Graphische Datenverarbeitung und Bildverarbeitung
|
|
- Stanislaus Auttenberg
- vor 7 Jahren
- Abrufe
Transkript
1 Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung Einführung mathematische und allgemeine Grundlagen Hardware für Graphik und Bildverarbeitung Graphische Grundalgorithmen (Zeichnen graphischer Primitive Methoden für Antialaising Füllalgorithmen) Bildaufnahme (Koordinatenssteme Transformation) Durchführung der Bildverarbeitung und -analse Fourier-Transformation Bildrekonstruktion und Bildrestauration Bildverbesserung (Grauwertmodifikation Filterverfahren) Segmentierung Morphologische Operationen Merkmalsermittlung und Klassifikation Erzeugung von Bildern in der Computergraphik Geometrierepräsentationen Clipping in D und 3D Hidden Surface Removal Beleuchtungsberechnung Shading Schattenberechnung Volumenrendering als Beispiel für die Nutzung beider Gebiete Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung
2 Wiederholung wichtiger Begriffe Transferfunktion Mittelwertfilter vs. idealer Tiefpass Ringing-Artefakt Binomialfilter vs. Butterworth-Filter Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 3 Grenzen linearer Filter Sogenanntes Impuls-rauschen (Salt&Pepper Noise) kann nicht entfernt werden. Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 4
3 . Rangordnungsfilter Vorgehen: Sortierung der Elemente in einer Filtermaske Auswahl des an einer bestimmten Stelle einsortierten Werts Eintragung des ausgewählten Werts in die zentrale Position Eigenschaften: Filter ist nichtlinear nicht kommutativ nicht assoziativ Gebräuchlichster Rangordnungsfilter ist der Medianfilter erster Rang (Minimum) mittlerer Rang (Median) letzter Rang (Maimum) Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Annahmen: Medianfilter Medianfilter ist quadratisch mit ungerader Seitenlänge. Kantensignal ist größer als das Rauschsignal Kante im Filterbereich verläuft in diesem Bereich (nahezu) gerade. Grauwert ist (nahezu) konstant in einer Umgebung von der Größe des Filters. Kante verläuft durch Filterbereich: Der Mittelpunkt des Filters liegt auf der gleichen Seite der Kante wie die Mehrzahl der Piel (z.b. rechts von der Kante). Piel von dieser Seite (z.b. rechts) wird selektiert (kantenerhaltend). Keine Kante im Filterbereich: Median nähert sich dem Erwartungswert mit Anzahl der Stichproben (rauschunterdrückend). Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 6
4 Mittelwert- und Medianfilter bei Salt&Pepper-Rauschen 33-Mittelwertfilter gestörtes Bild Median in einer 33 Umgebung Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 7 Vergleich von Mittelwertund Medianfilter Mittelwertfilter 33 Medianfilter Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 8
5 Vergleich von Mittelwert- und Medianfilter Mittelwert 77 Median 77 Artefakt Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 9 Vergleich von Mittelwert- und Medianfilter Medianfilter Einfluss durch Filterform möglich keine neuen Grauwerte mittlerer Grauwert ändert sich erhält Kanten feine Strukturen gehen verloren hohe Rechenzeit Bildverschiebung bei großen Filter z.t. große homogene Bereiche Mittelwertfilter Einfluss durch Filterform möglich neue Grauwerte mittlerer Grauwert bleibt erhalten verwäscht Kanten feine Strukturen werden gedämpft kurze Rechenzeit Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung
6 . Adaptives Filter Funktionen zur Bildung der Steuergröße ortsvariantes zeitvariantes... Filter Beispiel: Lee-Filter Nutzung der Streuung der Grauwerte als Steuergröße F()β+(-β) m βma((σ ²-σ n ²)/σ ²) Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Filterung mit rotierenden Masken 8 mögliche rotierende Masken: Alternative Masken: Algorithmus:. Für jeden Piel Berechnung der Streuung für alle Masken. Auswahl der Maske mit der geringsten Streuung 3. Ersetzen des Pielwertes im Bild mit dem mittleren Grauwert welcher für die ausgewählte Maske berechnet wurde Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung
7 .3 Flächenbasierte Bildverbesserung durch Hochpass-Filterung Kanten sind wichtige Merkmale für die Objekterkennung: - Kanten grenzen Segmente ein - Bei Kantenpieln ändert sich die Grauwertintensität abrupt - Kantenverstärkung kann auch Bildwahrnehmung verbessern Aufgaben der Bildverarbeitung: - Detektion von Kantenpunktkandidaten - Finden von offenen oder geschlossenen Kantenzügen Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 3.3. Was sind Kanten? Diskontinuitäten zwischen Regionen. Problem: Die Region selbst und damit ihr Homogenitätskriterium muss bekannt sein um Diskontinuität definieren zu können. Homogenität einer Funktion: Grauwerte Tetur Form Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 4
8 Kantenmodelle Ideale Kanten Reale Kanten Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung.3. Kantenhervorhebung durch Frequenzraumfilterung Kanten weisen mehr hochfrequente Anteile auf wie homogene Gebiete Hochpassfilterung H F ma ( u v) falls u sonst. + v F ma Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 6
9 Butterworth-Hochpassfilter H F ma + Fma ( u v) ( u + v ) k u v sonst Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Kanten im Ortsraum f() Bildzeile Bildfunktion f() Eine Kante verläuft an der Position der steilsten Steigung. Die Steigung gibt Auskunft über die Stärke der Kante. f () erste Ableitung f () oder f()/ Minimum oder Maimum in der ersten Ableitung. f () zweite Ableitung f () oder f()/ Nulldurchgang in der zweiten Ableitung. Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 8
10 Kanten im Ortsraum Kanten und Rauschen haben ähnliche Charakteristika im Frequenzraum Kantendetektor wird Rauschen verstärken Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 9 Kanten im -D Raum Differenzbildung in n-richtung PseudoD Eindruck: Differenzbildung in m-richtung Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung
11 Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Gradientenschätzung über Konvolution Gradient im N-dimensionalen Raum ist ein N-dimensionaler Vektor aus N partiellen Ableitungen. Jede partielle Ableitung kann durch eine Differenz abgeschätzt werden die durch Konvolution berechnet werden kann. Beispiele: ( ) ( ) ( ) ( ) [ ]( ) ( ) [ ]( ) [ ] [ ]. * * R R g g g g g g n m g f n m G n m g f n m G n m G n m G n G m r (smmetrischer Konvolutionskern) (Robert s Gradient) Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Rauschen und Kanten Hintergrundartefakte (Rauschen) wird verstärkt.
12 Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 3 Sobel Operator und - Faltungskern kombiniert Glättung und Differenzierung in einem Operator. Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 4
13 Ableitungen der Gaußfunktion partielle Ableitung in partielle Ableitung in Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Vergleich der Differenzfilter im Frequenzbereich Einfache Differenz Sobelfilter Approimation der ersten Ableitung der Gaußfunktion Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 6
14 Sobel vs. Gauß 33 Sobel 33 Gauß Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 7.4 Optimale Kantenfilterung Annahme: Bild ist homogen mit Ausnahme von Funktionswertänderungen an idealen Kanten. Repräsentation im Frequenzraum homogener Bereich mit Grauwert g: F() g und F(uv) für uv Kante: F() und F(uv) für uv Rauschen: F(uv) Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 8
15 Kanten und Rauschen Doppelkante: beide Kantenorte müssen unterscheidbar sein. FT(edge) FT(noise) Filter suchen mit: F() F(uv) w falls (u +v )<r sonst r Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 9 Filter Gaußfilter mit unterschiedlicher Varianz (im Ortsraum). Repräsentation im Frequenzraum Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 3
16 F(u) σ. Filter unterdrückt Rauschen ungenügend u Filter F(u) Filter Kante Rauschen u σ. Filter ist nahezu optimal. Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 3 F(u) σ4. Filter ist nahezu optimal. u Filter F(u) Filter Kante Rauschen u σ8. Filter unterdrückt Kante. Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 3
17 Zweidimensionales optimales Filter Rauschunterdrückung und Kantenhervorhebung gemäß Frequenzraumcharakteristik. Cann Edge Enhancement: - Fehlerrate - Ein Kantendetektor sollte nur auf Kanten antworten und trotzdem alle Kanten finden. - Lokalisation Der Abstand zwischen dem durch den Kantendetektor gefundenen Kantenpiel und der tatsächlichen Kante sollte so klein wie möglich sein. - eine Antwort Der Kantendetektor sollte nicht mehrere Kantenpiel identifizieren wenn nur eine Kante eistiert. Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 33 Algorithmus: Cann Operator. Faltung des Bildes mit einem Gauß-Filter der Standardabweichung σ. Schätzung der lokalen Kantennormalenrichtung n für jeden Piel im Bild ( G g) n ( G g) 3. Finden der Lage der Kanten (non-maimal suppression) 4. Berechnung des Betrags der Kante. Hsteresis-Schwellwert zur Unterdrückung von Falschanzeigen ( G g) n 6. Wiederholung von - für ansteigende σ und Summation der Ergebnisse durch Nutzung des Feature snthesis Ansatzes Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 34
18 Cann Operator CT vom Abdomen Gradientenbetrag Non-maimal suppression Hsteresis-Schwellwert Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 3 H. Kompaßfilter Kompaßgradient - H H H H H H H Betragsmaimum Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 36
19 Kirschoperator H H H H 3 H 4 H H 6 H 7 Betragsmaimum Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 37.6 Bildverbesserung durch Kantenoperatoren Unschärfe Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 38
20 Bildverbesserung durch Kantenoperatoren Subtraktion des Gradientenbetrags Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 39.7 Regionengrenzen Betrag des Gradienten (Sobel) Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 4
21 Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 4 Bildzeile f() f () f () Vorzeichenwechsel ist leichter zu erkennen als ein Minimum oder Maimum. Gradient (Länge) als Kennzeichen für die Wichtigkeit einer Kante zweite Ableitung für den Ort der Kante (Nulldurchgang) Operatoren zur Berechnung der zweiten Ableitung: - Laplace Filter - Marr-Hildreth Filter (LoG Filter Meican Hat) - DoG (Difference of Gaussians) Wo ist die Regionengrenze? Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 4.8 Laplace Funktion Summe der partiellen zweiten Ableitungen: Nulldurchgänge der Laplacefunktion produzieren zusammenhängende Kurven entlang von Bildkanten. Approimation durch Kombination einer doppelten Differenzbildung in - und -Richtung z.b. Faltung eines Differenzoperators [- ] mit sich selbst: [- -] ergibt für [- ]*[- ] + [- ] T *[- ] T : Summe aller partiellen Ableitungen: ( ) ( ) ( ) f f f ( ) ( ) ( ) ( ) ( ) : f f f f f
22 Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 43 Nulldurchgänge Laplace8 Laplace-Operator oder Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 44 4 H 8 H H Powerspektrum des Laplace-Operators
23 .9 Marr-Hildreth-Filter LoG-Filter LoG-Filter: Laplacian-of-Gaussian d.h. der Faltung mit dem Laplacefilter geht eine Glättung mit einer Gaußfunktion voraus. LoG Operator LoG + + ( ) ep 4 πσ σ σ Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 4 Laplace 4 Laplace 8 Marr-Hildreth-Operator Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 46
24 . DoG (Difference of Gaussians) Subtraktion zweier Gaußfilter mit unterschiedlicher Varianz σ : DoG(σ σ ) [ π σ ] - ep(-( + )/σ ) - [ π σ ] - ep(-( + )/σ ) σ. σ. DoG DoG und LoG-Filter sind in ihrer Wirkungsweise vergleichbar. Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 47. Hesse-Matri Die Matri aller zweiten Ableitungen heißt Hesse-Matri: f H f f Die Determinante der ist ein (rauschanfälliger) Eckensensor f ( ). f Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 48
25 Zusammenfassung Durch nichtlineare Operatoren können Kanten und Rauschen getrennt behandelt werden. Rauschen und Kanten haben im Frequenzbereich ähnliche Attribute. Kantenhervorhebung kann im Orts- und im Frequenzraum erfolgen Kompassfilter Zweite (partielle Ableitung): Laplace-Filter LoG-Filter DoG- Filter Hesse-Matri Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung 49
Graphische 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
Mehr2D Graphik: Bildverbesserung 2
LMU München Medieninformatik Butz/Hilliges D Graphics WS5 9..5 Folie D Graphik: Bildverbesserung Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 9. Dezember 5 LMU München Medieninformatik Butz/Hilliges
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Segmentierung Graphische DV und BV, Regina Pohle, 13. Segmentierung 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Fourier-Transformation Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 1 Einordnung in die Inhalte der Vorlesung Einführung
MehrComputergrafik 2: Kanten, Linien, Ecken
Computergrafik 2: Kanten, Linien, Ecken Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
MehrProseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev
Proseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev 1 Inhaltsverzeichnis: 1.Pixelbasierte Bildverbesserung...3 1.1.Monotone Grauwertabbildung...3 1.1.1.Maximierung des
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
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
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
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,
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 WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
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
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrBildverarbeitung: 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
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
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Merkmale und Klassifikation Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation 1 Einordnung in die Inhalte der
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Beleuchtungsberechnung Graphische DV und BV, Regina Pohle, 21. Beleuchtungsberechnung 1 Einordnung in die Inhalte der Vorlesung
Mehr1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
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
MehrComputergraphik 1 2. Teil: Bildverarbeitung
1 Computergraphik 1 2. Teil: Bildverarbeitung Bildverbesserung 2 Themen jetzt gleich Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert 3 Was ist Rauschen? Rauschen n(m,n) ist
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
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
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
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
MehrGrundlagen der Bildverarbeitung
Grundlagen der Bildverarbeitung Inhaltsverzeichnis Vorwort 9 Kapitel 1 Einführung 13 1.1 Anwendungen der digitalen Bildverarbeitung 16 1.2 Algorithmische Verarbeitung von Bildinformation 17 1.3 Zu diesem
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
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
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
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:
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Graphische Grundalgorithmen Graphische DV und BV, Regina Pohle, 4. Algorithmen für graphische Primitive 1 Einordnung in die Inhalte
MehrBildverarbeitung. Fachschaftsrat Informatik. Professor Fuchs. Fragen TECHNISCHE UNIVERSITÄT DRESDEN. Unterteilung der Filter in Klassen
Professor Fuchs Unterteilung der Filter in Klassen Wie erstellt man bei der Segmentierung objektumschreibende Formen? Eigenschaften der Zellkomplextopologie Was ist ein Histogramm? Wozu ist es gut? Unterschied
MehrÜbung zur Vorlesung 2D Grafik Wintersemester 05/06. Otmar Hilliges
Übung zur Vorlesung 2D Grafik Wintersemester 05/06 Übungsblatt 5 Musterlösung auf der Übungsseite. https://wiki.medien.ifi.lmu.de/pub/main/uebung2dgrafikws 0506/FFT_LSG.jar Page 2 transform() for (y =
MehrProseminar: Grundlagen Bildverarbeitung / Bildverstehen. Bildverbesserung. Sylwia Kawalerowicz
Proseminar: Grundlagen Bildverarbeitung / Bildverstehen Bildverbesserung Sylwia Kawalerowicz Betreuer: Michael Roth Abgabetermin: 8 April 2006 Inhaltverzeichnis Kapitel...3.. Die wichtigen Fragen der Bildverbesserung....3.2
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
Mehr1. Bildverbesserung / Bildvorverarbeitung
1. Bildverbesserung / Bildvorverarbeitung Bildverbesserung ist problemorientiert für menschliche/maschinelle Interpretation Dominanz zwischen Farbe, Textur, Kontext Ziel der ikonischen Bildauswertung:
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
MehrComputergraphik 1 2. Teil: Bildverarbeitung. Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation
Computergraphik 1 2. Teil: Bildverarbeitung Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation LMU München Medieninformatik Butz/Hoppe Computergrafik 1 SS2009 1 2 Repräsentation
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
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
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
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
MehrBilder: Eigenschaften
Bilder: Eigenschaften Images M. Thaler TG208 tham@zhaw.ch Juni 17 1 1 Um was geht es? Juni 17 2 Was ist ein Bild? - hier sehen sie verschiedene Ausschnitte eines digitalen Bildes -das Bild besteht aus
MehrGrundlagen der Bildverarbeitung Klaus D. Tönnies
Grundlagen der Bildverarbeitung Klaus D. Tönnies ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Grundlagen der Bildverarbeitung
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
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
MehrDiskrete Signalverarbeitung und diskrete Systeme
Diskrete Signalverarbeitung und diskrete Systeme Computer- basierte Verarbeitung von Signalen und Realisierung von Systemverhalten erfordern diskrete Signale und diskrete Systembeschreibungen. Wegen der
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"
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
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
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
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
Mehr5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Clippen in 2D und 3D Graphische DV und BV, Regina Pohle, 19. Clippen in 2D und 3D 1 Einordnung in die Inhalte der Vorlesung Einführung
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
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
MehrEin auf Eigenwertanalyse basierendes Verfahren zur einfachen und robusten Linienerkennung. -erweiterte Web-Präsentation
Ein auf Eigenwertanalyse basierendes Verfahren zur einfachen und robusten Linienerkennung. -erweiterte Web-Präsentation Jan Rudert Vortrag vom. 05. 2004 Seminar Mustererkennung in Bildern und 3D-Daten
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.
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
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrFilterung von Bildern (2D-Filter)
Prof. Dr. Wolfgang Konen, Thomas Zielke Filterung von Bildern (2D-Filter) SS06 6. Konen, Zielke Aktivierung Was, denken Sie, ist ein Filter in der BV? Welche Filter kennen Sie? neuer Pixelwert bilden aus
MehrBildverarbeitung: Diffusion Filters. D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10
Bildverarbeitung: Diffusion Filters D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10 Diffusion Idee Motiviert durch physikalische Prozesse Ausgleich der Konzentration eines Stoffes. Konzentration
MehrEinführung in die medizinische Bildverarbeitung
Einführung in die medizinische Bildverarbeitung... im Schnelldurchlauf... 22.02.2006 MHH, Institut für Medizinische Informatik 1 Kleines Beispiel zur Motivation: Freihandgeführter 3D-Ultraschall (Schulter)
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
MehrKantenextraktion. Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften. Klassische Verfahren
CURANDO Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften UNIVERSITÄT ULM SCIENDO DOCENDO Kantenextraktion Klassische Verfahren Seminar Bildsegmentierung und Computer Vision WS 2005/2006
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
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
MehrTheoriefragen LU GDBV
Theoriefragen LU GDBV 1 TEIL I 1.1 Falten Sie im Folgenden das linke Bild mit dem Mittelwertfilter berechnen Sie dabei die Ergebnispixel im stark umrandeten Teil des Ergebnisbildes. Mit welchem Faktor
MehrAbb. 5.10: Funktion und Tangentialebene im Punkt ( ) ( ) ( ) 3.) Die Zahlenwerte und in Gleichung (Def. 5.11) berechnen sich durch ( ) ( )
Abb. 5.0: Funktion und Tangentialebene im Punkt Aus der totalen Differenzierbarkeit folgt sowohl die partielle Differenzierbarkeit als auch die Stetigkeit von : Satz 5.2: Folgerungen der totalen Differenzierbarkeit
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
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
MehrBildverarbeitung 4 - Filterung
Bildverarbeitun 4 - Filterun Frühjahrssemester 5 ETH Zürich Jan Dirk Wener und Michal Havlena ETH Zürich, Institut für Geodäsie und Photorammetrie (mit Material von Uwe Sörel, Friedrich Fraundorfer, Stefan
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
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
MehrBildverarbeitung und Mustererkennung
Bildverarbeitung und Mustererkennung Prüfung im Modul ET5100 (Masterstudiengang) Professor Dr.-Ing. Martin Werner Februar 2016 Hinweise zur Bearbeitung der Klausur Die Klausur besteht aus zwei Teilen.
MehrMathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung
Mathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Fouriertransformation Organisatorisches Neue Abgabefrist für Blatt
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
MehrGraphische Datenverarbeitung und Bildverarbeitung WS 2005 / 2006 Hochschule Niederrhein
Graphische Datenverarbeitung und Bildverarbeitung WS 2005 / 2006 Hochschule Niederrhein Regina Pohle Graphische DV und BV, Regina Pohle, 1. Einführung 1 Organisatorisches Dozent: Regina Pohle Büro: H321
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
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
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
MehrMathematische Methoden in der Systembiologie Universität Heidelberg, Sommer 2017
Mathematische Methoden in der Systembiologie Universität Heidelberg, Sommer 2017 Dozent: Dr. M. V. Barbarossa (barbarossa@uni-heidelberg.de) Vorlesung+ Übung: Mo/Mi/Fr. 8:15-9:45Uhr, SR 1, INF 205 Termin
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
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
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
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,
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Filtern im Frequenzraum Segmentierung Organisatorisches Klausuranmeldung
MehrInhaltsverzeichnis. Daniel von Grünigen. Digitale Signalverarbeitung. mit einer Einführung in die kontinuierlichen Signale und Systeme
Inhaltsverzeichnis Daniel von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme ISBN (Buch): 978-3-446-44079-1 ISBN (E-Book): 978-3-446-43991-7 Weitere
MehrAbb. 5-5 Gegenüberstellung von Flat-Shading und Gouraud-Shading. Beleuchtungsberechnung mit nur einer Flächennormale pro Polygon
Direkte Schattierungsverfahren (Gouraud) 5.1.5 Kontinuierliche Schattierung von Polygonen (Gouraud-Shading) bisher: Zerlegung gekrümmter Flächen (Zylinder, Kugeln, B-Spline-Flächen etc.) in Polygone (meist
MehrEinführung in das 6. Aufgabenblatt: Bildverarbeitung und Klassifkation
Einführung in das 6. Aufgabenblatt: Bildverarbeitung und Klassifkation Philippe Dreuw dreuw@i6.informatik.rwth-aachen.de Praktikum im Grundstudium SS 2007 28. Juni 2007 Human Language Technology and Pattern
Mehr