematik Grundkurs Inhalt Inhalt...1 Trigonometrie Grundlagen... Vektoren...3 Skalarprodukt...4 Geraden...5 Abstandsberechnungen...6 Ebenen...7 Lineare Gleichungssysteme (LGS)...8 Gauß'sches
Mehr2.2 Projektionen und Kameramodelle
Graphikprog. GRUNDLEGENDE VERFAHREN UND TECHNIKEN. Projektionen und Kameramodelle Nachdem alle Objekte einer Szenerie mittels der besprochenen Transformationen im D-Weltkoordinatensystem platziert sind,
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 11
Technische Universität München Zentrum Mathematik Mathematik Elektrotechnik Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 11 Hausaufgaben Aufgabe 11.1 Berechnen Sie jeweils die Jacobi-Matrix folgender
MehrNewtek Lightwave Grundlagen der 3D-Vektorgrafik
Newtek Lightwave Grundlagen der 3D-Vektorgrafik Form und Oberfläche Punkte und Polygone (mindestens 3-seitige Verbindungen zwischen Punkten) sind die Grundlage der Darstellung dreidimensionaler Objekte
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
MehrJavaFX Koordinaten und Transformationen
JavaFX Koordinaten und Transformationen Koordinaten Jedes Node-Objekt hat sein eigenes Koordinatensystem. In Container-Nodes beziehen sich Position und Größe der Kinder immer auf das Koordinatensystem
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
Mehr