Computergrafik 2: Kanten, Linien, Ecken
|
|
- Ingelore Gerber
- vor 6 Jahren
- Abrufe
Transkript
1 Computergrafik 2: Kanten, Linien, Ecken Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen der Bildverarbeitung. Pearson Studium, 2005)
2 Themen heute Kanten Kantenoperatoren Kantenattribute Kanten und Rauschen Canny-Kantenerkennung Harris-Eckenerkennung Hough-Transformation Computergrafik 2 SS2011 2
3 NACHTRAG: TEMPLATE MATCHING DURCH KORRELATION Computergrafik 2 SS2011 3
4 Template Matching Gezielte Suche nach einem vorgegebenen Objekt (Template / Modell) Für jeden Punkt im Bild wird ein Abstandsmaß zwischen Form und Bild berechnet Position des Objekts = Punkt, an dem Maß extrem ist Abstandsmaße zwischen Bild f(x,y) und Template t(x,y) Mean absolute difference: MAD(x,y)=1 / MN Σ xy f(x+m,y+n) - t(x,y) ß Minimum Sum of squares: SSQ(x,y)=Σ xy (f(x+m,y+n) - t(x,y)) 2 ß Minimum Korrelationskoeffizient: cc(x,y) ß Maximum Computergrafik 2 SS2011 4
5 Template Matching Bild Template Maximum ist im Mittelpunkt der gesuchten Struktur -MAD(x,y) Computergrafik 2 SS2011 5
6 Template Matching Rauschen Bild Template T org Unempfindlich gegenüber Rauschen (Summation) -MAD(x,y) Computergrafik 2 SS2011 6
7 Template Matching Probleme Bild Template (Rot[T org,15 ]) Match ist nicht perfekt: Werte der lokalen Maxima gleichen sich an -MAD(x,y) Computergrafik 2 SS2011 7
8 Template Matching - Probleme Bild Template (0.5 T org ) Unterschiedlich skalierte Grauwerte des Templates: Lokale Maxima beginnen zu verschwinden -MAD(x,y) Computergrafik 2 SS2011 8
9 Template Matching - Probleme Bild Template (T org -120) Unterschiedliche Durchschnittsgrauwerte: Lokale Maxima beginnen zu verschwinden -MAD(x,y) Computergrafik 2 SS2011 9
10 Korrelationskoeffizient Korrelationskoeffizient: -1 cc 1 σ(f), σ(g): Standardabweichungen von f und g σ(f,g): Kovarianz zwischen f und g ist cc =! ( f, g )! ( f )!! ( g) Werte des Korrelationskoeffizienten 1, falls es einen positiven Skalar s gibt, so dass f = s g 1, falls es einen negativen Skalar s gibt, so dass f = s g 0, falls f und g voneinander linear unabhängig sind als Ähnlichkeitsmaß unempfindlich gegenüber Skalierungen und Mittelwertveränderungen des Templates Computergrafik 2 SS
11 Template Matching mit Korrelationskoeffizient T org 0.5 T org T org -120 (a) (b) (c) Resultate der Korrelation mit (a) optimalen, (b) skalierten und (c) geminderten Templates Computergrafik 2 SS
12 Erkennung von Merkmalen Merkmal (engl. feature ): wichtiges/interessantes lokales Muster Erkennung von Merkmalen wichtiger Schritt beim Lokalisieren oder Erkennen von Objekten in Bildern Beispiele für Merkmale Kanten Linien Punkte Ecken Spezifische Muster Texturen Computergrafik 2 SS
13 KANTEN, LINIEN, PUNKTE Computergrafik 2 SS
14 Kanten, Linien, Punkte Starke lokale Intensitätsänderungen Ableitung Stärke der Intensitätsänderung Betrag / Gradient der Ableitungsfunktion Diskrete Bilder Ableitung angenähert durch Differenzenquotient Computergrafik 2 SS
15 Erste und zweite Ableitung von Bildern Erste Ableitung:!f (x) = f (x +1)" f (x)!x Zweite Ableitung:! 2 f!f!f (x) = (x +1)"! 2 x!x!x (x) = ( f (x +1)" f (x)) "( f (x)" f (x "1)) = f (x +1)+ f (x "1)" 2 f (x) Abbildung: R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
16 Abbildung: R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
17 Intensitätsprofil, erste und zweite Ableitung Intensitätsprofil erste Ableitung zweite Ableitung Computergrafik 2 SS
18 Gaußsches Rauschen, σ = Intensitätsprofil erste Ableitung zweite Ableitung Computergrafik 2 SS
19 Gaußsches Rauschen, σ = Intensitätsprofil erste Ableitung zweite Ableitung Computergrafik 2 SS
20 Gaußsches Rauschen, σ = 0.01 Intensitätsprofil erste Ableitung zweite Ableitung Computergrafik 2 SS
21 Kantenhervorhebung durch Frequenzraumfilterung Kanten weisen mehr hochfrequente Anteile auf als homogene Gebiete Hochpassfilterung H F max ( u, v) = 1 0, falls u, sonst. 2 + v 2 F 2 max Computergrafik 2 SS
22 Filterung mit idealem Hochpass- und Butterworth-Hochpassfilter IHPF BHPF Computergrafik 2 SS
23 Kanten im 2-D Raum Kanten können beliebig orientiert sein Differenzbildung in zwei orthogonalen Differenzbildung Richtungen in n-richtung Pseudo-3D Eindruck Differenzbildung in m-richtung Computergrafik 2 SS
24 Kanten im 2D-Raum: Gradienten Gradient im kontinuierlichen Raum (x,y): Vektor der partiellen Ableitungen der Bildfunktion in x- und y-richtung: (f(x,y)) = ( f/ x f/ y) Approximation des Gradienten: Differential wird durch Differenz approximiert: Die Länge des Gradienten ist sein Betrag G(f) oder näherungsweise Gx + Gy. Computergrafik 2 SS
25 Gradientenschätzung über Konvolution Gradient im N-dimensionalen Raum ist ein N- dimensionaler Vektor aus N partiellen Ableitungen Jede partielle Ableitung kann durch eine Differenz abgeschätzt werden, die durch Konvolution berechnet werden kann Beispiele:! # G x m, n # G y m, n "! G m, n ( ) = g x = ( ),1 1 * + g x = ( ),1 0 1 ( ) ( ) ( g y = -,1 ) 1 * + & &, G x m, n % ( - g y = - - ) ( ) [ f * g x ] m, n * (., g R1 = -,1 0 + ) 0 1,1 0 1 *... + ( ), G y m, n ( ) f * g y * (. g R2 = - 0,1 + ) 1 0 () * + ( m, n). *. + (g R1, g R2 : Robert s Gradient) Computergrafik 2 SS
26 Elemente des Gradienten Betrag: sqrt(g x 2 + G y2 ) Richtung: tan -1 (G y / G x ) Computergrafik 2 SS
27 Roberts Gradient " #! % & rauscharmes Bild (links) verrauschtes Bild (rechts) Betrag des Gradienten (unten) " # 0!1 1 0 Roberts-Operator rauschempfindlich % & Computergrafik 2 SS
28 Rauschen und Kanten Hintergrundartefakte (Rauschen) werden verstärkt Computergrafik 2 SS
29 Sobel Operator und Faltungskern kombiniert Glättung und Differenzierung in einem Operator Nicht perfekt rotationsinvariant Computergrafik 2 SS
30 Ableitungen der Gaußfunktion y partielle Ableitung in x x y partielle Ableitung in y x Computergrafik 2 SS
31 Ableitung der Gaußfunktion 1 2D-Gaußfunktion: G(x, y) = 2!" exp "! x2 + y 2 2 # 2" 2 % & kombiniert Glättung und Ableitung erste Ableitung der Gaußfunktion in x-richtung!g( x, y) 1 )"2x =!x 2!" 2 2" exp # " x2 + y 2 &, + % (. = " x * 2 2" 2-2!" exp # " x2 + y 2 % 4 2" 2 & ( erste Ableitung der Gaußfunktion in y-richtung!g( x, y) 1 )"2y =!y 2!" 2 2" exp # " x2 + y 2 &, + % (. = " y * 2 2" 2-2!" exp # " x2 + y 2 & % ( 4 2" 2 separabel? Computergrafik 2 SS
32 Ableitung der Gaußfunktion erste Ableitung der Gaußfunktion in x-richtung erste Ableitung der Gaußfunktion in y-richtung Computergrafik 2 SS
33 Sobel vs. Gauß 3x3 Sobel 13x13 Gauß Computergrafik 2 SS
34 Optimale Kantenfilterung Annahme: Bild ist homogen mit Ausnahme von Funktionswertänderungen an idealen Kanten Repräsentation im Frequenzraum homogener Bereich mit Grauwert g: F(0,0) = g und F(u,v)=0 für u,v 0 Kante: F(0,0) = 0 und F(u,v) 0 für u,v 0 Rauschen: F(u,v) 0 Computergrafik 2 SS
35 Kanten und Rauschen Kante im Frequenzraum Filter suchen mit: F(0,0) = 0 F(u,v) = w, falls (u 2 +v 2 )<r 2 0, sonst r FT(edge) FT(noise) Computergrafik 2 SS
36 Fourier-Tranformation der Ableitung des Gaußfilters FFT Computergrafik 2 SS
37 Fourier-Tranformation der Ableitung des Gaußfilters Ableitungen des Gaußfilters unterschiedlicher Varianz (im Ortsraum) Repräsentation im Frequenzraum Computergrafik 2 SS
38 F(u) s=1.0 Filter unterdrückt Rauschen ungenügend u F(u) Filter Kante Rauschen Filter u s=2.0 Filter ist nahezu optimal Computergrafik 2 SS
39 F(u) s=4.0 Filter ist nahezu optimal u F(u) Filter Kante Rauschen Filter u s=8.0 Filter unterdrückt Kante Computergrafik 2 SS
40 Filterresultat Kante*Kantenfilter s=8.0 s=4.0 s=2.0 s=1.0 x Computergrafik 2 SS
41 Zweidimensionales optimales Filter Rauschunterdrückung und Kantenhervorhebung gemäß Frequenzraumcharakteristik Filterung nur entlang größter Steigung Computergrafik 2 SS
42 Computergrafik 2 SS Kompassfilter Dienen der Hervorhebung von Kanten in einer bestimmten Richtung Prewitt-Operator Kirsch-Operator (nicht-linear, sucht maximale Kantenstärke) = = = = , , h h h h h 1 = !5!5!5 " # % &, h 2 = 3 3 3!5 0 3!5!5 3 " # % &, h 3 =!5 3 3!5 0 3!5 3 3 " # % &... h 8 = !5 3!5!5 " # % & h(n, m) = max z=1,...,8 h z (i, j)( f (n + i, m + j) j=!1 1 ) i=!1 1 )
43 Kirschoperator? Computergrafik 2 SS
44 ZWEITE ABLEITUNG Computergrafik 2 SS
45 Zweite Ableitung Vorzeichenwechsel ist leichter zu erkennen, als ein Minimum oder Maximum Gradient (Länge) als Maß für die Wichtigkeit einer Kante zweite Ableitung für den Ort der Kante (Nulldurchgang) Operatoren zur Berechnung der zweiten Ableitung Laplace Filter Marr-Hildreth Filter (LoG Filter, Mexican Hat) DoG (Difference of Gaussians) f(x) f (x) f (x) f (x) Bildzeile x x x Computergrafik 2 SS
46 Laplace-Funktion Summe der partiellen zweiten Ableitungen 2 ( x, y) f ( x y) 2 2 f, f ( x, y) = x y Nulldurchgänge der Laplace-Funktion produzieren zusammenhängende Kurven entlang von Bildkanten Approximation durch Kombination einer doppelten Differenzbildung in x- und y-richtung! 2 f!f!f (x) = (x +1)"! 2 x!x!x (x) = ( f (x +1)" f (x))" ( f (x)" f (x "1)) = f (x "1)" 2 f (x)+ f (x +1)! 2 f! 2 y!f!f (y) = (y +1)"!y!y (y) = ( f (y +1)" f (y))" ( f (y)" f (y "1)) = f (y "1)" 2 f (y)+ f (y +1) Computergrafik 2 SS
47 Laplace-Funktion zweite Ableitung in x-richtung! 2 f!f!f (x) = (x +1)"! 2 x!x!x (x) = ( f (x +1)" f (x))" ( f (x)" f (x "1)) = f (x "1)" 2 f (x)+ f (x +1) " # ! % & zweite Ableitung in y-richtung! 2 f! 2 y!f!f (y) = (y +1)"!y!y (y) = ( f (y +1)" f (y))" ( f (y)" f (y "1)) = f (y "1)" 2 f (y)+ f (y +1) " # ! % & Computergrafik 2 SS
48 Laplace-Funktion Summe der partiellen zweiten Ableitungen " # ! % " + & # ! % " = & # ! % & Addition von um diagonale Richtungen, um rotationsinvarianten Operator zu erhalten " # ! % " + & # ! % " + & # ! % " + & # ! % " = & # ! % & Computergrafik 2 SS
49 Laplace-Operator Nulldurchgänge des Laplace-Operators mittleres grau = 0, dunkle Pixel < 0, helle Pixel > 0 Computergrafik 2 SS
50 Schärfen eines Bildes mit Lapace-Operator Abbildung: R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
51 Unscharfes Maskieren Originalbild unschärfer machen (Tiefpass filtern) Unscharfes Bild vom Original subtrahieren (ergibt die unscharfe Maske) Maske (nach Skalierung) zum Original addieren Highboost filtering Abbildung: R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS
52 Marr-Hildreth-Filter = LoG-Filter LoG-Filter: Laplacian-of-Gaussian, d.h. der Faltung mit dem Laplacefilter geht eine Glättung mit einer Gaußfunktion voraus y LoG Operator x LoG x 1 2 x + y (, y) = 1 exp πσ 2σ 2σ 2 2 x + y 2 Auch genannt: Mexican hat filter Computergrafik 2 SS
53 Laplace-Funktion der Gaußfunktion 2D-Gaußfunktion: G(x, y) = 1 2!" exp "! x2 + y 2 2 # 2" 2 % & Laplace-Funktion der Gaußfunktion (zweite Ableitung)! 2 G x, y ( ) = "2 G( x, y) ( ) + "2 G x, y "x 2 "y 2 1 " *#2x = 2!" 2 "x 2" exp # x2 + y 2 -, & )/+ 1 " *#2y + 2 % 2" 2 (. 2!" 2 "y 2" exp # x2 + y 2 -, & )/ + 2 % 2" 2 (. = 1 * x 2, 2!" 2 " # " 2 - /exp # x2 + y 2 & )+ 1 * y 2,. % 2" 2 ( 2!" 2 " # = 1 * x 2 + y 2 -, #1/exp # x2 + y 2 & )!" 4 + 2" 2. % 2" 2 ( " 2 - /exp # x2 + y 2 & ). % 2" 2 ( Computergrafik 2 SS
54 Marr-Hildreth-Filter = LoG-Filter Vorteile der Laplace-Funktion der Gaußfunktion Glättung und Kantenhervorhebung in einem Operator wegen Glättung weniger empfindlich bei Rauschen Gaußfunktion erzeugt keine Ringing-Artefakte rotationsinvariant separabel Marr-Hildreth-Algorithmus zur Kantenerkennung g(x, y) = " #! 2 G(x, y) % & f (x, y) =!2 G(x, y)& f (x, y) 1. nxn Gaußfilter anwenden 2. 3x3 Laplace-Filter anwenden (-8 umrahmt von 1en) 3. Zero-crossings finden (threshold verwenden) [ ] LoG Operator Computergrafik 2 SS
55 DoG (Difference of Gaussians) Approximation des LoG durch DoG Subtraktion zweier Gaußfilter unterschiedlicher Varianz 1 DoG(x, y) = 2!" exp "! x2 + y 2 % 2 2! 1 1 # 2! 1 & 2"! exp "! x2 + y 2 % # 2!" 2 & σ 1 =40.0 σ 2 =25.0 DoG Computergrafik 2 SS
56 CANNY EDGE DETECTION Computergrafik 2 SS
57 Edge Linking zur Unterscheidung von Kanten und Rauschen eingefügte Kantenverbindungen Normale Suchrichtung aktuelle Startpixel Anfangs sind alle Kantenpixel frei und nicht untersucht Edge Linking sucht sich das nächste nicht untersuchte und freie Kantenpixel und versucht es mit anderen Pixeln zu einem Kantenzug zu verknüpfen Computergrafik 2 SS
58 Edge Linking verbindet Kantenpixel zu Kantenzügen 1. Suche nächstes Kantenpixel, das noch nicht als untersucht markiert wurde, erkläre es zum Startpixel eines Kantenzugs 2. Falls sich in Umgebung des Kantenpixels orthogonal zur Kantenrichtung unmarkierte Kantenpixel mit ähnlicher Gradientenrichtung und stärke befinden a. Markiere die Pixel als zum selben Kantenzug gehörend b. Erkläre diese Pixel zu neuen Startpixeln c. Gehe zu Schritt 2 3. Falls sich in Umgebung markierte Pixel befinden, die den obigen Bedingungen genügen, dann wurde eine Verzweigung gefunden 4. Falls ein Kantenpixel gefunden, gehe zu Schritt 1 Computergrafik 2 SS
59 Canny Edge Operator Ziele möglichst viele Kanten fehlerfrei vom Hintergrund unterscheiden (niedrige Rate von Fehldetektionen) Kanten genau lokalisieren für jede Kante genau eine Detektorantwort Canny Operator besteht aus Kantenhervorhebung und Erzeugung von Kantenzügen Startpixel können nur Pixel sein, deren Gradientenlänge oberhalb einer Signifikanzschwelle T1 liegt Neue Kantenpixel werden in den Kantenzug eingefügt, wenn ihre Gradientenlänge größer als T2 ist (T2<T1) Computergrafik 2 SS
60 Canny Edge Detection Algorithmus 1. Bild mit Gaußfilter glätten 2. Gradientenoperator (Sobel, Prewit, etc.) anwenden ergibt Gradientenlänge und richtung 3. Non-maxima Unterdrückung anwenden a. Unterdrücke Punkt, falls ein Nachbar in Gradientenrichtung größere Gradientenlänge hat 4. Doppeltes Tresholding anwenden (T 1 > T 2 ) a. Wähle Punkt als Startpunkt eines Kantenzugs, falls Gradientenlänge T 1 (starke Kante) b. Nimm nächsten Punkt entlang der Kante in Kantenzug auf, falls dessen Gradientenlänge T 2 (schwache Kante, falls < T 1 ) Verhalten hängt von T 1, T 2, sowie Gaußfilter ab Computergrafik 2 SS
61 Non-Maxima Unterdrückung Quantisieren der Kantenorientierung in eine von vier Richtungen: horizontal, vertikal, +45, -45 Falls Gradientenlänge kleiner als einer seiner Nachbarn in Kantenorientierung, dann unterdrücken, sonst behalten Computergrafik 2 SS
62 Doppeltes Thresholding starkes Kanten: L[x,y] T 1 schwaches Kante: T 1 > L[x,y] T 2 typischerweise T 1 / T 2 = 2..3 schwache Kanten überleben nur, wenn sie starke Kanten fortsetzen Computergrafik 2 SS
63 Nulldurchgänge Die Orte der Nulldurchgänge der zweiten Ableitung sind Ränder zusammenhängender Gebiete Methode: Laplace-Operator Nulldurchgänge bestimmen: 2 (f(i,j)) 2 (shift(f(i,j))) 0 (shift: Verschiebung des Bilds um ein Pixel in jede Richtung) Laplace- Operator: " #!1!1!1!1 8!1!1!1!1 % & Computergrafik 2 SS
64 Nulldurchgänge Kombination des Laplace- Operators mit Glättungsoperator (z.b. als LoG-Operator) reduziert die Anzahl der Nulldurchgänge Threshold auf Gradientenlänge reduziert Anzahl der Nulldurchgänge ebenfalls Computergrafik 2 SS
65 HOUGH TRANSFORMATION Computergrafik 2 SS
66 Hough Transformation Modellbasierte Suche (Template Matching) Modell einer Regionengrenze ist vorgegeben Information über mögliche Kantenorte ist gegeben (z.b. durch Gradientenlänge) Zielsetzung: Orte finden, an denen Modell und Bild optimal übereinstimmt Hough-Transformation Voting(Abstimmungs)-Mechanismus, bei dem jeder Ort in Abhängigkeit der lokalen Information für das Modell stimmt entwickelt für Geraden, erweiterbar für beliebige Formen Computergrafik 2 SS
67 Hough Transformation (HT) Suche von Geraden in einem Binärbild Geradenrepräsentation: x cos(α) + y sin(α) d = 0 Punkt (x n,y n ) α d d(α) d xn,yn (α) α Hough-Transformation: Suche alle Parameter (α,d) für Geraden, die durch einen Punkt (x n,y n ) gehen d(α) = x n cos(α)+y n sin(α) Der Raum, der durch (α,d) aufgespannt wird, heißt Hough-Raum Computergrafik 2 SS
68 Berechnung der HT Punkt (x n,y n ) α d d(α) d xn,yn (α) α Erzeugung eines Kantenbilds durch Schwellenwertsetzung auf Gradientenlängen Diskretisierung des (α,d)-raums (Zerlegung in Akkumulatoren) Für jeden Punkt x n,y n wird eine Kurve im (α,d)-raum diskretisiert Jeder Akkumulator wird inkrementiert, sobald eine Kurve durch ihn verläuft Parameter von Linien im Ortsraum sind durch (α,d)-kombinationen gegeben, deren Wert (Stimmenanzahl, votes) nach Ausführung der Transformation am höchsten sind Computergrafik 2 SS
69 Hough Transformation d(a) Schwelle auf Gradientenlänge a Computergrafik 2 SS
70 Hough Transformation Breite Kanten führen zu flacheren Maxima im Hough- Raum d(a) a Computergrafik 2 SS
71 Hough Transformation in nicht-binären Bildern Bei Gewichtung der Stimmanzahl durch die Kantenstärke lassen sich Kanten von Rauschen unterscheiden Computergrafik 2 SS
72 Hough Transformation für Kreise Kreisgleichung für Kreis mit Mittelpunkt (x c, y c ) und Radius r: (x-x c ) 2 + (y-y c ) 2 - r 2 = 0 Falls der Radius bekannt ist, ist nur der Verschiebevektor (x c, y c ) gesucht Hough-Raum = Ortsraum Um jeden Kantenpunkt wird ein Kreis mit Radius r diskretisiert y Beschleunigung: Akkumulator wird nur in Distanz r in und entgegen der Gradientenrichtung inkrementiert x Computergrafik 2 SS
73 Hough Transformation für Kreise Akkumulatorzellen mit mehr als 33% der maximalen Stimmenanzahl selektierte Kreise mit r = 4.5mm Computergrafik 2 SS
74 ECKEN Computergrafik 2 SS
75 Erkennung von Ecken Viele Bilderkennungsalgorithmen benötigen Merkmale, die eine stabile Position in (x,y) haben Kanten sind nur in einer Richtung lokalisiert à Ecken in zwei? Gewünschte Eigenschaften von Merkmalen (in verschiedenen Bildern vom gleichem Objekt / der gleichen Szene) Genaue Lokalisierbarkeit Invarianz gegenüber Rotation, Skalierung, Helligkeitsänderung Robust gegenüber Rauschen Slide and illustration adapted from Bern Girod, Digital Image Processing Computergrafik 2 SS
76 Verschiebung Effekt einer Verschiebung um (kleine) Δx, Δy Flache Region: keine Änderung im Erscheinungsbild Kante: keine Änderung bei Verschiebung entlang der Kante Ecke: große Änderung in jeder Richtung Harris-Corner-Detektor beschreibt diese Fälle Intensitätsänderung bei Verschiebung um Δx, Δy s(!x,!y) = [ f (x, y)" f (x +!x, y +!y)] 2 (x,y)#window Lineare Approximation für (kleine) Δx, Δy f (x +!x, y +!y) " f (x, y)+ f x (x, y)!x + f y (x, y)!y f x, f y sind Gradienten in x- bzw. y-richtung Computergrafik 2 SS
77 Verschiebung Lineare Approximation für (kleine) Δx, Δy f (x +!x, y +!y) " f (x, y)+ f x (x, y)!x + f y (x, y)!y s(!x,!y) " ( (x,y)window # = ( / f x (x, y) f y (x, y) (x,y)window/ 2 # f x (x, y)!x + f y (x, y)!y% & ( ) # = ( / f x (x, y) f y (x, y) (x,y)window/ ( =!x!y (x,y)window ( ) ) + * ) + *!x!y!x!y,% 0. -& 0 ( ) f x (x, y) f y (x, y) 2,%# ) 0/ (. f x (x, y) f y (x, y) ) -& 0 + / * ( )( f x (x, y) f y (x, y) )!x!y ) + *,% 0. -& 0!x!y,. - Computergrafik 2 SS
78 Verschiebung ) =!x!y (x,y)(window =!x!y ( )( f x (x, y) f y (x, y) ) ( ) f x (x, y) f y (x, y) * ) ( ), f x (x, y) f y (x, y) ( ) =!x!y ( ) =!x!y +, *,, +, " # (x,y)(window ) (x,y)(window ( )( f x (x, y) f y (x, y) ) " # f x 2 f x f y f x f y f y 2 %- " / / &./ #!x!y ) 2 f x ) f x f y (x,y)(window (x,y)(window 2 ) f x f y ) f y (x,y)(window (x,y)(window % & % " # &!x!y " # % =!x!y & -" /./ #!x!y!x!y % & " # % & ( ) M!x!y % & Computergrafik 2 SS
79 Harris Corner Detector (Harris, Stephens, 1988) Second-moment matrix M = ( (x,y)window! w(x, y)* # # " f x 2 (x, y) f x (x, y) f y (x, y) f x (x, y) f y (x, y) f y 2 (x, y) & & % w(x,y): Gewichtungsfunktion, z.b. Gauß-Funktion Maß für die Stärke der Ecke C(x, y) = det(m )! k(trace(m )) 2 =! 1! 2! k(! 1 +! 2 ) 2 k = Computergrafik 2 SS
80 Harris Corner Detection Algorithmus Berechne die Ableitungen f x und f y in x- und y-richtung Berechne für jedes Pixel die Produkte der Ableitungen f x 2 = f x f x, f y 2 = f y f y, f xy = f x f y Berechne für jedes Pixel (x,y) die gewichtete Summe im Fenster um (x,y) Definiere für jedes Pixel (x,y) die Matrix M(x,y) Berechne für jedes Pixel das Maß der Eckenstärke Wende eine untere Schranke und non-maximum Unterdrückung an Computergrafik 2 SS
Elementare 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
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
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
MehrPraktikum-Meßtechnik Verfasser: Dr. H. Bergelt
TU Bergakademie Freiberg Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt Filter in der Bildverarbeitung. Einleitung Digitale Filter gehören zu den wirkungsvollsten Methoden der Bildverarbeitung. Wir können
MehrBildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science
Bildmerkmalssuche Seminar Computational Photography EINFÜHRUNG 2 Einführung Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand
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
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
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
MehrBildverarbeitung Herbstsemester. Binärbildanalyse
Bildverarbeitung Herbstsemester Herbstsemester 2010 2012 Binärbildanalyse 1 Inhalt Einführung Partikelfilterung und -analyse Auffinden von Regionen und Konturen Gruppenarbeit Erkennung von geometrischen
MehrZusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann
Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
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: Objekt-/Bilderkennung
Computergrafik 2: Objekt-/Bilderkennung 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
Mehr6. Computer Vision. Bilder der Szene erstellen
6. Computer Vision Idee: Dem Rechner beibringen zu sehen. Prinzipielle Vorgehensweise: (i) Bild(er) der Szene erstellen (ii) Szene identifizieren: Merkmalsextraktion 1 S Bilder der Szene erstellen Probleme:
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
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
MehrHauptseminar Autofokus
Hauptseminar Autofokus Hans Dichtl 30. Januar 2007 Wann ist ein Bild fokussiert? Wann ist ein Bild fokusiert? Welche mathematischen Modelle stehen uns zur Verfügung? Wie wird das elektronisch und mechanisch
MehrComputergrafik 2: Objekt-/Bilderkennung
Computergrafik 2: Objekt-/Bilderkennung 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 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
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
MehrInhalte. HS BO Lab. für Photogrammetrie: Verfahren zur automatisierten Auswertung 1
Inhalte Verfahren zur automatisierten Auswertung Korrespondenzanalyse Bildzuordnungsverfahren Merkmalsextraktion Merkmalsbasierte Zuordnung Interest-Operatoren Flächenbasierte Zuordnung Korrelationsalgorithmen
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
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
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
MehrBildrekonstruktion & Multiresolution
Bildrekonstruktion & Multiresolution Verkleinern von Bildern? Was ist zu beachten? Es kann aliasing auftreten! Das Abtasttheorem sagt wie man es vermeidet? ===> Page 1 Verkleinern von Bildern (2) Vor dem
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
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Inhaltsverzeichnis 1 Einführung 2 FFT 3 Anwendungen 4 Beschränkungen 5 Zusammenfassung Definition Fouriertransformation
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 ( )
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrKR II: Visuelle Verarbeitung II (Bildverarbeitung, Objekterkennung, Interpretation)
KR II: Visuelle Verarbeitung II (Bildverarbeitung, Objekterkennung, Interpretation) Prof. Dr. Verena V. Hafner, Humboldt-Universität zu Berlin, Institut für Informatik, WS 2008/2009 Ein Großteil dieser
MehrMathematik Abitur Zusammenfassung Marius Buila
Mathematik Abitur Zusammenfassung Marius Buila 1.Analysis 1.1 Grundlagen: Ableitung f (u) ist Steigung in Punkt P (u/f(u)) auf K f(x) = a * x r f (x) = a * r * x r-1 Tangentengleichung: y= f (u) * (x-u)
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
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
MehrDetektion, Kompression und Rekonstruktion von geometrischen Objekten mittels numerischer Methoden
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Detektion, Kompression und Rekonstruktion von geometrischen Objekten mittels numerischer Methoden Bachelorarbeit in Mathematik vorgelegt
MehrInteraktive Lokalisierung durch Objekterkennung
Bachelorarbeit Interaktive Lokalisierung durch Objekterkennung Adrian Batzill Albert-Ludwigs-Universität Freiburg im Breisgau Technische Fakultät Institut für Informatik Lehrstuhl für Algorithmen und Datenstrukturen
MehrProgrammierbeispiele und Implementierung. Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de
> Programmierbeispiele und Implementierung Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de 2 > Übersicht > Matrix Vektor Multiplikation > Mandelbrotmenge / Apfelmännchen berechnen > Kantendetektion
MehrVersuch 35: Speckle. F-Praktikum Versuch 35: Speckle N. Lindlein
Versuch 35: Speckle Norbert Lindlein nstitut für Optik, nformation und Photonik (Max-Planck-Forschungsgruppe) Universität Erlangen-Nürnberg Staudtstr. 7/B, D-958 Erlangen E-mail: norbert.lindlein@optik.uni-erlangen.de
MehrAnalyse von Bildmerkmalen zur Identifikation wichtiger Bildregionen
University of Mannheim/Computer Science Technical Report TR-2013-004 Analyse von Bildmerkmalen zur Identifikation wichtiger Bildregionen Jakob Huber, Stephan Kopf, Philipp Schaber Department of Computer
Mehr*UDGLHQWHQEDVLHUWH5HNRQVWUXNWLRQ YRQG2EHUIOlFKHQ
*UDGLHQWHQEDVLHUWH5HNRQVWUXNWLRQ YRQG2EHUIOlFKHQ Simon Winkelbach Institut für Robotik und Prozeßinformatik Technische Universität Braunschweig Hamburger Str. 267 D-38114 Braunschweig Technischer Bericht
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
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
MehrImage Forensics. http://www.csse.uwa.edu.au/~pk/forensic/index.html. Multimedia Sicherheit, Martin Steinebach
Image Forensics Forensische Anwendungen im Bildbereich sind mehrfach belegt Optimierung von Bildern, die z.b. mit Überwachungskameras aufgenommen wurden Rauschen entfernen http://www.csse.uwa.edu.au/~pk/forensic/index.html
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
MehrGeometrische Methoden der mathematischen Bildverarbeitung in der Materialprüfung
Geometrische Methoden der mathematischen Bildverarbeitung in der Materialprüfung Bachelorarbeit Hochschule: Studiengang: Student: Hochschule Neubrandenburg University of Applied Sciences Geoinformatik
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
MehrGrundlagen: Bildverarbeitung / Objekterkennung. Technische Universität München. Fakultät für Informatik. Seminar Thesis. Betreuer: Jan Bandouch
Grundlagen: Bildverarbeitung / Objekterkennung Technische Universität München Fakultät für Informatik Seminar Thesis Betreuer: Jan Bandouch Abgabedatum: 05.07.2006 von Julia Peterwitz Grundlagen der Bildverarbeitung
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
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrSkript zur Vorlesung Digitale Bildverarbeitung Sommersemester 2014
Skript zur Vorlesung Digitale Bildverarbeitung Sommersemester 2014 (Version 3.3, 3.4.2014) Susanne Winter Institut für Neuroinformatik 2 Inhalt Erläuterungen... 5 1. Einführung... 7 2. Was ist ein Digitales
MehrComputer Vision SS 2011. Skript
Computer Vision SS 211 Skript (Work in Progress) Simon Hawe & Martin Kleinsteuber Skript: Manuel Wolf Inhaltsverzeichnis 1 Einführung 1 1.1 Was ist ein Bild?................................. 1 1.2 Wie
Mehr3 Der Hamming-Code. Hamming-Codes
3 Der Hamming-Code Hamming-Codes Ein binärer Code C heißt ein Hamming-Code Ha s, wenn seine Kontrollmatrix H als Spalten alle Elemente in Z 2 s je einmal hat. Die Parameter eines n-k-hamming-codes sind:
MehrMathematik-Dossier. Die lineare Funktion
Name: Mathematik-Dossier Die lineare Funktion Inhalt: Lineare Funktion Lösen von Gleichungssystemen und schneiden von Geraden Verwendung: Dieses Dossier dient der Repetition und Festigung innerhalb der
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrChange Detection mittels Fourieranalysen, segment- sowie texturbasierter Methoden
gi-reports@igf Band 14 Institut für Geoinformatik und Fernerkundung (IGF) Change Detection mittels Fourieranalysen, segment- sowie texturbasierter Methoden Sascha Klonus, Daniel Tomowski, Manfred Ehlers,
MehrMATLAB Flächendarstellungen
MATLAB Flächendarstellungen Einführung in Matlab 3. Semester Wintersemester 2012/2013 3. Themenblock MATLAB - Flächendarstellungen 1 Allgemeines Flächendarstellungen: graphische Darstellung von Flächendaten
Mehr( ) als den Punkt mit der gleichen x-koordinate wie A und der
ETH-Aufnahmeprüfung Herbst 05 Mathematik I (Analysis) Aufgabe [6 Punkte] Bestimmen Sie den Schnittwinkel α zwischen den Graphen der Funktionen f(x) x 4x + x + 5 und g(x) x x + 5 im Schnittpunkt mit der
MehrAusgewählte Themen zu Bildverstehen und Mustererkennung. Challenges for Driver Assistance Systems Lane Detection. Christoph Bartenhagen.
Deckblatt Ausgewählte Themen zu Bildverstehen und Mustererkennung Lane Detection Christoph Bartenhagen 1 Agenda A Lane Detection B Vehicle Detection 2 Agenda Gliederung 1 Einleitung 2 Road Detection 3
MehrAufgaben des MSG-Zirkels 10b Schuljahr 2007/2008
Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrIntegration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern
Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Björn Burow SE Mustererkennung in Bildern und 3D-Daten Lehrstuhl Graphische Systeme BTU Cottbus Inhaltsübersicht
MehrVektorgeometrie. mathenachhilfe.ch. Version: 28. Dezember 2007 (Bitte nur für den Eigengebrauch verwenden) 1. Mathematische Operationen für Vektoren
Vektorgeometrie Version: 28. Dezemer 2007 Bitte nur für den Eigengerauch verwenden) mathenachhilfe.ch. Mathematische Operationen für Vektoren Addition + a + 3 = a + + + 3 + Sutraktion a 3 = a 3 Skalare
MehrSeminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Ingmar Gründel HAW-Hamburg 15. Dezember 2006 Ingmar Gründel Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
MehrNeuronale Netze mit mehreren Schichten
Neuronale Netze mit mehreren Schichten Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Neuronale Netze mit mehreren
MehrLarge-Scale Image Search
Large-Scale Image Search Visuelle Bildsuche in sehr großen Bildsammlungen Media Mining I Multimedia Computing, Universität Augsburg Rainer.Lienhart@informatik.uni-augsburg.de www.multimedia-computing.{de,org}
MehrSoftcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003
Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung
MehrVorlesung 3 MINIMALE SPANNBÄUME
Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei
MehrBildtransformationen. Geometrische Transformationen Grauwert-Interpolation
Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrSchwerpunkt Vektor vs. Pixel
the making of unregelmäßige Publikation Habemus Dito, Design Agentur Schwerpunkt Vektor vs. Pixel Neu in München Teil 1 Bürogemeinschaft I ngrid Tancsics, Innenarchitektur Schwerpunkt Vektor vs. Pixel
MehrSoftware in der Industriellen Bildverarbeitung
Software in der Industriellen Bildverarbeitung Technologieentwicklung am Beispiel Pattern Matching Dr. Olaf Munkelt MVTec Software GmbH MVTec Software GmbH Firma konzentriert sich auf Building Vision for
MehrKapitel 2. Grundlagen Computer Vision. ,,Even a journey of a thousand miles begins with a small step
Kapitel 2 Kapitel 2 Grundlagen p. 1/40 Grundlagen Computer Vision,,Even a journey of a thousand miles begins with a small step Bildtypen Beleuchtung Bildentstehung Digitale Topologie Globale Charakterisierung
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
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),
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrDynamisch unterrichten mit Excel
Reimund Albers Dynamisch unterrichten mit Excel Erstellen von Schiebereglern 1 Dynamisch unterrichten mit Excel oder: Wie erstelle ich einen Schieberegler in Excel? Beispiel: Demonstration der Abhängigkeit
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
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
MehrRealtime Human Body Tracking
Realtime Human Body Tracking Vortrag im Rahmen des Seminars Ausgewählte Themen zu Bildverstehen und Mustererkennung Lehrstuhl: Professor Dr. X. Jiang Referenten: Dipl.-Math. Kai Rothaus Dipl.-Inform. Steffen
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
MehrVersuch 3: Anwendungen der schnellen Fourier-Transformation (FFT)
Versuch 3: Anwendungen der schnellen Fourier-Transformation (FFT) Ziele In diesem Versuch lernen Sie zwei Anwendungen der Diskreten Fourier-Transformation in der Realisierung als recheneffiziente schnelle
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
MehrHauptkomponentenanalyse PCA
Hauptkoponentenanalyse PCA Die Hauptkoponentenanalyse (Principal Coponent Analysis, PCA) ist eine Methode zur linearen Transforation der Variablen, so dass: öglichst wenige neue Variablen die relevante
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrNon-Photorealistic Rendering
Übersicht 1. Motivation und Anwendungen 2. Techniken - Cel Shading - Konturlinien - Hatching Einführung Traditionelle Computergraphik Ziel: Fotorealismus Einführung Motivation Bewusste Vermeidung von
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
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
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrHauptdiplomklausur Informatik August 2006: Multimedia Technology
Universität Mannheim Fakultät für Mathematik und Informatik Lehrstuhl für Praktische Informatik IV Prof. Dr.-Ing. W. Effelsberg Hauptdiplomklausur Informatik August 2006: Multimedia Technology Name: Matrikel-Nr.:
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
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
MehrMasterarbeit. Studiengang Informatik. Dipl.-Inf. (FH) Michael Schäferling
Masterarbeit Studiengang Informatik Dipl.-Inf. (FH) Michael Schäferling Entwurf eines FPGA-basierten Systems zur Merkmalsextraktion für optische Trackingverfahren. Erstprüfer: Prof. Dr. Gundolf Kiefer
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
MehrTaylorentwicklung der k ten Dimension
Taylorentwicklung der k ten Dimension 1.) Taylorentwicklung... 2 1.1.) Vorgehenesweise... 2 1.2.) Beispiel: f ((x, y)) = e x2 +y 2 8x 2 4y 4... 3 2.) Realisierung des Algorithmus im CAS Sage Math... 5
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrArbeiten mit Adobe Photoshop Elements
D. Rudolph & J. E. von Specht Arbeiten mit Adobe Photoshop Elements Teil 1 Objekte freistellen Kompositionen erstellen Um Bildkompositionen zu erstellen, muss man gelegentlich Objekte freistellen. Dies
MehrSLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann
SLAM Simultaneous Localization and Mapping KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann Simultaneous Localization And Mapping SLAM Problematik SLAM Arten SLAM Methoden: (E)KF SLAM GraphSLAM Fast
MehrPrüfung der VO Grundlagen der digitalen Bildverarbeitung Kropatsch
Prüfung der VO Grundlagen der digitalen Bildverarbeitung Kropatsch Grundsätzliches: Im Allgemeinen scheint die Angabe etwas verwirrend zu sein, da man bei manchen Beispielen mit seiner Matrikelnummer jonglieren
MehrModulares ZBS - Weiterbildungsprogramm Industrielle Bildverarbeitung für die Automatisierung und Qualitätssicherung Modul 1
Modul 1 Lichttechnik / Beleuchtungstechnik Licht- und strahlungstechnische Grundlagen (spektrale und integrale Strahlungsgrößen, lichttechnische Grundgrößen, lichttechnische Stoffkennzahlen und Wirkungsgrade,
MehrPräsentationsübersicht. EXAPT-System- und. Bohren / Fräsen: Beispiel. Menue Kontur. Tutorial EXAPT, 2001. Ausbildung. Training
EXAPT-System- und Präsentationsübersicht Ausbildung Training Tutorial Bohren / Fräsen: Beispiel Menue Kontur 1 Kontur erzeugen 2 Offene Kontur erzeugen Konturelemente einzeln sammeln Mit dieser Funktion
Mehr