Graphische Datenverarbeitung und Bildverarbeitung
|
|
- Leonard Lenz
- vor 6 Jahren
- Abrufe
Transkript
1 Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Segmentierung Graphische DV und BV, Regina Pohle, 13. Segmentierung 1 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 (Koordinatensysteme, Transformation) Durchführung der Bildverarbeitung und -analyse Fourier-Transformation Bildrekonstruktion und Bildrestauration Bildverbesserung (Grauwertmodifikation, Filterverfahren) Segmentierung Morphologische Operationen Merkmalsermittlung und Klassifikation Erzeugung von Bildern in der Computergraphik Geometrierepräsentationen Clipping in 2D und 3D Hidden Surface Removal Beleuchtungsberechnung Shading Schattenberechnung Volumenrendering als Beispiel für die Nutzung beider Gebiete Graphische DV und BV, Regina Pohle, 13. Segmentierung 2
2 Wiederholung wichtiger Begriffe Rangordnungsfilter Adaptive Filter Kantenfilter für erste und zweite Ableitung Graphische DV und BV, Regina Pohle, 13. Segmentierung 3 Einordnung der Segmentierung in den Ablauf des Bildanalyseprozesses Bildvorverarbeitung Bildrekonstruktion Patient Segmentierung Bildaufnahme Klassifikation Diagnose / Objektklasse Graphische DV und BV, Regina Pohle, 13. Segmentierung 4
3 13. Segmentierung Zerlegung eines Bildes in semantische Einheiten (d.h. in Strukturen, denen eine Bedeutung zugeordnet werden kann). Segmente und nicht die Pixel sind die Träger der Bedeutung von Strukturen in einem Bild. Graphische DV und BV, Regina Pohle, 13. Segmentierung 5 Segmentierung Übergang von der rein numerischen Darstellung des Bildes in einer Grauwertmatrix zu einer symbolischen Darstellung, nur einfache Objekte (Punkt, Fläche, Linie) werden extrahiert Datenreduktion: Grauwertbild Binärbild Kontur Grundlegende Ansätze: datenbasierte Segmentierung : Homogenitätsbedingung ist vom Bildinhalt unabhängig Modellbasierte Segmentierung: Zwitter zwischen Segmentierung und Analyse Graphische DV und BV, Regina Pohle, 13. Segmentierung 6
4 Segmentierung = Zerlegung des Bildes in Teilbereiche Zerlegung des gesamten Bildes Segmentierung von einzelnen Objekten Graphische DV und BV, Regina Pohle, 13. Segmentierung 7 Für die Segmentierung gilt: jedes Pixel gehört zu einer Region Segmentierung ist vollständig ein Pixel kann nicht zwei verschiedenen Regionen angehören Segmente sind überdeckungsfrei für jede Region gilt ein Homogenitätskriterium Regionen sind maximal jedes Segment bildet ein zusammenhängendes Gebiet Graphische DV und BV, Regina Pohle, 13. Segmentierung 8
5 13.1 Datenbasierte Segmentierungsmethoden Histogrammbasierte oder bildbasierte Segmentierung: Segmentzugehörigkeit wird anhand des Histogramms oder des Bildes entschieden histogrammbasiert bildbasiert regionenorientiert kantenorientiert Regionen- oder Kantenorientierung: Segmente werden durch ihre Grenzen oder ihr Inneres definiert Graphische DV und BV, Regina Pohle, 13. Segmentierung Histogrammbasierte Segmentierung Annahme: Bild besteht aus zwei Anteilen (Vordergrundobjekte und Hintergrund), die sich durch ihren Grauwert unterscheiden. Aufgabe: Finde einen Schwellenwert (Threshold) zwischen den beiden Grauwerten. Schwellenwerte: g(i,j) = 1, falls f(i,j)>thr 0, sonst Graphische DV und BV, Regina Pohle, 13. Segmentierung 10
6 Histogrammbasierte Segmentierung Gestaltbasierte Techniken Wahl des Minimums zwischen zwei Maxima als Schwellwert Dreieck-Algorithmus (Zack) - Ermittlung der Linie zwischen dem Maximum im Histogramm und dem kleinsten oder größten im Bild vorkommenden Grauwert - Bestimmung des Abstandes zwischen der Linie und dem Histogramm h(g) für alle Grauwerte mit g min <g< max bzw. g> max >g max - Auswahl des Grauwertes als Schwellenwert für den sich größter Abstand ergab - Vorteil: Lücken im Histogramm sind nicht so störend Graphische DV und BV, Regina Pohle, 13. Segmentierung 11 Histogrammbasierte Segmentierung Gestaltbasierte Techniken Verbesserung der Möglichkeit einer Histogrammauswertung durch Laplace-Filterung Ausblenden der homogenen Gebiete, da sonst Objekte mit geringem Flächenanteil nicht im Histogramm wahrnehmbar sind (Analyse der Randgebiete) f(x) Bildzeile x f (x) x f (x) x Graphische DV und BV, Regina Pohle, 13. Segmentierung 12
7 Weitere Möglichkeiten zur einfachen Schwellenwertbestimmung Nutzung des mittleren Grauwertes, wenn sichergestellt ist, dass beide Anteile gleich häufig im Bild auftreten Berücksichtigung des prozentualen Anteils der Objekte (Ermittlung des Schwellenwertes aus dem Summenhistogramm) Graphische DV und BV, Regina Pohle, 13. Segmentierung 13 Inadäquates Thresholding Graphische DV und BV, Regina Pohle, 13. Segmentierung 14
8 13.3 Shading Helligkeitsvariationen zerstören die bimodale Verteilung der Häufigkeiten. Schwellenwert ist nicht mehr für das gesamte Bild definierbar. Graphische DV und BV, Regina Pohle, 13. Segmentierung 15 Berücksichtung von Shading Leerbild unter gleichen Bedingungen aufnehmen Ableitung der Shadingfunktion s(i,j), Korrektur der Helligkeitsveränderung: f (i,j)=f(i,j) s(i,j) Shading-Bild aus dem Bild selbst bestimmen Verwendung lokaler Schwellenwerte Graphische DV und BV, Regina Pohle, 13. Segmentierung 16
9 Bestimmung des Shadingbilds Falls die überwiegende Mehrzahl des Bildes aus Vorder- oder Hintergrundpixeln besteht, kann das Shadingbild durch einem Rangordnungsfilter erzeugt werden. Der Rangordnungsfilter muss mindestens so groß sein, dass immer mindestens ein Vorder- bzw. Hintergrundpixel enthalten ist Maximumsfilter Graphische DV und BV, Regina Pohle, 13. Segmentierung 17 Shading-Korrektur Berechne aus dem Hintergrundbild Shadingfunktion s(i,j) Korrektur: f (i,j)=f(i,j) s(i,j) Segmentierung auf dem korrigierten Bild: ohne Korrektur mit Korrektur Graphische DV und BV, Regina Pohle, 13. Segmentierung 18
10 Variierende Schwelle Schwellenwert 172 Histogramm Lokale Schwellenwerte aus Histogrammen in Teilregionen (Lineare) Interpolation von Schwellenwerten T(i,j) an allen anderen Punkten. Segmentierung durch f(i,j)>t(i,j). Graphische DV und BV, Regina Pohle, 13. Segmentierung Region Labeling Schwellenwert zerlegt das Bild in Vordergrund- und Hintergrundsegmente. Region Labeling bestimmt Ort und Anzahl aller zusammenhängenden Gebiete im Binärbild b: region.initialise() // Region der Größe M,N erzeugen und label=1 for (i,j) = 0, (M,N) do // mit Null initialisieren, Startlabel=1 // Doppelschleife über i und j if region.labels(i,j) = 0 then // dieser Ort ist noch nicht Teil einer Region label = label+1 // neues Label vergeben region.flood_fill(i,j,label) // zusammenhängendes Gebiet um (i,j) mit Label füllen Graphische DV und BV, Regina Pohle, 13. Segmentierung 20
11 13.5 Bildbasierte Segmentierung Segmentierung nach Homogenität im Inneren des Segments (regionenbasierte Segmentierung) oder Inhomogenität an dessen Rand (Kantenbasierte Segmentierung) Merkmale für Homogenität bzw. Inhomogenität bestimmen das Resultat Graphische DV und BV, Regina Pohle, 13. Segmentierung Regionen: Split & Merge-Algorithmus Startbedingung: Das gesamte Bild ist ein Segment. Ein Segment wird solange in 4 Untersegmente zerlegt, wie es ein gegebenes Homogenitätskriterium nicht erfüllt Benachbarte Segmente werden zusammenfasst, wenn sie auch nach der Zusammenfassung das Homogenitätskriterium erfüllen. Resultat ist eine vollständige, überdeckungsfreie Zerlegung des Bildes (Segmentierung gemäß Definition) Graphische DV und BV, Regina Pohle, 13. Segmentierung 22
12 Zerlegungsschritt Zerlegung terminiert spätestens auf Pixelebene. Problem: Datenstruktur zur Dokumentation der aktuellen Zerlegung Graphische DV und BV, Regina Pohle, 13. Segmentierung 23 Zerlegungsschritt (Quad-Tree Repräsentation) 1.Schritt 2.Schritt 3.Schritt Der Wert des Homogenitätsmerkmals einer Region wird im entsprechenden Blatt des Quadtrees abgelegt 4.Schritt Graphische DV und BV, Regina Pohle, 13. Segmentierung 24
13 Merging Die Entscheidung über eine Zusammenfassung von Segmenten erfolgt durch Traversierung des Zerlegungs-Quadtrees Traversierung Graphische DV und BV, Regina Pohle, 13. Segmentierung 25 Split & Merge Split Split Merge Merge Merge-Versuch erfolgt nach jeder Zerlegung zwischen allen benachbarten und homogenen Regionen. Graphische DV und BV, Regina Pohle, 13. Segmentierung 26
14 Split & Merge Resultat: Zerlegung des gesamten Bilds in Regionen. Homogenitätsmerkmale: gleicher Grauwert gleicher Grauwertbereich (Varianz) Probleme: Merge-Schritt ist bei relativen Homogenitätsmerkmal nicht immer eindeutig. Regionen werden nicht von vornherein nach Wichtigkeit unterschieden (echte Segmentierung) Graphische DV und BV, Regina Pohle, 13. Segmentierung 27 Zusammenfassung Schwellenwertsegmentierung Region Labelling Shadingkorrektur Bildbasierte, regionenorientierte Segmentierung: Split&Merge Graphische DV und BV, Regina Pohle, 13. Segmentierung 28
Graphische 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
MehrVorbereitungsaufgaben
Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät
MehrMorphologie auf Binärbildern
Morphologie auf Binärbildern WS07 5.1 Konen, Zielke WS07 5.2 Konen, Zielke Motivation Aufgabe: Objekte zählen Probleme: "Salt-&-Pepper"-Rauschen erzeugt falsche Objekte Verschmelzen richtiger Objekte durch
MehrBinärbildverarbeitung
Prof. Dr.-Ing. Thomas Zielke " Binärbildverarbeitung SS 2013 3.1 Anwendungen von Binärbildern" Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte mit dem Wert Null
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
MehrErinnerung. Arbeitsschritte der Computergraphik. Modellierung. Animation. Rendering. Ausgabemedium. Generierung
Erinnerung Arbeitsschritte der Computergraphik Modellierung Animation Generierung Ausgabemedium Graphik/-Pipeline Wandelt die Beschreibung einer Szene im dreidimensionalen Raum in eine zweidimensionale
Mehr:= Modellabbildung. Bildsynthese (Rendering) Bildsynthese
Geometrisches Modell bestehend aus Datenstrukturen zur Verknüpfung geometrischer Primitive, welche eine Gesamtszene beschreiben Bildsynthese := Modellabbildung Pixelbasiertes Modell zur Darstellung eines
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Hardware für Graphik und Bildverarbeitung Graphische DV und BV, Regina Pohle, 3. Hardware für Graphik und Bildverarbeitung 1 Einordnung
MehrMorphologische Bildoperationen
Morphologische Bildoperationen Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Gürcan Karakoc Betreuer: Suat Gedikli Abgabetermin: 10.04.2006 1 Inhaltsverzeichnis
Mehrbilinear interpoliert ideal interpoliert
Bildverarbeitung und Objekterkennung Privatdozent (PD) Dr.-Ing. habil. K.-H. Franke Technische Universität Ilmenau Fakultät für Informatik und Automatisierung Institut für Prakt. Inf. und Medieninf. Fachgebiet
Mehr"rendern" = ein abstraktes geometrisches Modell sichtbar machen
3. Grundlagen des Rendering "rendern" = ein abstraktes geometrisches Modell sichtbar machen Mehrere Schritte: Sichtbarkeitsberechnung Beleuchtungsrechnung Projektion Clipping (Abschneiden am Bildrand)
MehrImplementierung und Evaluierung von Video Feature Tracking auf moderner Grafik Hardware
Implementierung und Evaluierung von Video Feature Tracking auf moderner Diplomarbeit vorgelegt von Sebastian Heymann Betreut von Prof. Dr. Bernd Fröhlich Bauhaus Universität t Dr. Aljoscha Smolic Fraunhofer
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:
MehrBildcodierung und -speicherung
Bildcodierung und -speicherung Allgemeine Datenstruktur zur universellen Bildcodierung: Grundsätzlich als Zeiger: Größen, die zur Compilierungszeit nicht #define LENGTH 80 bekannt sein können typedef char
MehrHeute. Motivation. Diskretisierung. Medizinische Bildverarbeitung. Volumenrepräsentationen. Volumenrepräsentationen. Thomas Jung
t.jung@fhtw-berlin.de Heute Volumenrepräsentationen Thomas Jung Generierung von Volumenrepräsentationen Rendering von Volumenrepräsentationen Konvertierung in Oberflächenrepräsentationen Weitere Geometrische
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
MehrIndustrielle Bildverarbeitung
I Christian Demant Bernd Streicher-Abel Peter Waszkewitz 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Industrielle
MehrComputer Graphics Gerätetechnik, Programmierung und Anwendung graphischer Systeme
Computer Graphics Gerätetechnik, Programmierung und Anwendung graphischer Systeme Von Prof. Dr.-Ing. Jose Encarnacäo Prof. Dr.-Ing. Wolfgang Straßer, Technische Hochschule Darmstadt, Fachbereich Informatik
MehrBildverarbeitung Herbstsemester. Binärbildanalyse
Bildverarbeitung Herbstsemester Herbstsemester 2010 2012 Binärbildanalyse 1 Inhalt Einführung Partikelfilterung und -analyse Auffinden von Regionen und Konturen Gruppenarbeit Erkennung von geometrischen
MehrIndustrielle Bildverarbeitung
Christian Demant Bernd Streicher-Abel Peter Waszkewitz Industrielle Bildverarbeitung Wie optische Qualitätskontrolle wirklich funktioniert 2. Auflage Mit 239 Abbildungen und 29 Tabellen Springer Inhaltsverzeichnis
Mehr9th NEMO-SpectroNet Collaboration Forum
9th NEMO-SpectroNet Collaboration Forum Jena, 15.12.2010 Color and Multi Spectral Imaging An Overview Dr. Ing. Thomas Fahlbusch, PhotonicNet GmbH, Hannover Farbaufnahme 1-Chipkamera Bayer Farbmosaik Chips
MehrVolumen Visualisierung
Volumen Visualisierung Seminar Interaktive Visualisierung (WS 06/07) Fabian Spiegel und Christian Meß Fabian Spiegel und Christian Meß 1 Übersicht Anwendungsbeispiele Volumendaten Entstehung Repräsentation
MehrDavid Obermann Fragen zu Grundlagen Digitaler Medien SoSe 2012 (Teil II)
Fragen ab ca SU 7 Histogramme: Was kann man an einem Histogramm ablesen, was nicht? Welche Aussagen können Sie zu Belichtung, Kontrast, Dynamik sagen, wenn Ihnen ein Histogramm vorgelegt wird? Skizzieren
MehrTermin3 Klassifikation multispektraler Daten unüberwachte Verfahren
Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Thorsten Hermes Eine praktische Einführung ISBN 3-446-22969-8 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-22969-8 sowie im Buchhandel Kapitel
MehrMustererkennung mit Baumautomaten
Mustererkennung mit Baumautomaten Eine Ausarbeitung von Gisse Alvarado für das Seminar Mustererkennung mit syntaktischen und graphbasierten Methoden bei Prof. Dr. W. Kurth/ Th. Mangoldt Cottbus 2006 Inhalt
MehrEntwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words
Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields
MehrWorkshop: Einführung in die 3D-Computergrafik. Julia Tolksdorf Thies Pfeiffer Christian Fröhlich Nikita Mattar
Workshop: Einführung in die 3D-Computergrafik Julia Tolksdorf Thies Pfeiffer Christian Fröhlich Nikita Mattar 1 Organisatorisches Tagesablauf: Vormittags: Theoretische Grundlagen Nachmittags: Bearbeitung
MehrAlgorithmen und Datenstrukturen Bereichsbäume
Algorithmen und Datenstrukturen Bereichsbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung k-d Baum BSP Baum R Baum Motivation
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrRegionen in Binärbildern
Regionen in Binärbildern Industrielle Bildverarbeitung, Vorlesung No. 9 1 M. O. Franz 05.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Auffinden
MehrIndustrielle Bildverarbeitung
Industrielle Bildverarbeitung Übungen 1. Aufgabe Ein Objektiv mit der Brennweite 12.5mm kann auf Entfernungen zwischen 0.5 m und eingestellt werden. Wie gross ist dann jeweils die Bildweite? Dieses Objektiv
MehrComputer Graphik (CS231) - Installation der Software
UNIVERSITÄT BASEL Prof. Dr. Thomas Vetter Departement Mathematik und Informatik Spiegelgasse 1 CH 4051 Basel Tobias Maier (tobias.maier@unibas.ch) Jasenko Zivanov (jasenko.zivanov@unibas.ch) Marc Schmidlin
MehrLernen von Entscheidungsbäumen. Volker Tresp Summer 2014
Lernen von Entscheidungsbäumen Volker Tresp Summer 2014 1 Anforderungen an Methoden zum Datamining Schnelle Verarbeitung großer Datenmengen Leichter Umgang mit hochdimensionalen Daten Das Lernergebnis
MehrDigitale Bildverarbeitung Einheit 5 Bilder und Statistik
Digitale Bildverarbeitung Einheit 5 Bilder und Statistik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, welche
Mehra a b b a a b b c c c c d d b b c c c c d d b b c c e e e e b b c c e e e e b b c c c c c c c c c c c c c c c c
1. Zusammenhangsanalyse Wenden Sie auf das folgende Labelbild eine Zusammenhangsanalyse an! Verwenden Sie kleine Buchstaben als Marken (a,b,c,... )! 1 1 0 0 0 0 2 2 1 1 0 0 0 0 2 2 2 2 2 2 1 1 2 2 2 2
Mehr13. Binäre Suchbäume
1. Binäre Suchbäume Binäre Suchbäume realiesieren Wörterbücher. Sie unterstützen die Operationen 1. Einfügen (Insert) 2. Entfernen (Delete). Suchen (Search) 4. Maximum/Minimum-Suche 5. Vorgänger (Predecessor),
MehrProgrammierung I Einführung in Python, Beyond the Basics
Höhere Datenstrukturen Programmierung I Einführung in Python, Beyond the Basics G. Zachmann Clausthal University, Germany zach@in.tu-clausthal.de Eines der Features, das Python so mächtig macht (VHLL)
MehrGIS und raumbezogene Datenbanken
GIS und raumbezogene Datenbanken Eine raumbezogene Datenbank (spatial database) dient der effizienten Speicherung, Verwaltung und Anfrage von raumbezogenen Daten. datenbankorientiert Ein geographisches
Mehrmy f lyer.de Datenblätter für Register DIN A5 mit 5 / 6 / 7 / 8 / 9 / 10 / 11 / 12 Blättern Wählen Sie bitte die passende Blattzahl aus.
Datenblätter für DIN A mit / / / / 9 / 0 / / Blättern Wählen Sie bitte die passende Blattzahl aus. Din A, Blatt 0 ( ) ( ) (z. B. DIN A, 0 x 9 mm) Sicherheitsabstand von mm zum Rand für Objekte und Sicherheitsabstand
MehrNon-Photorealistic Rendering
Übersicht 1. Motivation und Anwendungen 2. Techniken - Cel Shading - Konturlinien - Hatching Einführung Traditionelle Computergraphik Ziel: Fotorealismus Einführung Motivation Bewusste Vermeidung von
MehrLineare Programmierung. Beispiel: Wahlkampf. Beispiel: Wahlkampf. Mathematische Schreibweise. Lineares Programm. Datenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Einführung Standard- und Schlupfformen Simplex Algorithmus Matthias Zwicker Universität Bern Frühling 2009 2 Beispiel: Wahlkampf Ziel: mit möglichst wenig Werbung eine gewisse
MehrDigitale Bildverarbeitung OPTONET Mastertour bei Allied Vision Technologies
Digitale Bildverarbeitung OPTONET Mastertour bei Allied Vision Technologies Technische Universität Ilmenau Fachgebiet Qualitätssicherung Dr.-Ing. Maik Rosenberger 1 Inhalt 1 Grundbegriffe der Bildverarbeitung
MehrBildauswertung in UAV
Bildauswertung in UAV Prof. Dr. Nailja Luth Prof. N. Luth Emden 2014-1 OTH Ost-Bayerische Technische Hochschule Amberg-Weiden Prof. N. Luth Emden 2014-2 Prof. Dr.-Ing. N. Luth: Vorlesung Bildverarbeitung
MehrVolumenrendering. Modellierung der visuellen Erscheinung von semitransparenten, beleuchteten Objekten. Marcel Petrick
Volumenrendering Modellierung der visuellen Erscheinung von semitransparenten, beleuchteten Objekten Marcel Petrick Einleitung Anwendung zur Visualisierung von Skalarfunktionen dreidimensionaler Variablen
MehrGrundlagen eines Pulsoxymeters. Überprüfung der spektroskopischen Unterscheidbarkeit von oxygeniertem und desoxygeniertem Blut
Grundlagen eines Pulsoxymeters Überprüfung der spektroskopischen Unterscheidbarkeit von oxygeniertem und desoxygeniertem Blut Ein Vortrag von Cathrina Sowa im Rahmen des SOWAS Praktikums Gliederung Was
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
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrStochastische Modelle
Klausur (Teilprüfung) zur Vorlesung Stochastische Modelle (WS04/05 Februar 2005, Dauer 90 Minuten) 1. Es sollen für eine Zufallsgröße X mit der Dichte Zufallszahlen generiert werden. (a) Zeigen Sie, dass
MehrZusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann
Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:
Mehr4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum
4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.
MehrImplementierung eines Single Pass Connected Component Labeling Algorithmus zur Detektion von leuchtenden Objekten in Nachtszenen im Automotive Umfeld
Implementierung eines Single Pass Connected Component Labeling Algorithmus zur Detektion von leuchtenden Objekten in Nachtszenen im Automotive Umfeld Dipl.-Inform. (FH) Steffen Jaeckel, Prof. Dr.-Ing.
MehrNÜTZLICHE TIPPS FÜR OPTIMALE SCANS
Bedingungen, um gute Scans zu erhalten Die Faktoren, von denen das Ergebnis eines Scans abhängt, sind einerseits die Umgebung sowie die Konfiguration und Kalibrierung des Scanners, aber auch das zu scannende
MehrKapitel 13 Binärisierung und Verarbeitung von Binärbildern p.2/40
Kapitel 13 Binärisierung und Verarbeitung von Binärbildern Automatische Schwellwertbestimmung Verarbeitung von Dokumentbildern (Skew- und Slant-Korrektur) Mathematische Morphologie Distanz-Transformation
MehrBildverarbeitung und Mustererkennung
Bildverarbeitung und Mustererkennung Prüfung im Modul ET5030 für den Masterstudiengang Systems Design & Production Management Professor Dr.-Ing. Martin Werner Juli 2013 Hinweise zur Bearbeitung der Klausur
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrIndustrielle Bildverarbeitung mit OpenCV
Industrielle Bildverarbeitung mit OpenCV Zhang,Duoyi 6.7.2 Gliederung. Einführung für OpenCV 2. Die Struktur von OpenCV Überblick Funktionsumfang in Ausschnitten mit Beispielen 3. Industrielles Anwendungsbeispiel
MehrKapitel 9. Kombination von Vektor- und Rasterdaten. Rasterdaten. 3. Transformationen des Formats. 4. Kombinierte Auswertungen
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2011/12 Ludwig-Maximilians-Universität
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
MehrAlgorithmen und Datenstrukturen Balancierte Suchbäume
Algorithmen und Datenstrukturen Balancierte Suchbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung Einfügen und Löschen Einfügen
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
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
MehrKompakte Graphmodelle handgezeichneter Bilder
Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Authentizierung und Bilderkennung Inhaltsverzeichnis Seminar Mustererkennung WS 006/07 Autor: Stefan Lohs 1 Einleitung 1 Das graphische Modell.1
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume
Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen
MehrStudienarbeit zur Still Image Segmentation
Studienarbeit zur Still Image Segmentation Studienarbeit von Susanne Krabbe aus Greifswald vorgelegt am Lehrstuhl für Praktische Informatik IV Prof. Dr. Effelsberg Fakultät für Mathematik und Informatik
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Eine praktische Einführung von Thorsten Hermes 1. Auflage Hanser München 2004 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 22969 3 Zu Leseprobe schnell und portofrei
MehrBildverstehen. Vorlesung an der TU Chemnitz SS 2013
Bildverstehen Vorlesung an der TU Chemnitz SS 2013 Johannes Steinmüller 1/B309 Tel.: 531 35198 stj@informatik.tu-chemnitz.de Seite zur Vorlesung: http://www.tu-chemnitz.de/informatik/ki/edu/biver/ Buch
MehrSeminar Game Development Game Computer Graphics. Einleitung
Einleitung Gliederung OpenGL Realismus Material Beleuchtung Schatten Echtzeit Daten verringern Grafik Hardware Beispiel CryEngine 2 Kristian Keßler OpenGL Was ist OpenGL? Grafik API plattform- und programmiersprachenunabhängig
MehrComputer Graphik II Tesselierung impliziter Kurven und Flächen
Computer Graphik II impliziter Kurven und Flächen 1 impliziter Flächen Problem: Nullstellenmenge kann nicht explizit berechnet werden! Lösung: ApproximaCon der Fläche auf Zellen Beispiel 2D: f p ( )
MehrBENUTZEROBERFLÄCHE. Menüleiste. Steuerungsleiste. Einstellparameter, die sich je nach ausgewähltem Werkzeug oder. Werkzeuge. versteckte Werkzeuge
BENUTZEROBERFLÄCHE Menüleiste Steuerungsleiste Werkzeuge versteckte Werkzeuge Einstellparameter, die sich je nach ausgewähltem Werkzeug oder durch längeres Klicken auf die Dreiecke auf den Werkzeugen einzublenden
MehrAlgorithmen und Datenstrukturen Suchbaum
Algorithmen und Datenstrukturen Suchbaum Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Motivation Datenstruktur zur Repräsentation dynamischer Mengen
MehrBildverarbeitung in der Qualitätskontrolle. Sebastian Zambal LEADING INNOVATIONS
Bildverarbeitung in der Qualitätskontrolle Sebastian Zambal LEADING INNOVATIONS Überblick Profactor Grundlagen Bildverarbeitung HW, SW, Methoden Inspektion Gussteilen Inspektion CFK, GFK Projekte EMVA-Studie:
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrPraxisPortal ImageWeb
Kurzanleitung PraxisPortal ImageWeb Copyright Ausgabe Oktober 2012 PraxisPortal ImageWeb Kurzanleitung Rechtlicher Hinweis Die Autoren behalten sich das Recht vor, jederzeit Änderungen vorzunehmen, um
MehrComputergraphik I. Scan Conversion: Lines & Co. Einordnung in die Pipeline. G. Zachmann Clausthal University, Germany zach@tu-clausthal.
11/4/10 lausthal omputergraphik I Scan onversion of Lines. Zachmann lausthal University, ermany zach@tu-clausthal.de Einordnung in die Pipeline Rasterisierung der Objekte in Pixel Ecken-Werte interpolieren
MehrRekonstruktion 3D-Datensätze
Rekonstruktion 3D-Datensätze Messung von 2D Projektionsdaten von einer 3D Aktivitätsverteilung Bekannt sind: räumliche Anordnung der Detektoren/Projektionsflächen ->Ziel: Bestimmung der 3D-Aktivitätsverteilung
Mehr12. Modelle für 3D-Objekte und -Szenen
12. Modelle für 3D-Objekte und -Szenen Modell: Abbild der Realität, welches bestimmte Aspekte der Realität repräsentiert (und andere ausblendet) mathematische Modelle symbolische Modelle Datenmodelle Experimentalmodelle
MehrAlignment-Verfahren zum Vergleich biologischer Sequenzen
zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen
MehrBildtransformationen. Geometrische Transformationen Grauwert-Interpolation
Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
Mehr3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel
3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36
Mehr1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert
Inhalt Einführung 1. Arrays 1. Array unsortiert 2. Array sortiert 3. Heap 2. Listen 1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert 3. Bäume
MehrGeodatenbanksysteme in Theorie und Praxis
Thomas Brinkhoff Geodatenbanksysteme in Theorie und Praxis Einführung in objektrelationale Geodatenbanken unter besonderer Berücksichtigung von Orade Spatial 3., überarbeitete und erweiterte Auflage @
MehrSession 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh. www.its-owl.de
Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh www.its-owl.de Agenda Abschlusspräsentation itsowl-tt-kapela Einführung Zielsetzung Ergebnisse Resümee und Ausblick
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrBegriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining
Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data
Mehrdie Kunst, mit wenig Farbklexen bunte Bilder zu machen Halftoning, Dithering
Farbreduktion die Kunst, mit wenig Farbklexen bunte Bilder zu machen Halftoning, Dithering zwei Schritte: geeignete Farben (Repäsentanten) finden Farbreduktion alle Bildfarben den Repräsentanten zuordnen
MehrOpenGL. (Open Graphic Library)
OpenGL (Open Graphic Library) Agenda Was ist OpenGL eigentlich? Geschichte Vor- und Nachteile Arbeitsweise glscene OpenGL per Hand Debugging Trend Was ist OpenGL eigentlich? OpenGL ist eine Spezifikation
MehrMasterarbeit. zur Erlangung des Abschlusses Master of Engineering an der Hochschule Ulm Fakultät Elektrotechnik und Informationstechnik.
Masterarbeit zur Erlangung des Abschlusses Master of Engineering an der Hochschule Ulm Fakultät Elektrotechnik und Informationstechnik Thema Messung der Strömungsgeschwindigkeit von Wasser mittels Bildpaar-
MehrObjektsegmentierung von kompaktem Schüttgut für die technische Erkennung
Objektsegmentierung von kompaktem Schüttgut für die technische Erkennung Dissertation zur Erlangung des akademischen Grades Doktoringenieur (Dr.-Ing.) vorgelegt der Fakultät für Maschinenbau der Technischen
MehrEine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder
Programmieren in PASCAL Bäume 1 1. Baumstrukturen Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder 1. die leere Struktur oder 2. ein Knoten vom Typ Element
MehrSynchronisierung von Transaktionen ohne Sperren. Annahme: Es gibt eine Methode, zu erkennen, wann eine Transaktion die serielle Ordnung verletzt.
OPTIMISTIC CONCURRENCY CONTROL Synchronisierung von Transaktionen ohne Sperren. Annahme: Es gibt eine Methode, zu erkennen, wann eine Transaktion die serielle Ordnung verletzt. Abbruch einer Transaktion
MehrDigitale Bildverarbeitung Image/Picture processing
Digitale Bildverarbeitung Image/Picture processing Ausarbeitung zum Seminarvortrag am 25. Januar 2002 Ralf Bruder Inhaltsverzeichnis Einstieg in die Bildverarbeitung 3 Industrielle Bildverarbeitung 3 Interaktive
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrUniversität Augsburg. 20. April 2012. B. Möller (U. Augsburg) Computergraphik SS12 20. April 2012 1 / 6
Kapitel 1 Einführung B. Möller Universität Augsburg 20. April 2012 B. Möller (U. Augsburg) Computergraphik SS12 20. April 2012 1 / 6 Begriffsdefinition Computergrafik: realistische Darstellung realer oder
MehrJAMIP ein virtuelles Bildverarbeitungslabor für das Fernstudium der Medizinischen Informatik
JAMIP ein virtuelles Bildverarbeitungslabor für das Fernstudium der Medizinischen Informatik H. Schmidt, H. Handels, O. Burmeister, M. Busse, T. Hahn, O. Schmidt und S.J. Pöppl Institut für Medizinische
MehrProgrammieren ++ Begleitende Übungen zu Veranstaltungen + Umsetzen des Algorithmus in ein lauffähiges Programm
Studienanforderungen Studiengang Maschinenbau Programmieren Begleitende Übungen zu Veranstaltungen Umsetzen des Algorithmus in ein lauffähiges Programm Studiengang Bauingenieurwesen Programmieren Begleitende
MehrFertigungssimulationen mit Plant Simulation und SimTalk
Fertigungssimulationen mit Plant Simulation und SimTalk Anwendung und Programmierung mit Beispielen und Lösungen von Steffen Bangsow 1. Auflage Hanser München 2008 Verlag C.H. Beck im Internet: www.beck.de
MehrAnalyse der Kernstrukturen in zytopathologischen Mikroskopbildern
Analyse der Kernstrukturen in zytopathologischen Mikroskopbildern Thorsten Klein 1, Alexander Schega 1, Dietrich Meyer-Ebrecht 1 und Alfred Böcking 2 1 Lehrstuhl für Messtechnik und Bildverarbeitung, RWTH
Mehr