Aus der Vortragsreihe zum Seminar: Verarbeitung und Manipulation digitaler Bilder. Low level vision. von Romina Drees
|
|
- Liese Bach
- vor 6 Jahren
- Abrufe
Transkript
1 Aus der Vortragsreihe zum Seminar: Verarbeitung und Manipulation digitaler Bilder Low level vision von Romina Drees
2 Low level vision: Einleitung Seite 1 1. Einleitung Unter 'Low level vision' versteht man eine Reihe von Verfahren, die zur grundlegenden Bearbeitung von Bildern gehören z.b. Kanten- oder Regionenfindung. Einige davon sollen hier anhand von Beispielen genauer erläutert werden. Dabei geht es um die mögliche mathematische Beschreibung der Merkmale, so dass Funktionen entwickelt werden können, die aus den Pixeldaten dann die gewünschten Merkmale extrahieren. Zur Vorverarbeitung sind meistens verschiedene Filter zur Beseitigung von Rauschen notwendig, da sonst einzelne Fehler in der Bildinformation sich in den Berechnungen fortsetzen und das Ergebnis verfälschen. Auf Filter wird hier aber nicht genauer eingegangen. Das Ziel ist die Reduktion der Bildinformation auf bestimmte Merkmale, die dann später z.b. zur Erkennung von Objekten, Handlungen, Ereignissen etc. (? High level vision) benutzt werden können. 1.1Edge Detection Kantenfindung Eine Kante lässt sich auf der Pixelebene als Grauwertsprung definieren, liegt dann also zwischen bestimmten Pixeln. Gesucht werden Kantenoperationen die als Resultat auf einen Grauwertsprung eine lokale Filterantwort geben. 1.2 Image Segmentation Regionenfindung Um in einem Bild z.b. Objekte zu finden kann man zunächst einmal Regionen im Bild einteilen können. Die lassen sich kennzeichen durch Homogenitätskriterien wie konstante Strahlungsstärke bzw. Grauwert. Es sollen Verfahren vorgestellt werden, die abhängig von der Homogenität einer Region diese dann zerteilen oder mit einer weiteren zusammenfügen (split and merge). Einzelnen Pixeln soll danach das Attribut zur Region gehörig oder nicht zugeordnet werden können.
3 Low level vision: Einleitung, Kantenfindung Seite Textur Oberflächenstrukturen Weitergehend können Regionen auch durch ein gleiches Muster bzw. Textur erkannt werden. Dabei können dann nicht mehr einzelne Pixel betrachtet werden, da sie nicht für ein Muster charakteristisch sein können. So kann man z.b. die Grauwertdynamik (s. Regionenfindung) als Maß für eine Fläche benutzen, das ist allerdings nur ein sehr grobes Verfahren, welches hier nicht weiter vertieft werden soll. 2. Kantenfindung Das Ziel ist es, Filteroperationen zu nutzen, die die Grauwertänderung verstärken und Bereiche mit konstantem Grauwert unterdrücken. Die Gradlinigkeit einer Kante ist dabei unwesentlich. Kantenpunkte sind dadurch gekennzeichnet, dass die erste Ableitung der 2-dimensionalen Grauwertfunktion dort Minima oder Maxima aufweist oder in der zweiten Ableitung ein Nulldurchlauf an der Stelle vorliegt. Mathematisch lässt sich der Grauwertspung als auch Gradientenbetrag ausdrücken: g ( g,, x 1 in 2D: D [ D x D y] g x n) g i 1 Die konkrete Vorgehensweise bei der Kantenfindung würde dann folgendermaßen aussehen: 1. Bild filtern 2. Pixelweises quadrieren der Grauwerte 3. Pixelweises addieren 4. pixelweises Wurzel ziehen? das ist vom Rechenwand sehr aufwendig. Deshalb nutzt man eine Vereinfacherung, die auch ein hinreichend gutes Ergebnis liefert: D D x D y Wie diese Formeln auf Bilder angewendet werden können, zeigt die folgende Reihe: D n ( g 2 x i) D x D x D y D y
4 Low level vision: Kantenfindung Seite 3 Das Original Der Gradient D x D y D D x D x D y D y D D x D y 2.1Kantenfindung mit Masken Um zu sehen, wie zur Kantenfindung mit den einzelnen Grauwerten der Pixel gerechnet wird, kann man auch diverse Masken betrachten und anwenden. Diese geben immer einer Rechenvorschrift für die Grauwerte der Umgebungspixel vor, so dass dem mittleren Pixel daraus ein Wert zugewiesen werden kann. Am Beispiel der Entwicklung einer einfachen Sobel-Maske sind die verschiedenen Kriterien nchvollziehbar: 1. Die kleinste einer möglichen 2D-Maske ist die 3x3- Maske 2. Gesucht ist eine Maßzahl für das mittlere Pixel, welche die Änderung des Grauwertes in einer Richtung angibt, man nehme für das Beispiel die y-richtung, also f f y y a11 a12 a13 a 21 a 22 a 23 a 31 a 32 a 33
5 1 2 a a K a 2a Low level vision: Kantenfindung mit Masken Seite 4 3. Es soll keine Gewichtung der Pixel in der linken bzw. rechten Spalte geben, außerdem soll es auch keine Gewichtung der ersten und letzten Zeile geben a11 a12 a11 a 21 a 22 a 21 a 11 a 12 a Nun möchte man das Signal 'vor' dem mittleren Pixel von dem Signal 'hinter' dem Pixel abziehen, um die Differenz zu erhalten a11 a12 a11 a 21 a 22 a 21 a 11 a 12 a Bei einem idealen und nicht verrauschten Bildsignal erwartet man eine null Antwort, d.h. die Summe aller Gewichte ergibt null: a Auch bei der Differentiaion über die Spalten erwartet man als Ergebnis null. a 11 a 12 a Als einzige Gewichtung bleibt ein Parameter in der mittleren Spalte übrig. 1 K So erhält man schließlich für die Differenzierung in zwei Richtungen zwei Sobel- Masken mit dem Parameter K = 2: Diese Masken auf ein Bild angewendet weisen nun jedem Pixel eine Maßzahl zu, außerdem kennt man die Richtung der möglichen Kante. Eine andere Maske wendet den Laplace-Operator an und weist dann dem mittleren Pixel die Maßzahl zu: Um die Kante letzendlich zu extrahieren ist nach jeder Maskenanwendung eine Punkte Verfolgung notwendig, schließlich besteht eine Kante aus zusammen hängenden Pixeln, die auch als solche bestimmt werden müssen. So werden auch einzelne Pixel herausgefiltert, die nur durch Fehler die Maßzahl einer Kante bekommen haben. Verfahren zur Linienverfolgung werden im nächsten Abschnitt näher erläutert
6 Low level vision: Linienverfolgung Seite Kantenfindung durch Linienverfolgung Eine Methode, um zusammen hängende Punkte zu definieren, beschäftigt sich zunächst mit dem Finden von Startpunkten. Dazu wird meistens aus den Grauwerten und den Beträgen der Gradienten der einzelnen Pixel ein Merkmalsraum gebildet aus dem dann die Pixel über einem bestimmten Schwellwert ausgewählt werden. Von einem bestimmten Pixel aus können dann z.b. Suchstrahlen gebildet werden, von denen man längs die Grauwerte aufsummiert und dann den Suchstrahl mit dem maximalen bzw. minimalen Wert auswählt. Etwas genauer kann man diese Praxis mit einem Kreisbogen anwenden, wo innerhalb eines Suchbereiches alle Pixel auf dem Kreisbogen untersucht werden. Um den Suchbereich zu terminieren, berechnet man abhängig von den zuvor gefundenen Punkten eine Ausgleichsgerade, von der aus dann auf beiden Seiten ein Winkelfeld angelegt wird, im Bild begrenzt durch A und B. Problematisch wird dieses Verfahren bei unterbrochenen Linien. Da gibt es die Möglichkeit Lücken in der Kante zu überbrücken, indem man kreisförmige Suchstrahlen mit verschiedenen Radien anwendet. Diese werden hinsichtlich ihres Grauwertprofils untersucht, so das man den gesuchten Schnittpunkt vom Suchstrahl und gesuchter Linie durch Minima bzw. Maxima ermitteln kann.
7 Low level vision: Geraden finden mittels Hough-Transformation Seite Hough-Transformation Wenn man das Problem der Kantenfindung auf Geraden begrenzen will ist auch ein anderes Verfahren zur Lösung möglich. Gegeben sei folgendes Originalbild, auf das im ersten Schritt zunächst einmal der Gradient angewendet wurde: In diesem Beispiel werden also viele Kanten gefunden, die nicht zur Geraden gehören und damit uninteressant sind, sie stören das Ergebnis. Also versucht man zunächst einmal die Geraden allgemein zu beschreiben mit y= a 0 x? b 0. Dabei beschreibt a 0 die Steigung und b 0 den y-achsenabschnitt der Geraden. Stellt man diese Gleichung nun nach b 0 um und trägt in einem anderen Koordinatensystem b 0 gegen a 0 auf so hat man eine Hough Transformation durchgeführt. So ist jede Gerade durch einen Punkt im Hough Raum darstellbar, dem Schnittpunkt der Geraden, die durch Transformation der einzelnen zur Geraden dazugehörigen Punkte entstehen. Problematisch ist diese Version z.b. bei senkrechten Geraden, da eine 'unendliche' Steigung in diesem Beispiel schwer darstellbar ist. Das kann man umgehen indem man die Geradengleichung in Polarkoordinaten umschreibt und danach eine Hough-Transfomation durchführt, wobei dann der Winkel und der Abstand vom Mittelpunkt als Parameter dienen. Dieses angewendet auf jedes Pixel resultiert in einer Ansammlung von Punkten im 2D-Koordinatensystem, von denen jeder einzelne eine Gerade repäsentiert. Um nun die im Beispiel gesuchten Geraden heraus zu filtern, muss man den Punkt wählen auf den am häufigsten abgebildet wird. Diesen zu finden hilft das Accumulator-Array, welches die Anzahl der Abbildungen auf jeden einzelnen Punkt innerhalb eines hinreichend kleinen Feldes mitzählt. Dann müssen nur noch die über einem Schwellwert liegenden Felder ausgewählt werden, denn deren Koordinaten beschreiben die gesuchten Geraden, oder mit anderen Worten: Geraden entsprechen lokalen Maxima im Accumulator Raum.
8 Low level vision: Hough-Transfomation, Wasserscheidentransformation Seite 7 Das Ergebnis einer Hough-Transformation des Original Bildes und der danach folgenden Geradenauswahl sieht dann folgendermaßen aus: Mit ähnlichen Verfahren können so nicht nur Geraden sondern auch Kreise und andere Kurven aus dem Bild gefiltert werden. 2.4 Die Wasserscheidentransformation Ein weiteres Verfahren, welches nicht nur zur Kantenfindung sondern auch zur Regionenfindung nützlich ist, wird mit der Wasserscheidentransformation beschrieben. Dazu stelle man sich modellhaft folgendes vor: Als Grundfläche eines 3-dimensionalen Raumes legt man das zu verarbeitende Bild. An der z-achse trägt man dann zu jedem Pixel den Grauwert auf. So erhält man ein 3-dimensionales Grauwertgebirge, welches nun beregnet bzw. geflutet wird. Als Ergebniss erhält man verschiedene Staubecken und dazwischen Wasserscheiden als Trennlinie. Nun kann man sich überlegen, welche mathematische Bedeutung diese Modellobjekte haben: Der stärkste Abfall wird durch den Gradienten und der Mittelpunkt eines Staubeckens durch das Minimum bestimmt. Zu einem Staubecken gehört jeder Punkt von dem ein Tropfen dem dazu gehörigen Minimum zustrebt. Von einer Trennlinie aus strebt ein Tropfen zu beiden Seiten gleichzeitig verschiedenen Minima zu. So können alle Staubecken und Wasserscheiden berechnet werden. Da durch Rauschen meistens eine Übersegmentierung des Bildes entsteht, wendet man zusätzlich iterative Verfahren zur Verschmelzung benachbarter Regionen mit ähnlichem Grauwert an, solche werden im späteren abschnitt zur Regionenfindung näher beschrieben.
9 Low level vision: Wasserscheidentransformation, Regionenfindung Seite 8 So fallen Wasserscheiden mit niedrigem Gradienten weg und man erhält nach einer ausreichenden Iterationsstufe geschlossene Linienzüge und damit auch begrenzte Regionen. Nachteil dieses Verfahrens ist eine hohe Rauschanfälligkeit. Beispiel zur Anwendung: Original Grauwertgebirge 2. Iterationsstufe 5. Iterationsstufe 3. Regionenfindung Die ursprüngliche Fragestellung bevor Regionen in einem Bild gefunden werden sollten, war die Frage nach Objekten, die sich durch Regionen kennzeichnen lassen. Regionen lassen sich durch ein homogenes Merkmal z.b. den Grauwert beschreiben. Die einzelnen Punkte R i von der Region R sind zusammenhängend und das Homogenitätsmerkal P gilt nur für eine spezifische Region. Kurz gefasst und mathematisch ausgedrückt heißt das: 3.1 Das Schwellwertverfahren Eine einfache Methode in einem möglichst unverrauschten Bild ein Objekt welches sich stark vom Hintergrund unterscheidet zu finden, bieten Histogramme. Dabei werden die Anzahl der Pixel eines Grauwertes gegen den Grauwerte aufgetragen. Dann können die Pixel eines Grauwertbereiches dem Objekt bzw. dem Hintergurnd zugeordnet werden.
10 Low level vision: Das Schwellwertverfahren, Ein Ähnlichkeitsmaß Seite 9 Problematisch ist aber schon, wenn der Hintergrund dem Objekt im Grauwert ähnlich ist. Oder folgendes Beispiel: Diese beiden Bilder haben komplett identische Histogramme, aber eine unterschiedliche Struktur. Es sind also Verfahren notwendig, die die Umgebung eines Pixels bzw. einer Region betrachten. 3.2 Ein Ähnlichkeitsmaß Eine mathematische Möglichkeit die Ähnlichkeit benachbarter Regionen zu beschreiben ist die Differenz ihrer Grauwerte zu betrachten. Dann wäre das Ähnlichkeitsmaß zweier Punkte so zu beschreiben: d?p 1, p 2?=?g 1 - g 2? Die Entscheidung, ob nun die Ähnlichkeit für den Zusammenschluß zweier Regionen ausreicht, wird über den Schwellwert gemacht: d?p 1, p 2?=t Seien nun mehrere benachbarte Regionen gegeben. Welches der Pixelpaare entscheidet nun über die Ähnlichkeit der Regionen? Betrachtet man ein zufälliges Pixelpaar auf der Kante zweier Regionen, so kann das durch ein fehlerhaftes Pixel zu einem falschen Zusammenschluß führen. Verringert wird das Risiko durch das Betrachten des Mittelwertes aller Ähnlichkeitsmaße der auf der Kante liegenden Pixelpaare. Eine noch höhere Stufe wäre die Betrachtung des mittleren Grauwertes der gesamten Region oder der Grauwertdynamik. Diese kann so beschrieben werden:? g A = max g A - ming A und? g B = max g B - ming B??? g A -? g B? =t Liegen nun mehrere Regionen an einer Testregion an, so muss der Zusammenschluss zuerst mit der Region mit der optimalen Kriterienerfüllung erfolgen, da sonst Verfälschungen auftreten, die den Zusammenschluß mit der optimalen Region verhindern könnten.
11 Low level vision: Der Quadtree, Split and Merge Seite Arbeiten mit Quadtrees Bisher sind Methoden zur Zusammenführung von Regionen besprochen worden eine umgekehrte Herangehesnweise ist das Teilen von inhomogen Regionen bis die unterteilten Regionen homogen sind, z.b. mit Hilfe eines Quadtree. Dieser teilt sich nämlich an jedem Knotenpunkt in vier Abzweige, nicht wie ein binärer Baum in zwei. Folgendes Schema zeigt diese Struktur auf ein Bild angewandt: Das gleichmäßige Teilen des Bildes kann bis auf die Pixelebene durchgeführt werden, also bis jede Teilregion homogen ist. Nun kann es vorkommen, dass am Ende benachbarte Regionen homogen sind, die vorher geteilt wurden. Daraufhin müssen also wieder Verfahren zum verschmelzen der Regionen angewendet werden, um ein brauchbares Ergebnis zu erhalten. Die Ausgangsbilder müssen nicht notwendigerweise quadratisch sein, sie müssen nur in Quadrate aufteilbar sein, z.b. wenn das Bild doppelt so lang wie breit ist, lassen sich daraus zwei Quadrate bilden auf die dann die weiteren Operationen durchgeführt werden. 3.4 Split and Merge Ein Prinzip zur Regionenfindung, worunter man die vorgestellten Verfahren betrachten kann, hat die Überschrift 'Split and Merge'. Ein optimales Ergebnis kann nur durch die Anwendung beider Verfahren, der divisiven (split) und der agglomerativen (merge), entstehen. Agglomerative Verfahren: Region Growing: Bereichswachstum heißt, das von Startpunkten aus einzelne Pixel iterativ über Homogenitätskriterien auf Regionenzugehörigkeit getestestet werden Region Merging: Hier beginnt man mit kleinen Regionen, nicht mit einzelnen Pixeln, also z.b mit 2x2- Regionen Divisive Verfahren: 'Splitten' einer Region z.b. nach dem Quadtree Muster bis die einzelnen Regionen hinreichend homogen sind Zur Optimierung werden nach dem 'Splitten' benachbarte Regionen auf Homogenität getestet. Durch die Anwendung vom Quadtree (Rechteckmuster) kann es zu ausgefransten Kanten kommen, so dass danach noch Kantenglättungsverfahren angewendet werden müssen.
12 Low level vision: Zum Abschluss Seite Zum Abschluss An wenigen Beispielen sollten in dieser Arbeit ein paar grundlegende Verfahren zur 'einfachen' Bildverarbeitung vorgestellt werden, d.h. dass bestimmte Merkmale von Objekten wie Kanten und Regionen mit wenigen mathematischen Operationen aus einem komplexen Bildsignal extrahiert werden können. Diese reduzierten Bildinformationen können dann verwendet werden u.a. zur vereinfachten Darstellung z.b. in der Medizin häufig angewendet oder zur weiteren Verarbeitung mit 'High level vision' Verfahren. Literaturhinweise (Bilder und Informationen aus): Gonzales/Woods: 'Digital Image Processing' (2001) Jähne, Bernd: 'Digitale Bildverarbeitung' (2002) Lehmann, Oberschelp, Pelikan, Repges: 'Bildverarbeitung für die Medizin' (1997) Petrou, Maria und Bosdogianni, Panagiota: 'Image Processing The Fundamentals' (1999)
FILTER 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
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
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
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:
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
MehrKULTUSMINISTERIUM DES LANDES SACHSEN-ANHALT. Abitur Januar/Februar Mathematik (Grundkurs) Arbeitszeit: 210 Minuten
KULTUSMINISTERIUM DES LANDES SACHSEN-ANHALT Abitur Januar/Februar 2002 Mathematik (Grundkurs) Arbeitszeit: 210 Minuten Der Prüfling wählt je eine Aufgabe aus den Gebieten G 1, G 2 und G 3 zur Bearbeitung
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 5
Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und
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
MehrTag der Mathematik 2016
Tag der Mathematik 016 Mathematischer Wettbewerb, Klassenstufe 9 10 30. April 016, 9.00 1.00 Uhr Aufgabe 1 Der Mittelwert von 016 (nicht unbedingt verschiedenen) natürlichen Zahlen zwischen 1 und 0 16
MehrInhaltsverzeichnis. Inhaltsverzeichnis
Inhaltsverzeichnis Inhaltsverzeichnis Einleitung 5 1 Zahlen 7 1.1 Zahlen und Zahlenmengen....................................... 7 1.2 Rechnen mit Zahlen und Termen....................................
MehrTipps und Tricks für die Abschlussprüfung
Tipps und Tricks für die Abschlussprüfung Rechentipps und Lösungsstrategien mit Beispielen zu allen Prüfungsthemen Mathematik Baden-Württemberg Mathematik-Verlag Vorwort: Sehr geehrte Schülerinnen und
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
Mehr1 Messfehler. 1.1 Systematischer Fehler. 1.2 Statistische Fehler
1 Messfehler Jede Messung ist ungenau, hat einen Fehler. Wenn Sie zum Beispiel die Schwingungsdauer eines Pendels messen, werden Sie - trotz gleicher experimenteller Anordnungen - unterschiedliche Messwerte
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrStatistik eindimensionaler Größen
Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,
Mehr2.5 Funktionen 2.Grades (Thema aus dem Bereich Analysis)
.5 Funktionen.Grades (Thema aus dem Bereich Analysis) Inhaltsverzeichnis 1 Definition einer Funktion.Grades. Die Verschiebung des Graphen 5.1 Die Verschiebung des Graphen in y-richtung.........................
MehrFunktionen in der Mathematik
R. Brinkmann http://brinkmann-du.de Seite 05.0.008 Funktionen in der Mathematik Bei der mathematischen Betrachtung natürlicher, technischer oder auch alltäglicher Vorgänge hängt der Wert einer Größe oft
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( ) sind. Für einen einzelnen. ( ) berechnet werden: ( )
23 4 Abbildungen von Funktionsgraphen Der Graph zu einer gegebenen Funktion f ist die Menge aller ( ) sind. Für einen einzelnen Punkte, deren Koordinaten ; f () Punkt des Graphen gibt man einen Wert aus
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
Mehr3.6 Einführung in die Vektorrechnung
3.6 Einführung in die Vektorrechnung Inhaltsverzeichnis Definition des Vektors 2 2 Skalare Multiplikation und Kehrvektor 4 3 Addition und Subtraktion von Vektoren 5 3. Addition von zwei Vektoren..................................
MehrSegmentierung von Bilddaten
Segmentierung von Bilddaten Hendrik Horn und Jörgen Kosche 3. Juni 2004 Seminarvortrag Seminar: Effiziente Darstellung von Daten Dozent: Oliver Boldt 1 Inhaltsverzeichnis 1 Einführung 3 2 Definition 5
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
MehrWelche Nullstellen hat der Graph der Funktion a)
Aufgabe 1 Welche Nullstellen hat der Graph der Funktion a) f (x)= (x 7)² (x+3)² Die Nullstellen sind 7 und -3. Beide Nullstellen sind doppelt, d.h. der Graph wechselt nicht die Seite der x-achse. b) Multipliziere
MehrEinführung in die Integralrechnung. Mag. Mone Denninger 13. November 2005
Einführung in die Integralrechnung Mag. Mone Denninger. November 5 INHALTSVERZEICHNIS 8. Klasse Inhaltsverzeichnis Einleitung Berechnung einfacher Stammfunktionen. Integrationsregeln.........................
MehrLineare Funktion. Wolfgang Kippels 3. November Inhaltsverzeichnis
Lineare Funktion Wolfgang Kippels. November 0 Inhaltsverzeichnis Grundlegende Zusammenhänge. Aufbau der Linearen Funktion......................... Nullstellenbestimmung............................. Schnittpunktbestimmung............................
MehrDen Mittelpunkt zwischen zwei Punkten kannst du mithilfe der Ortsvektoren und Verbindungsvektoren berechnen.
Wahlteil B2 Mathe > Abitur (GTR) > 2016 > Wahlteil B2 Aufgaben PLUS Tipps PLUS Lösungen TI PLUS Lösungen Casio PLUS Aufgabe 2.1. a) Darstellung der Pyramide der Schnittfläche im Koordinatensystem Der Aufgabenstellung
Mehr1. Funktionen. 1.3 Steigung von Funktionsgraphen
Klasse 8 Algebra.3 Steigung von Funktionsgraphen. Funktionen y Ist jedem Element einer Menge A genau ein E- lement einer Menge B zugeordnet, so nennt man die Zuordnung eindeutig. 3 5 6 8 Dies ist eine
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
MehrDebayeringverfahren. 19. Mai Thomas Noack, Nikolai Kosjar. SE Computational Photography - Debayeringverfahren
Debayeringverfahren Thomas Noack, Nikolai Kosjar 19. Mai 2010 Was bisher geschah... Reduktion der Herstellungskosten durch Einsatz von nur noch einem CCD-Sensor mit Bayer-Filter Problem: Bayer Image Full
MehrDie Summen- bzw. Differenzregel
Die Summen- bzw Differenzregel Seite Kapitel mit Aufgaben Seite WIKI Regeln und Formeln Level Grundlagen Aufgabenblatt ( Aufgaben) Lösungen zum Aufgabenblatt Aufgabenblatt (7 Aufgaben) Lösungen zum Aufgabenblatt
MehrCorinne Schenka Vorkurs Mathematik WiSe 2012/13
4. Lineare Gleichungssysteme Ein lineares Gleichungssystem ist ein System aus Gleichungen mit Unbekannten, die nur linear vorkommen. Dieses kann abkürzend auch in Matrizenschreibweise 1 notiert werden:
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
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
MehrMaturitätsprüfung Mathematik
Maturitätsprüfung 007 Mathematik Klasse 4bN Kantonsschule Solothurn Mathematisch-naturwissenschaftliches Maturitätsprofil Name: Note: Hinweise zur Bearbeitung der Prüfung: Zur Lösung der Aufgaben stehen
MehrPasserellen Prüfungen 2009 Mathematik
Passerellen Prüfungen 2009 Mathematik 1. Analysis: Polynom und Potenzfunktionen Gegeben sind die beiden Funktionen 21 und 32. a) Bestimmen Sie die Null, Extremal und Wendepunkte der beiden Funktionen.
MehrLage- und Streuungsparameter
Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch
MehrAusarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme
Universität Hamburg Fachbereich Mathematik Seminar: Proseminar Graphentheorie Dozentin: Haibo Ruan Sommersemester 2011 Ausarbeitung zum Modulabschluss Graphentheorie spannende Bäume, bewertete Graphen,
MehrLösungen Grundaufgaben Folgen und Reihen
Folgen und Reihen 05.03.006 Grundaufgaben Lösungen Grundaufgaben Folgen und Reihen Formeln arithetische Folge mit Anfangsglied a und Differenz d: a n = a +(n )d (explizite Darstellung) a n+ = a n + d (rekursive
MehrDie Steigung m ist ein Quotient zweier Differenzen und heißt daher Differenzenquotient.
Seite Definition lineare Funktion Eine Funktion f mit dem Funktionsterm f(x) = m x + b, also der Funktionsgleichung y = m x + b, heißt lineare Funktion. Ihr Graph G f ist eine Gerade mit der Steigung m
MehrStatistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
MehrAufgabe S 1 (4 Punkte)
Aufgabe S 1 (4 Punkte) In einem regelmäßigen Achteck wird das Dreieck ABC betrachtet, wobei C der Mittelpunkt der Seite ist, die der Seite AB gegenüberliegt Welchen Anteil am Flächeninhalt des Achtecks
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
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
Mehr1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de
1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de Man sollte eine Excel-Tabelle immer so übersichtlich wie möglich halten. Dazu empfiehlt es sich, alle benötigten Daten, Konstanten und Messwerte
Mehr1 Fraktale Eigenschaften der Koch-Kurve
Anhang Inhaltsverzeichnis Fraktale Eigenschaften der Koch-Kurve iii. Einführung.................................. iii.2 Defintion.................................... iii.3 Gesamtlänge der Koch-Kurve........................
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrGrundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
MehrF u n k t i o n e n Quadratische Funktionen
F u n k t i o n e n Quadratische Funktionen Eine Parabolantenne bündelt Radio- und Mikrowellen in einem Brennpunkt. Dort wird die Strahlung detektiert. Die Form einer Parabolantenne entsteht durch die
MehrEinfluss der Bildverarbeitung - Artefakte und Korrekturmöglichkeiten
Einfluss der Bildverarbeitung - Artefakte und Korrekturmöglichkeiten Karl-Friedrich Kamm Norderstedt Karl-Friedrich Kamm 29/07/2013 1 Mögliche Fehler bei digitalen Röntgenaufnahmen flaue Bilder fehlender
MehrKurven. Mathematik-Repetitorium
Kurven 7.1 Vorbemerkungen, Koordinatensysteme 7.2 Gerade 7.3 Kreis 7.4 Parabel 7.5 Ellipse 7.6 Hyperbel 7.7 Allgemeine Gleichung 2. Grades Kurven 1 7. Kurven 7.1 Vorbemerkungen, Koordinatensysteme Koordinatensystem
MehrLehrskript Mathematik Q12 Analytische Geometrie
Lehrskript Mathematik Q1 Analytische Geometrie Repetitorium der analytischen Geometrie Eine Zusammenfassung der analytischen Geometrie an bayerischen Gymnasien von Markus Baur, StR Werdenfels-Gymnasium
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
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
MehrKollisionserkennung
1 Kollisionserkennung von Jens Schedel, Christoph Forman und Philipp Baumgärtel 2 1. Einleitung Wozu wird Kollisionserkennung benötigt? 3 - für Computergraphik 4 - für Simulationen 5 - für Wegeplanung
MehrVektorgeometrie. 1. Vektoren eingeben, Norm, Skalarprodukt. 2 In einem kartesischen Koordinatensystem sind die Vektoren. , v. und. gegeben.
Vektorgeometrie 1. Vektoren eingeben, Norm, Skalarprodukt 2 In einem kartesischen Koordinatensystem sind die Vektoren u 14, 5 11 10 v 2 und w 5 gegeben. 10 10 a) Zeigen Sie, dass die Vektoren einen Würfel
MehrObjekterkennung durch Vergleich von Farben. Videoanalyse Dr. Stephan Kopf HWS2007 Kapitel 5: Objekterkennung
Objekterkennung durch Vergleich von Farben 48 Farbräume (I) Definitionen: Farbe: Sinnesempfindung (keine physikalische Eigenschaft), falls Licht einer bestimmten Wellenlänge auf die Netzhaut des Auges
MehrQuadratische Funktionen
Quadratische Funktionen Aufgabe 1 Verschieben Sie die gegebenen Parabeln so, dass ihr Scheitelpunkt in S liegt. Gesucht sind die Scheitelpunktsform und die allgemeine Form der Parabelgleichung a) y = x²,
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
MehrKlassenstufen 7, 8. Fachbereich Mathematik Tag der Mathematik 9. November 2013
Fachbereich Mathematik Tag der Mathematik 9. November 2013 Klassenstufen 7, 8 12 Aufgabe 1 (5+++5+2 Punkte). Meister Hora hat eine kuriose Uhr: Bei dieser springt der Stundenzeiger nicht wie üblich jede
MehrUnterrichtsreihe zur Parabel
Unterrichtsreihe zur Parabel Übersicht: 1. Einstieg: Satellitenschüssel. Konstruktion einer Parabel mit Leitgerade und Brennpunkt 3. Beschreibung dieser Punktmenge 4. Konstruktion von Tangenten 5. Beweis
Mehr9.3 Lineare Regression
9.3 Lineare Regression 115 A B C D E F G H 1 2 Pearsonscher Korrelationskoeffizient 3 4 5 6 x-werte y-werte ANALYSE ASSISTENT 7 2,4-4 8 3,2-1 9 8,3 6,4 Spalte 1 Spalte 2 10 6,4 6 Spalte 1 1 11 7,2 6,3
MehrAbiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
MehrIterative Methods for Improving Mesh Parameterizations
Iterative Methods for Improving Mesh Parameterizations Autoren: Shen Dong & Michael Garland, SMI 07 Nicola Sheldrick Seminar Computergrafik April 6, 2010 Nicola Sheldrick (Seminar Computergrafik)Iterative
MehrMathematischer Vorkurs für Physiker WS 2012/13
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13 Übungsblatt 2 Wichtige Formeln aus der Vorlesung: Basisaufgaben Beispiel 1: 1 () grad () = 2 (). () () = ( 0 ) + grad ( 0 ) ( 0 )+
MehrLineare Gleichungssysteme mit zwei Variablen
Lineare Gleichungssysteme mit zwei Variablen Anna Heynkes 4.11.2005, Aachen Enthält eine Gleichung mehr als eine Variable, dann gibt es unendlich viele mögliche Lösungen und jede Lösung besteht aus so
Mehr2. Quadratische Lagrangefunktionen und Fourierreihe.
0. Einführung Wir haben gerade das klassische Wirkungsprinzip betrachtet, nachdem wir wissen, dass der dynamische Verlauf eines Teilchens in dem Diagramm die Kurve darstellen soll, die die minimale Wirkung
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
Mehr6 Vertiefende Themen aus des Mechanik
6 Vertiefende Themen aus des Mechanik 6.1 Diagramme 6.1.1 Steigung einer Gerade; Änderungsrate Im ersten Kapitel haben wir gelernt, was uns die Steigung (oft mit k bezeichnet) in einem s-t Diagramm ( k=
MehrDemo für
Aufgabensammlung Mit ausführlichen Lösungen Geradengleichungen und lineare Funktionen Zeichnen von Geraden in vorgefertigte Koordinatensysteme Aufstellen von Geradengleichungen Schnitt von Geraden Die
MehrNeoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel
Neoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel Dieses Skript ist die allgemeine Basis eines Modells zur Simulation der ökonomischen Folgen technischer
MehrDemo: Mathe-CD. Prüfungsaufgaben Mündliches Abitur. Analysis. Teilbereich 1: Ganzrationale Funktionen 1. März 2002
Prüfungsaufgaben Mündliches Abitur Analysis Teilbereich : Ganzrationale Funktionen Hier nur Aufgaben als Demo Datei Nr. 9 März 00 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK Vorwort Die in dieser Reihe von
MehrDoppelintegrale. rd dr. Folie 1
Doppelintegrale G fda f, dd R R G 1 f ( rcos, rsin) rd dr Folie 1 Doppelintegrale einführendes Beispiel Als Vorwissen sollten Sie die Grundlagen ur Integration mitbringen (s..b. L. Papula, Mathematik für
MehrEinführung in die linearen Funktionen. Autor: Benedikt Menne
Einführung in die linearen Funktionen Autor: Benedikt Menne Inhaltsverzeichnis Vorwort... 3 Allgemeine Definition... 3 3 Bestimmung der Steigung einer linearen Funktion... 4 3. Bestimmung der Steigung
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
Mehr2 ZAHLEN UND VARIABLE
Zahlen und Variable 2 ZAHLEN UND VARIABLE 2.1 Grundlagen der Mengenlehre Unter einer Menge versteht man die Zusammenfassung von unterscheidbaren Objekten zu einem Ganzen. Diese Objekte bezeichnet man als
MehrAbiturprüfung Mathematik 2014 Baden-Württemberg Allgemeinbildende Gymnasien Pflichtteil Lösungen
Abiturprüfung Mathematik Baden-Württemberg Allgemeinbildende Gymnasien Pflichtteil Lösungen klaus_messner@web.de www.elearning-freiburg.de Pflichtteil Aufgabe : Bilden Sie die Ableitung der Funktion f
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
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,
MehrEinfache Differentialgleichungen (algebraische Lösung)
Einfache Differentialgleichungen (algebraische Lösung) 0. Definition, Einschränkung Definition: Sei die Funktion mit Gleichung = f() n-mal differenzierbar. Gilt F(,,,,, (n) ) = 0 (für alle ), so erfüllt
MehrAnalytische Geometrie des Raumes
Analytische Geometrie des Raumes Als Begründer der analytischen Geometrie gilt René Descartes (Discours de la méthode). Seine grundliegende Idee bestand darin, geometrische Gebilde (Gerade, Kreis, Ellipse
MehrSQL. SQL SELECT Anweisung SQL-SELECT SQL-SELECT
SQL SQL SELECT Anweisung Mit der SQL SELECT-Anweisung werden Datenwerte aus einer oder mehreren Tabellen einer Datenbank ausgewählt. Das Ergebnis der Auswahl ist erneut eine Tabelle, die sich dynamisch
MehrGrundwissen. 8. Jahrgangsstufe. Mathematik
Grundwissen 8. Jahrgangsstufe Mathematik Grundwissen Mathematik 8. Jahrgangsstufe Seite 1 1 Proportionalität 1.1 Direkte Proportionalität Eigenschaften: y Quotientengleichheit Bei kommt immer das Gleiche
MehrBayern Aufgabe a. Abitur Mathematik: Musterlösung. Die Koordinaten von C sind die Komponenten des Vektors PC (denn P ist
Abitur Mathematik Bayern 201 Abitur Mathematik: Bayern 201 Aufgabe a 1. SCHRITT: VORÜBERLEGUNG Die Koordinaten von C sind die Komponenten des Vektors PC (denn P ist der Ursprung). Dabei ist PC = PB + BC
MehrNichtrealistische Darstellung von Gebirgen mit OpenGL
Nichtrealistische Darstellung von Gebirgen mit OpenGL Großer Beleg Torsten Keil Betreuer: Prof. Deussen Zielstellung Entwicklung eines Algorithmus, der die 3D- Daten einer Geometrie in eine nichtrealistische
MehrAbiturprüfung 2000 LK Mathematik Baden-Württemberg
Abiturprüfung 000 LK Mathematik Baden-Württemberg Aufgabe I 1 Analysis ( )² Gegeben ist die Funktion f durch f ( ) = ; D f. Ihr Schaubild sei K. ( 4) a) Geben Sie die maimale Definitionsmenge D f an. Untersuchen
MehrDokumentation Datamining
Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Ingenieurwissenschaften, Bereich EuI Dokumentation Datamining Eingereicht am: 13. Mai 2012 von: Karsten Diepelt
MehrAnalytische Geometrie II
Analytische Geometrie II Rainer Hauser März 212 1 Einleitung 1.1 Geradengleichungen in Parameterform Jede Gerade g in der Ebene oder im Raum lässt sich durch einen festen Punkt auf g, dessen Ortsvektor
MehrArbeiten mit Excel. 1. Allgemeine Hinweise
1. Allgemeine Hinweise Man sollte eine Excel Tabelle immer so übersichtlich wie möglich halten. Dazu empfiehlt es sich, alle benötigten Daten, Konstanten und Messwerte inklusive aller dazugehörigen Einheiten
Mehr1.3. Beträge, Gleichungen und Ungleichungen
.3. Beträge, Gleichungen und Ungleichungen Das Maimum zweier Zahlen a, b (also die größere von beiden) wird mit ma(a,b) bezeichnet, ihr Minimum (also die kleinere von beiden) mit min(a,b). Der Absolutbetrag
MehrArbeitsblatt 1. Ergebnisse: a) Schätzen:... b) Abzählen:... c) Berechnen: (unter Angabe der geometrischen Figuren)
Arbeitsblatt 1 Für das nächste Frequency-Festival pachtet der Veranstalter zusätzliche Fläche für die Besucherzelte beim benachbarten Landwirt. Zur Ermittlung des Pachtpreises muss die Fläche ausgemessen
MehrDifferenzialrechnung
Mathe Differenzialrechnung Differenzialrechnung 1. Grenzwerte von Funktionen Idee: Gegeben eine Funktion: Gesucht: y = f(x) lim f(x) = g s = Wert gegen den die Funktion streben soll (meist 0 oder ) g =
Mehr30. Satz des Apollonius I
30. Satz des Apollonius I Das Teilverhältnis T V (ABC) von drei Punkten ABC einer Geraden ist folgendermaßen definiert: Für den Betrag des Teilverhältnisses gilt (ABC) = AC : BC. Für das Vorzeichen des
MehrPraktikum 1. Bildverarbeitungs - Software ImageJ LUT Manipulationen Bild - Quantisierung
Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_01 ImageJ.doc Praktikum 1 Digitale Bildverarbeitung Bildverarbeitungs - Software ImageJ LUT Manipulationen Bild - Quantisierung
MehrMathematik für Biologen und Chemiker Prof. Scheltho - Übungen Mathe 2
Mathematik für Biologen und Chemiker Prof. Scheltho - Übungen Mathe 2 Fortsetzung der komlexen Zahlen : 9. Radizieren und Potenzen a) Berechnen Sie (1+i) 20 und geben Sie das Resultat als Polarkoordinaten
Mehr6 Bestimmung linearer Funktionen
1 Bestimmung linearer Funktionen Um die Funktionsvorschrift einer linearen Funktion zu bestimmen, muss man ihre Steigung ermitteln. Dazu sind entweder Punkte gegeben oder man wählt zwei Punkte P 1 ( 1
Mehr3D-Lungenlappen- Segmentierung mit der IWT
3D-Lungenlappen- Segmentierung mit der IWT Daniel Stöbel 8..7 Gliederung. Anatomie der Lunge. Motivation / Ziel 3. Maskierung der Lunge 4. Lungenlappensegmentierung. Gefäßsegmentierung. Distanzbild 3.
MehrAnalytische Geometrie Seite 1 von 6. Die Addition von Vektoren kann veranschaulicht werden durch das Aneinanderhängen von Pfeilen.
Analytische Geometrie Seite 1 von 6 1. Wichtige Formeln AB bezeichnet den Vektor, der die Verschiebung beschreibt, durch die der Punkt A auf den Punkt B verschoben wird. Der Vektor, durch den die Verschiebung
Mehr1.3. Beträge, Gleichungen und Ungleichungen
1.3. Beträge, Gleichungen und Ungleichungen Das Maximum zweier Zahlen a, b wird mit max(a,b) bezeichnet, ihr Minimum mit min(a,b). Der Absolutbetrag einer reellen Zahl a ist a = max ( a, a ) oder auch
Mehr