Computergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
|
|
- Hannelore Eberhardt
- vor 6 Jahren
- Abrufe
Transkript
1 Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
2 Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter? Parameter? Eigenschaften? Gaussfilter? Parameter? Eigenschaften? Grundidee Bandpass- / Bandreject-Filterung? Grundidee inverse Filterung? Probleme bei der inversen Filterung? Computergrafik SS0
3 Besprechung Übung 5 Probleme? Computergrafik SS0 3
4 Ideales Tiefpassfilter Tiefpassfilter lässt tiefe Frequenzen passieren und dämpft hohe Frequenzen Ideales Tiefpassfilter ideal low pass filter (ILPF) F max : Cut-Off-Frequenz H Fmax ( u, v) = " $ # %$, falls u + v F max 0, sonst. K. D. Tönnies, Grundlagen der Bildverarbeitung Computergrafik SS0 4
5 Butterworth-Filter Frequenzen werden nicht gelöscht, sondern nur abgeschwächt Tiefpass-Filter (BLPF): H ( u, v) = + ( D( u, v) / D ) n 0 Tiefpass Hochpass-Filter (BHPF): H ( u, v) = ( ( )) + D0 / D u, v n D 0 : Cutoff-Frequenz D(u,v): Frequenz, Abst. Ursprung n: Ordnung des Filters Butterworth- Tiefpass H(u,v)=0.5 Computergrafik SS0 5
6 Gauß-Filter Keine Artefakte, da Fourier-Transformation einer Gauß- Funktion wieder eine Gauß-Funktion Tiefpass-Filter (GLPF): " H u, v $ # D 0 ( ) = exp D (u, v) % ' & Gauß- Tiefpass D 0 groß Hochpass-Filter (GHPF): ( ) = exp D (u, v) $ H u, v " # D 0 D 0 : entspricht σ D(u,v): Frequenz, Abstand vom Ursprung % ' & Gauß- Tiefpass D 0 klein K. D. Tönnies, Grundlagen der Bildverarbeitung Computergrafik SS0 6
7 Vermeiden der Auslöschung niedriger Frequenzen beim GHPF Hochpass-Filter (GHPF): H u, v 0 H(u,v) modifiziertes GHPF: H a ( ) = exp D (u, v) $ a H a (u,v) " # D 0 ( u, v) = a + ( a) H u, v % ' & ( ) D 0 : entspricht σ D(u,v): Frequenz, Abstand vom Ursprung R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik SS0 7
8 in Python def GLPF((h,w), D0, a = 0.0): H = np.zeros((h,w), dtype='float3') for y in xrange(h): for x in xrange(w): dx = x - w/ dy = y - h/ D = np.sqrt(dx * dx + dy * dy) H[y,x] = np.exp(-d**/(*d0**)) if a > 0.0: H[y,x] = a + (.0 - a) * H[y,x] return H Computergrafik SS0 8
9 Korrelation im Ortsraum Ähnlichkeiten zwischen Bild und Modell feststellen Modell (Template) im Bild suchen R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik SS0 9
10 Korrelation im Ortsraum Ähnlichkeitsmaß (normalisierter) Korrelationskoeffizient Mittelwerte subtrahiert und Varianzen normiert Kleineres Bild pixelweise über größeres Bild verschieben und Korrelationskoeffizient berechnen (f = Bild, m = Modell/Template, (x,y) = Suchposition) cc f,m (x, y) = # % $ a a s= a t= b cc f,m (x, y) b s= a t= b b ( m(s,t) m) f (x + s, y + t) f (x, y) ( ) ( m(s,t) m) &# a b (% f (x + s, y + t) f (x, y) ' $ s= a t= b ( ) & ( ' Computergrafik SS0 0
11 Korrelation im Frequenzraum Subtrahiere Mittelwerte von f und m Ähnlichkeitsmaß: Korrelationskoeffizient cc f,g cc f,m (x, y) = a # % $ a a s= a t= b b s= a t= b b = k m(s,t) m s= a t= b a b b ( m(s,t) m) f (x + s, y + t) f (x, y) ( ) ( m(s,t) m) &# a b (% f (x + s, y + t) f (x, y) ' $ s= a t= b ( )( f (x + s, y + t) f (x, y) ) = k m(s,t) f (x + s, y + t) s= a t= b Korrelationsfunktion FT ( ) ([ f g](x, y) ) = F(u, v) G (u, v) Korrelation & ( ' G konjugiert Computergrafik SS0
12 Python-Tipps plt.gray() f = f - np.mean(f) fftsize = (M,N) F = np.fft.fft(f, fftsize) F = np.fft.fftshift(f) plt.imshow(np.log(np.abs(f))) M = np.conjugate(m) CC = np.fft.ifftshift(cc) cc = np.fft.ifft(cc, fftsize) cc = cc[0:h, 0:w] cc = np.real(cc) plt.imshow(cc, cmap=plt.get_cmap('jet')) cc[cc < 0.75 * np.max(cc)] = 0.0 Computergrafik SS0
13 Bandreject/Bandpass-Filter Bandreject-Filter Ideal Butterworth Gauß Bandpass-Filter H BP H ( u, v) = # % $ % & 0, falls D 0 W D D 0 + W, sonst H(u, v) = ' DW + ) D ( D 0 *, + n ' ' H(u, v) = exp D D 0 * ) ), ( ( DW + ( u, v) = H ( BR u, v) *, + Gauß- Bandreject- Filter Gauß- Bandpass- Filter R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik SS0 3
14 Wer ist das? Bildrestauration, wie? Computergrafik SS0 4
15 Inverse Filterung Vollständige Rückgewinnung der Information aus den gestörten Daten FT - ( / )= Computergrafik SS0 5
16 Numerische Probleme bei der inversen Filterung g = h* f ( m, n) = Problem: Nullstellen von H Treten auf, falls h als Matrix nicht den vollen Rang hat Auch kleine Werte von H sind numerisch schon ein Problem Deswegen in der Praxis: F ( u v) f (, v) ( u, v) FT (, v) ( ) u, v G u H G u H ( u, v) > H min, = H 0 sonst komplexe Zahlen dividieren? Computergrafik SS0 6
17 Rauschen Problem: Inverse Filterung geht von idealen (ungestörten) Daten aus aber: Bilddaten enthalten Rauschen inverse Filterung verstärkt Rauschen extrem mit steigender Frequenz: (weißes) Rauschen bleibt, Signal- Amplitude nimmt schnell ab, Rauschanteil wird höher g(m, n) = f (m, n)* h(m, n)+η(m, n) G(u, v) = F(u, v) H(u, v)+ N(u, v) G(u, v) H(u, v) = F(u, v)+ N(u, v) H(u, v) ad-hoc Lösung: hohe Frequenzen ausschließen Computergrafik SS0 7
18 Rauschen Invertierung bei Rauschen oft nicht möglich Computergrafik SS0 8
19 Abschneiden hoher Frequenzen komplettes Filter cut-off-radius: 40 unscharfes Bild cut-off-radius:70 cut-off-radius:85 R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik SS0 9
20 Wiener Filter Minimierung des Fehlers zwischen Originalbild f und Schätzer ˆf führt zu ˆF(u, v) = X(u, v) G(u, v) X(u, v) = H u, v ( ) H ( u, v) ( ) + S η ( u, v) S f ( u, v) H u, v = H u, v ( ) H ( u, v) ( ) + N ( u, v ) F ( u, v) H u, v S η und S f sind die Spektren (Quadrate der Amplituden) des Rauschens bzw. der ungestörten Funktion S η = 0 (ungestört) è perfekte inverse Filterung Wiener Filter dämpft Frequenzen abhängig von SNR Computergrafik SS0 0
21 Heuristisches Wiener Filter Leider ist S η in der Praxis meist unbekannt Lösung: Konstante K: heuristisches Wiener Filter ˆF K (u, v) = X K (u, v) G(u, v) X K (u, v) = H u, v ( ) H ( u, v) H u, v ( ) + K H ( u, v) = H * ( u, v)h ( u, v) = re H ( u, v) ( ) ( ) + im( H u, v ) Computergrafik SS0
22 Wiener Filter Herleitung Bild/Signal s und Rauschen/Noise n im Ortsraum: o(x) = s(x)+ n(x) o = Observation Bild/Signal s und Rauschen/Noise n im Frequenzraum: O(u) = S(u)+ N(u) Annahmen E[ S(u) ] S(u) sind normalverteilte Zufallsvariablen N(u) sind normalverteilte Zufallsvariablen E[ S(u) ] nimmt mit steigendem u ab E[ N(u) ] ist konstant (weißes Rauschen) E[ N(u) ] u E[X] = Erwartungswert der Zufallsvariablen X Computergrafik SS0
23 Wiener Filter Herleitung E[ S(u) ] S(u) ist (µ S (u),σ S (u))-normalverteilt p( S(u) ) = " σ S (u) π exp S(u) µ (u) S $ # σ S (u) ( ) σ S (u) = E( S(u) µ S (u) * ) + = E ( S(u) ) N(u) ist (µ N (u),σ N (u))-normalverteilt für µ N (u) = 0, σ N (u) = const p( N(u) ) = O(u) = S(u)+ N(u) " σ N (u) π exp N(u) µ N (u) $ # σ N (u) % ' & ( ) p( O(u) S(u) ) = p( S(u)+ N(u) S(u) ) = * +, für µ (u) = 0 S σ N p(n(u)) p(s(u)) % ' = " N(u) % exp$ ' & σ N π # σ N & " π exp O(u) S(u) $ # σ N ( ) % ' & E[ N(u) ] u Computergrafik SS0 3
24 Wiener Filter Herleitung E[ S(u) ] Satz von Bayes p( S(u) O(u) ) = p O(u) p( O(u) S(u) ) p S(u) p O(u) ( ) ( ) = p O(u) S(u) = v v= ( ) ( ) p S(u) = v ( ) = const Gegeben Beobachtung O(u), was ist wahrscheinlichstes Signal? maximiere p(s(u) O(u)) äquivalent zu: minimiere log(p(s(u) O(u))) ( ) = log( p( O(u) S(u) )) log( p( S(u) )) + log( p( O(u) )) log p( S(u) O(u) ) = ( O(u) S(u) ) σ N ( + S(u) µ S(u) ) σ S (u) + const p(n(u)) p(s(u)) Abl. nach S(u) S(u) = + σ N σ S (u) E[ N(u) ] u O(u) Computergrafik SS0 4
25 Wiener Filter Herleitung ( ) ( ( )) log( p( S(u) )) + log( p( O(u) )) f (S(u)) = log p( S(u) O(u) ) = log p O(u) S(u) " = log $ # " = log$ # σ N σ N " π exp O(u) S(u) $ # σ N % '+ π & ( ) ( O(u) S(u) ) σ N %% " '' log " ( S(u) ) %% exp $ && σ S (u) π $ # σ S (u) '' # && " % log$ '+ # σ S (u) π & ( S(u) ) σ S (u) ( ( )) + log p O(u) Ableitung von f(s(u)) = log(s(u) O(u)) nach S(u): O(u) S(u) f '( S(u) ) = + S(u) σ N σ S (u) = S(u) " σ + % $ ' O(u) = 0 # N σ S (u) & σ N S(u) = + σ O(u) = W (u) O(u), mit W (u) = N σ + N σ S (u) E* S(u), log( p( O(u) )) Computergrafik SS0 5
Computergrafik 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
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
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV, Regina Pohle,. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
MehrKapitel 7. Bildverarbeitung im Frequenzraum
Kapitel 7 Bildverarbeitung im Frequenzraum Durchführung von Faltungen im Frequenzraum Filterung im Frequenzraum: Tiefpass- und Hochpass-Filter, etc. Bildrestaurierung Notch-Filter: Entfernung periodischer
MehrComputergrafik 2: Übung 2. Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung
Computergrafik 2: Übung 2 Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung Inhalt Besprechung von Übung 1 Subsampling und Moiré Effekte Color Maps Histogrammlinearisierung Computergrafik
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
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation 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 Fourier-Transformation Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 1 Einordnung in die Inhalte der Vorlesung Einführung
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
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
MehrFouriertransformation und Unschärfeprinzip
Information, Codierung, Komplexität 2 SS 2007 24. April 2007 Das berühmte von Heisenberg in der Quantentheorie beruht, rein mathematisch betrachtet, auf einer grundlegenden Eigenschaft der der Dichtefunktionen
MehrVERTEILUNGEN VON FUNKTIONEN EINER ZUFALLSVARIABLEN
KAPITEL 15 VETEILUNGEN VON FUNKTIONEN EINE ZUFALLSVAIABLEN In diesem Kapitel geht es darum, die Verteilungen für gewisse Funktionen von Zufallsvariablen zu bestimmen. Wir werden uns auf den Fall absolut
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,
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
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
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
MehrKapitel 8: Zeitdiskrete Zufallssignale
ZHAW, DSV2, 2007, Rumc, 8-1 Kapitel 8: Zeitdiskrete Zufallssignale Inhaltsverzeichnis 1. STOCHASTISCHER PROZESS...1 2. STATISTISCHE EIGENSCHAFTEN EINER ZUFALLSVARIABLEN...2 3. STATISTISCHE EIGENSCHAFTEN
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
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
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrFaltung, Korrelation, Filtern
Faltung, Korrelation, Filtern Wie beschreibe ich lineare Systeme (z.b. Seismometer) -> Faltung, Konvolution, Dekonvolution? Wie quantifiziere ich die Ähnlichkeit von Zeitreihen (-> Korrelation) Wie quantifiziere
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
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
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
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
MehrKapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
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
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
MehrStatistische Kennwerte und -funktionen. Dr.-Ing. habil. H. Nobach
Statistische Kennwerte und -funktionen Dr.-Ing. habil. H. Nobach 1. Einführung Statistische Kennwerte und -funktionen, wie Mittelwert Varianz Wahrscheinlichkeitsdichte Autokorrelation spektrale Leistungsdichte
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
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
MehrTeil IV-A: Signal- und Bildverarbeitung Methoden
Teil IV-A: Signal- und Bildverarbeitung Methoden 1. Aufgaben der Signal- / Bildverarbeitung 2. Elementare Verarbeitungsmethoden 3. 2D Fourier-Transformation und Faltung Aufgaben der Signal- / Bildverarbeitung
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
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
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrGrundlagen der Statistischen Nachrichtentheorie
- Prof. Dr.-Ing. Thomas Sikora - Name:............................ Vorname:......................... Matr.Nr:........................... Ich bin mit der Veröffentlichung des Klausurergebnisses unter meiner
MehrY = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2
Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten
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
MehrDigitale Signalbearbeitung und statistische Datenanalyse
Digitale Signalbearbeitung und statistische Datenanalyse Teil 6 146 2. Teil Ziele der Filteranwendung Signal-Trennung (z.b. EKG eines Kindes im Mutterleib, Spektralanalyse) Signal-Restauration (z.b. unscharfes
MehrMultimediale Werkzeuge 1, Audio-Berabeitung. normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1
Multimediale Werkzeuge 1, Audio-Berabeitung normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1 Beachte: Teilbänder werden nach den Unter-Abtasten "aufgeblasen" (siehe
MehrMonotone Approximationen durch die Stirlingsche Formel. Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings
Monotone Approximationen durch die Stirlingsche Formel Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings Formel für n!: e n n e n n! e n n+/2 e n Genauer zeigen wir, dass die Folge
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrIm Frequenzbereich beschreiben wir das Verhalten von Systemen mit dem Komplexen Frequenzgang: G (jω)
4 Systeme im Frequenzbereich (jω) 4.1 Allgemeines Im Frequenzbereich beschreiben wir das Verhalten von Systemen mit dem Komplexen Frequenzgang: G (jω) 1 4.2 Berechnung des Frequenzgangs Beispiel: RL-Filter
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
MehrZufallssignal Stationär (z.b. gleichverteiltes Rauschen) Nicht-stationär (z.b. normalverteiltes Rauschen mit wechselnder Streuung) Deterministisches
Zufallssignal Stationär (z.b. gleichverteiltes Rauschen) Nicht-stationär (z.b. normalverteiltes Rauschen mit wechselnder Streuung) Deterministisches Signal Periodisch harmonische Schwingung Summe harmonischer
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Gewöhnliche Differentialgleichungen Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Gew. DGl 1-1 Zusammenfassung y (x) = F (x, y) Allgemeine
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
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
Mehr12.2 Gauß-Quadratur. Erinnerung: Mit der Newton-Cotes Quadratur. I n [f] = g i f(x i ) I[f] = f(x) dx
12.2 Gauß-Quadratur Erinnerung: Mit der Newton-Cotes Quadratur I n [f] = n g i f(x i ) I[f] = i=0 b a f(x) dx werden Polynome vom Grad n exakt integriert. Dabei sind die Knoten x i, 0 i n, äquidistant
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrDie Eigenschaften von Systemen. S gesendet. S gesendet. S gesendet. Ideales System (idealer Wandler): Die Signaleigenschaften werden nicht verändert
Die Eigenschaften von Systemen Ideales System (idealer Wandler): Die Signaleigenschaften werden nicht verändert S gesendet IDEALER WANDLER S gesendet Reales System (realer Wandler): Es entstehen Verzerrungen
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
MehrAktive Filter. Talal Abdulwahed. Betreuer: Christian Brose
Aktive Filter Betreuer: Christian Brose 1 2 1. Einführung 2. Unterschied zwischen aktive und passive Filtern 3. Was ist die Ordnung eines Filters? 4. Verschiedene Arten der aktiven Filtern 1. Tiefpassfilter
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
MehrGrundlagen der Statistischen Nachrichtentheorie
Grundlagen der Statistischen Nachrichtentheorie - Prof. Dr.-Ing. Thomas Sikora - Name:............................ Vorname:......................... Matr.Nr:........................... Ich bin mit der
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
Mehr5. Übung für Übungsgruppen Musterlösung
Grundlagenveranstaltung Systemtheorie WS 6/7 (H.S. Stiehl, AB Kognitive Systeme, Department Informatik der Universität Hamburg) 5. Übung für Übungsgruppen Musterlösung (U. Köthe, Department Informatik,
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
MehrZusammenfassung Abitursstoff Mathematik
Zusammenfassung Abitursstoff Mathematik T. Schneider, J. Wirtz, M. Blessing 2015 Inhaltsverzeichnis 1 Analysis 2 1.1 Monotonie............................................ 2 1.2 Globaler Verlauf........................................
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrDigitale Signalverarbeitung, Vorlesung 7 - IIR-Filterentwurf
Digitale Signalverarbeitung, Vorlesung 7 - IIR-Filterentwurf 5. Dezember 2016 Siehe begleitend: Kammeyer / Kroschel, Digitale Signalverarbeitung, 7. Auflage, Kapitel 4.2 1 Filterentwurfsstrategien 2 Diskretisierung
MehrS a m s t a g, 2 1. J a n u a r
S a m s t a g, 2 1. J a n u a r 2 0 1 7 D e r e r s t e T a g d e s n e u e n D o n J a, d a v e r w e i s e i c h d o c h g e r n a u f : R e a l G a m e o f T h r o n e s : H a b e m u s D o n a l d
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrDie Maximum-Likelihood-Methode
Vorlesung: Computergestützte Datenauswertung Die Maximum-Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrAudio-Bearbeitung. Diese Freq. Anteile «verschwinden» nach dem unterabtasten Filter muß schmal genug sein! Nach Unterabtastung
Audio Signal Audio-Bearbeitung Ampl Vor Unterabtastung Teilband Grenzen Normierte Frequenz (normierte Abtastrate, maximale Frequenz ist pi oder 1) Teilbänder Diese Freq. Anteile «verschwinden» nach dem
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
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
MehrAnaloge und digitale Filter
Technische Universität Ilmenau Fakultät Elektrotechnik und Informationstechnik FG Nachrichtentechnik Übungsaufgaben zur Lehrveranstaltung Analoge und digitale Filter Filter. Ordnung. Betrachtet wird ein
MehrRegularisierung in Bildrekonstruktion und Bildrestaurierung
Regularisierung in Bildrekonstruktion und Bildrestaurierung Ulli Wölfel 15. Februar 2002 1 Einleitung Gegeben seien Daten g(x, y), die Störungen enthalten. Gesucht ist das (unbekannte) Originalbild ohne
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrProjektdokumentation
Thema: Bildschärfung durch inverse Filterung von: Thorsten Küster 11027641 Lutz Kirberg 11023468 Gruppe: Ibv-team-5 Problemstellung: Bei der Übertragung von Kamerabildern über ein Video-Kabel kommt es
MehrFourier Optik. Zeit. Zeit
Fourier Optik Beispiel zur Fourier-Zerlegung: diskretes Spektrum von Sinus-Funktionen liefert in einer gewichteten Überlagerung näherungsweise eine Rechteckfunktion Sin t Sin 3t Sin 5t Sin 7t Sin 9t Sin
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrProf. Dr. Stefan Weinzierl SNR V = P signal P noise
Audiotechnik II Digitale Audiotechnik: 5. Tutorium Prof. Dr. Stefan Weinzierl 0.11.01 Musterlösung: 1. November 01, 15:50 1 Dither a) Leiten sie den SNR eines idealen, linearen -bit Wandlers her. Nehmen
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
MehrGrundlagen der Fourier Analysis
KAPITEL A Grundlagen der Fourier Analysis Wir definieren wie üblich die L p -Räume { ( } 1/p L p (R) = f : R C f(x) dx) p =: f p < 1. Fourier Transformation in L 1 (R) Definition A.1. (Fourier Transformation,
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
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
Mehr