Was bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
|
|
- Hansl Weiss
- vor 6 Jahren
- Abrufe
Transkript
1 Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos statistische Merkmale Punktoperationen f : col 1 col 2 (Bildanalyse) (Farbtransformation) Geometrische Operationen f : pos 1 pos 2 (Koordinatentransformation) Interpolation der Intensitäten 1D- und 2D-Signale (analog, digital) Digitalisierung (Abtastung) von 1D- und 2D-Signalen Aliasing-Effekte Faltung von Signalen (Funktionen) Fourier-Transformierte / inverse Fourier-Transformierte und darin enthaltene Informationen über das Bild 113
2 Wiederholung Fourier-Transformation Bild B col pos Diskrete Fourier-Transformation F : col pos C pos m 1 m 1 (u, v) pos : F (B)(u, v) = B(x, y)e 2πi(ux/m+vy/n) x=0 y=0 inverse Fourier-Transformation F 1 : C pos R pos mit (x, y) pos : F 1 (C)(x, y) = 1 mn C(u, v)e 2πi(ux/m+vy/n) m 1 n 1 u=0 v=0 Anwendungen der Fourier-Transformation in der Bildverarbeitung: Erkennung typischer Bildeigenschaften, z.b. Größe, dominante Richtungen der Strukturen Transformation eines (Gesamt-)Bildes B in drei Schritten: 1. Fourier-Transformation C = F (B) C pos 2. Änderung der Fourier-Transformierten zu C (z.b. Löschen von Teilbildern) 3. inverse Fourier-Transformation B = F 1 (C ) 114
3 Transformationen im Frequenzraum punktweise Transformation f : pos C der Werte in der Fourier-Transformierten C C pos durch Multiplikation mit einer Funktion f : pos R Beispiel ( mit Abstand d, z.b. d(u, v) = u 2 + v 2 ): Tiefpass mit Schwellwert (Cut-Off-Frequenz) θ R { 1, falls d(u, v) θ f T (θ) (u, v) = 0 sonst Glättung, aber Ringing-Artefakte möglich 115
4 Mehr Beispiele Hochpass mit Schwellwert (Cut-Off-Frequenz) θ R { 0, falls d(u, v) θ f H(θ) (u, v) = 1 sonst Hervorhebung von Kanten Bandpass mit Schwellwerten θ 1, θ 2 R { 1, falls θ1 d(u, v) θ f B(θ1,θ 2 )(u, v) = 2 0 sonst Bandstop (analog) mit Schwellwerten θ 1, θ 2 R 116
5 Vermeidung der Ringing-Artefakte Idee: Wert (Amplitude) bei steigenden / fallenden Frequenzen stetig statt stufenförmig ändern Beispiel: Butterworth-Filter f T (θ) (u, v) = ( d(u,v) θ ) 2n (Tiefpass) analog: f H(θ) (u, v) = 1 ( ) 2n (Hochpass) 1 + θ d(u,v) 117
6 Bildtransformationen im Ortsraum Ziel: Transformation des Bildes B col pos in drei Schritten 1. Fourier-Transformation F(B) = C C pos 2. Änderung der Fourier-Transformierten C durch Multiplikation mit einer Funktion h: (u, v) pos : C (u, v) = F(B)(u, v) h(u, v) 3. inverse Fourier-Transformation B (x, y) = F 1 (C )(x, y) = F 1 (F(B) h)(x, y) für h = F(h ) also B (x, y) = F 1 (F(B) F(h ))(x, y) ersetzen durch eine Operation h : col pos col pos mit B col pos (x, y) pos : h (B)(x, y) = F 1 (F(B) f (h ))(x, y)) 118
7 Wiederholung: Faltung von Funktionen (x, y) {0,..., m 1} {0,..., m 1} : (f g)(x, y) = f (x i, y j)g(i, j) i= j= speziell für Bild B : pos col: (B h)(x, y) = B(x i, y j)h(i, j) i= j= Es gilt der Faltungssatz: f, g : pos col (x, y) pos : F (f g)(x, y) = F(f )(x, y) F(g)(x, y) Faltung im Ortsraum entspricht Multiplikation im Frequenzraum also B : pos col h : pos R (x, y) pos : F (B h)(x, y) = F(B)(x, y) F (h)(x, y) = (F (B) F (h))(x, y) und damit B : pos col h : pos R (B h) = F 1 (F(B h)) = F 1 (F(B) F(h)) also: statt Operation F 1 (F (B) F (h)) : col pos col pos Faltung B h 119
8 Lineare Filter (B h)(x, y) = B(x i, y j)h(i, j) mit Koeffizienten h(i, j) i= j= häufiger Spezialfall: Koeffizienten h(i, j) verschwinden mit größerem Abstand von (0, 0), und außerhalb eines Bereiches (i, j) { k,..., k} 2 gilt h(i, j) = 0 Angabe von h auf dem (quadratischen) Ausschnitt (i, j) { k,..., k} 2 als (2k + 1) (2k + 1)-Matrix genügt (Filterkern, Filtermaske, Filtermatrix) 120
9 Lineare Filter Faltung von Bild B : pos col mit Filtermatrix h( k, k)... h( k, 0)... h( k, k)... h = h(0, k)... h(, 0)... h(0, k)... h(k, k)... h(k, 0)... h(k, k) transformiert jeden Wert B(x, y) zu (B h)(x, y) = B(x i, y j)h(i, j) (gespiegelte Filtermatrix) i= j= k k = B(x i, y j)h(i, j) i= k j= k k k = B(x + i, y + j)h( i, j) i= k j= k 121
10 Lineare Filter Faltung von Bild B : pos col mit Filtermatrix h( 1, 1) h( 1, 0) h( 1, 1) h = h(0, 1) h(0, 0) h(0, 1) h(1, 1) h(1, 0) h(1, 1) transformiert jeden Wert B(x, y) zu B (x, y) = 1 i= 1 j= 1 1 h(i, j)b(x + i, y + j) gewichtete Summe aller Bildpunkte im Bereich (x 1, x, x + 1) (y 1, y, y + 1) (lineare Operation) meist normierte Filtermatrizen h mit k k i= k j= k h(i, j) = 1 Normierung (für Beispiel k = 1): 1 k k i= k j= k h(i, j) h( 1, 1) h( 1, 0) h( 1, 1) h(0, 1) h(0, 0) h(0, 1) h(1, 1) h(1, 0) h(1, 1) 122
11 Faltung am Bildrand Problem: B (x, y) = k i= k j= k k h(i, j)b(x + i, y + j) an Randpunkten (x, y) hängt B (x, y) von Werten B(x, y ) an Positionen (x, y ) pos ab. B(x, y ) ist dort nicht definiert. mögliche Lösungen: Randbereiche nicht filtern (Werte B(x, y) bleiben) spezielle Rand-Filtermasken konstante Fortsetzung auf Positionen außerhalb pos schwarzer Rand (Zero-Padding): (x, y) pos : B(x, y) := 0 gespiegelter Rand: (x, y) pos : B(x, y) := B( x, y) (bzw. einem der Werte B( x, y), B( x, y), B(x, y)) periodisch fortgesetzte Werte Interpolation 123
12 Glättungsfilter Ziel: Unterschiede zwischen benachbarten Pixeln verringern (alle Koeffizienten positiv) Beispiele: Mittelwertfilter: Binomialfilter: auch größere Matrizen als Filterkerne üblich 124
13 Filter zur Kantenverstärkung Ziel: Unterschiede zwischen benachbarten Pixeln verstärken (positive und negative Koeffizienten, Summe aller Koeffizienten = 0) Beispiele: ( ) ( ) Roberts-Operator: und (Summe) Prewitt-Operator: h: v: Sobel-Operator: h: v: Differenz-Filter:
14 Nichtlineare Filter Funktion f : col pos col pos mit (x, y) pos : f (B)(x, y) = h(b(x k, y k),..., B(x + k, y + k)) nicht durch Faltung mit einer Matrix (lineare Funktion) gegeben, sondern nichtlinear Beispiele: Rangordnungsfilter Minimum: f (B)(x, y) = min{b(x k, y k),..., B(x + k, y + k)} Maximum: f (B)(x, y) = max{b(x k, y k),..., B(x + k, y + k)} Median: f (B)(x, y) = med{b(x k, y k),..., B(x + k, y + k)} gewichteter Medianfilter, abhängig von Matrix h : { k,..., k} 2 N, Gewicht (i, j) bestimmt Anzahl der Vorkommen des Wertes B(x + i, y + j) in der Medianliste 126
Modul 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
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
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
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
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
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
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
MehrMotivation. Diskretisierung. Überblick. Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen. Diskretisierung und Quantisierung
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Motivation Analoge Aufnahme von Sprache, Bildern Digitale Speicherung durch Diskretisierung + Quantisierung Informationsverlust
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
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
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung Ludwig-Maximilians-Universität München Prof. Hußmann Digitale Medien
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
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
MehrBeate Meffert, Olaf Hochmuth: Werkzeuge der Signalverarbeitung, Pearson 2004
4 Signalverarbeitung 4.1! Grundbegriffe! 4.2! Frequenzspektren, Fourier-Transformation! 4.3! Abtasttheorem: Eine zweite Sicht Weiterführende Literatur (z.b.):!! Beate Meffert, Olaf Hochmuth: Werkzeuge
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
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:
MehrPunktoperationen / Grauwerttransformationen
Fortsetzung zu Kapitel 4: Bildoperationen Punktoperationen / Grauwerttransformationen Zusammenfassung: wirken unabhängig von der Position im Bild Transformation T der Originalhelligkeit p in die Helligkeit
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
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
MehrGrundlagen der Digitalen Bildverarbeitung
Grundlagen der Digitalen Bildverarbeitung Michael Baron baron@cs.uni-frankfurt.de www.cs.uni-frankfurt.de/~baron Mitarbeiterseminar Angewandte Physik 24. Januar 2008 Motivation Insbesondere moderne graphische
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
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
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
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
MehrVisual Computing Filtering, Fourier Transform, Aliasing
Eidgenössische Technische Hochschule Zürich Swiss Federal Institute of Technology Zurich Zu loesen bis: 16. Mai 2006 Prof. M. Gross Remo Ziegler / Christian Voegeli / Daniel Cotting Ziele Visual Computing
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
MehrEinführung in die Signalverarbeitung
Einführung in die Signalverarbeitung Phonetik und Sprachverarbeitung, 2. Fachsemester, Block Sprachtechnologie I Florian Schiel Institut für Phonetik und Sprachverarbeitung, LMU München Signalverarbeitung
Mehrbilinear interpoliert ideal interpoliert
Bildverarbeitung und Objekterkennung Privatdozent (PD) Dr.-Ing. habil. K.-H. Franke Technische Universität Ilmenau Fakultät für Informatik und Automatisierung Institut für Prakt. Inf. und Medieninf. Fachgebiet
MehrHauptseminar im Sommersemester 2012 Mathematische Bildverarbeitung (Vorbesprechung)
Hauptseminar im Sommersemester 2012 Mathematische Bildverarbeitung (Vorbesprechung) Juniorprof. Dr. Thorsten Raasch Johannes Gutenberg-Universität Mainz 21.02.2012 Inhalt der Vorbesprechung: Terminplanung
MehrGrundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1. Histogramm & Histogrammäqualisierung
Grundlagen der digitalen Bildverarbeitung: Bildzuordnung S e i t e 1 Histogramm & Histogrammäqualisierung Histogramm: Häufigkeiten der Grauwerte eines Bildes geordnet nach Helligkeit: oft relative Häufigkeit
MehrKontrollfragen zum Skript Teil 1 beantwortet
Kontrollfragen zum Skript Teil 1 beantwortet Von J.S. Hussmann Fragen zu SW 1.1 Welche Vorteile hat die DSVB? Programmierbar Parametrierbar Reproduzierbar Wie heisst die Umwandlung eines Zeit-diskreten
Mehr1. Differentialgleichung der Filter zweiter Ordnung
Prof. Dr.-Ing. F. Keller abor Elektronik 3 Filter zweiter Ordnung Info v.doc Hochschule Karlsruhe Info-Blatt: Filter zweiter Ordnung Seite /6. Differentialgleichung der Filter zweiter Ordnung Ein- und
MehrEs sei g I das Input-Bild (oder eine Bildfolge), g o das Output-Bild. (Liedtke 2002)
3. Bildoperationen 3.1 Übersicht zu Bildoperationen Man unterscheidet Punktoperationen (wo für jedes Pixel unabhängig gerechnet werden kann), lokale Operationen und globale Operationen. Es sei g I das
MehrAufgaben zu Kapitel 30
Aufgaben zu Kapitel 3 1 Aufgaben zu Kapitel 3 Verständnisfragen Aufgabe 3.1 Gegeben ist die Funktion { x,
MehrFakultät für Informatik. Professur Medieninformatik. Studienarbeit. Möglichkeiten der Indentifikation und Entfernung von Bildstörungen.
Fakultät für Informatik Professur Medieninformatik Studienarbeit Möglichkeiten der Indentifikation und Entfernung von Bildstörungen Janina Bär Chemnitz, den 12. Februar 2006 Betreuer: Dr. Maximilian Eibl
MehrZusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann
Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:
MehrPartialbruchzerlegung für Biologen
Partialbruchzerlegung für Biologen Rationale Funktionen sind Quotienten zweier Polynome, und sie tauchen auch in der Biologie auf. Die Partialbruchzerlegung bedeutet, einen einfacheren Ausdruck für eine
MehrDefinition: Differenzierbare Funktionen
Definition: Differenzierbare Funktionen 1/12 Definition. Sei f :]a, b[ R eine Funktion. Sie heißt an der Stelle ξ ]a, b[ differenzierbar, wenn der Grenzwert existiert. f(ξ + h) f(ξ) lim h 0 h = lim x ξ
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Thorsten Hermes Eine praktische Einführung ISBN 3-446-22969-8 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-22969-8 sowie im Buchhandel Kapitel
MehrWURZEL Werkstatt Mathematik Polynome Grundlagen Teil II
Die WURZEL Werkstatt Mathematik Polynome Grundlagen Teil II Polynome nur zu addieren, multiplizieren oder dividieren ist auf die Dauer langweilig. Polynome können mehr. Zum Beispiel ist es manchmal gar
Mehr(Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!)
Teil 1: Fragen und Kurzaufgaben (Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!) Frage 1 (6 Punkte) Es wird ein analoges
MehrBetrachtetes Systemmodell
Betrachtetes Systemmodell Wir betrachten ein lineares zeitinvariantes System mit der Impulsantwort h(t), an dessen Eingang das Signal x(t) anliegt. Das Ausgangssignal y(t) ergibt sich dann als das Faltungsprodukt
Mehr1.3 Digitale Audiosignale
Seite 22 von 86 Abb. 1.2.12 - Wirkung der Schallverzögerung Effekte sind: Delay, Echo, Reverb, Flanger und Chorus Hört man ein akustisches Signal im Raum, dann werden die Signale von Wänden und anderen
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
MehrSignale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale
Signale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Faculty of Engineering Fakultät Elektrotechnik Institute
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
MehrFiles 1 Grundlagen ... 3 2 Tiefpassfilter ... 5 3 Hochpassfilter. ...8 4 Rangordnungsfilter ... 15 5 Quellenverzeichnis. ... 22
Tutorial Files 1 Grundlagen... 3 2 Tiefpassfilter... 5 3 Hochpassfilter...8 3.1 Richtungsunabhängige Hochpassfilter... 8 3.2 Richtungsabhängige Hochpassfilter... 10 3.2.1 Sobel-... 10 3.2.2 Prewitt-...13
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,
MehrBildverarbeitung in der Robotik
Bildverarbeitung in der Robotik Thomas Röfer (Folien z.t. von Rolf Müller) Bildaufnahme Filter Kantenfindung Farbverarbeitung Landmarkenerkennung Einsatzgebiete Industrie Qualitätskontrolle Lageerkennung
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
MehrTechnische Universität
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Filter im Frequenzraum Proseminar Jakob Külzer Betreuer: Abgabetermin: 16.02.2005 Dipl.-Inform. Heiko Gottschling
MehrSeminar Digitale Signalverarbeitung
Universität Koblenz-Landau Institut für integrierte aturwissenschaften Abteilung Physik Dr. Merten Joost Seminar Digitale Signalverarbeitung Thema: Fast Fourier Transformation Praktische Durchführung einer
MehrBildverarbeitung. Modul TA.BA EBV
Bildverarbeitung Modul TA.BA EBV Tobias Plüss 29. Juni 2013 Inhaltsverzeichnis 1 Mathematische Beschreibung von Bildern................................... 5 1.1 Histogramm..............................................................
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
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
MehrVersuch: Bild- und Videosignalverarbeitung
Technische Universität Kaiserslautern Fachbereich Elektro- und Informationstechnik Lehrstuhl für Nachrichtentechnik Prof. Dr.-Ing. R. Urbansky Versuch: Bild- und Videosignalverarbeitung 1 Digitale Bildsignale
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
MehrZeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT)
Zeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT) Inhaltsverzeichnis 1 Allgemeines Filter... 2 2 Filter auf dem Signalprozessor... 2 3 Zusammenhang Zeitsignal und Frequenzspektrum...
MehrNANO III. Operationen-Verstärker. Eigenschaften Schaltungen verstehen Anwendungen
NANO III Operationen-Verstärker Eigenschaften Schaltungen verstehen Anwendungen Verwendete Gesetze Gesetz von Ohm = R I Knotenregel Σ ( I ) = Maschenregel Σ ( ) = Ersatzquellen Überlagerungsprinzip Voraussetzung:
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
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
Mehr2. Das digitale Bild und seine Eigenschaften
2. Das digitale Bild und seine Eigenschaften Digitales Bild: Matrix f = (f m,n ), m = 0; 1;..., m max, n = 0; 1;..., n max Werte f m,n entsprechen Helligkeiten (brightness) oder anderen Größen f m,n {
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrFunktion; trigonometrische Reihen; trigonometrische Polynome; gliedweise Integration; Integration und Grenzübergang; Fourier-
Kapitel 26 Fourier-Reihen 26.1 Einführung (Spektrum; harmonische Analyse; Periode einer Funktion; trigonometrische Reihen; trigonometrische Polynome; gliedweise Integration; Integration und Grenzübergang;
MehrIn der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y
Approximationen In der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y y = f (x) x Um das Arbeiten mit einer komplizierten Funktion zu vermeiden, können wir versuchen, diese Funktion
MehrInterpolation und Approximation
Interpolation und Approximation Fakultät Grundlagen Mai 2006 Fakultät Grundlagen Interpolation und Approximation Übersicht 1 Problemstellung Polynominterpolation 2 Kubische Fakultät Grundlagen Interpolation
Mehr2 Stetigkeit und Differenzierbarkeit
2.1) Sei D R. a) x 0 R heißt Häufungspunkt von D, wenn eine Folge x n ) n N existiert mit x n D,x n x 0 und lim n x n = x 0. D sei die Menge der Häufungspunkte von D. b) x 0 D heißt innerer Punkt von D,
MehrNumerische Ableitung
Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:
MehrModulationsverfahren
Funktions- und Fehleranalyse Herr Rößger 2011 2012 Modulationsverfahren Definition: Modulation ist die Beeinflussung einer Trägerschwingung durch eine Information. Trägerschwingung: Informationsparameter:
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.
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
MehrLokale Frequenzanalyse
Lokale Frequenzanalyse Fourieranalyse bzw. Powerspektrum liefern globale Maße für einen Datensatz (mittleres Verhalten über die gesamte Länge des Datensatzes) Wiederkehrdiagramme zeigten, dass Periodizitäten
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
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrFachhochschule Aachen
Fachhochschule Aachen Seminararbeit Im Studiengang Scientific Programming Einsatz von Bildverarbeitungsfiltern zur Optimierung und Automatisierung von Gewinnungsmaschinen im Tiefbau Annica Heinrich Matrikelnummer:
MehrEinführung in die Signalverarbeitung
Einführung in die Signalverarbeitung Phonetik und Sprachverarbeitung, 2. Fachsemester, Block Sprachtechnologie I Florian Schiel Institut für Phonetik und Sprachverarbeitung, LMU München Signalverarbeitung
MehrWas bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrHauptkomponentenanalyse. Principal Component Analysis (PCA)
Hauptkomponentenanalyse Principal Component Analysis (PCA) Principal Component Analysis (PCA) Welche Ziele verfolgt man bei der Verwendung einer PCA? Repräsentation multidimensionaler Daten mit einer geringeren
MehrLongitudinale und transversale Relaxationszeit
Longitudinale und transversale Relaxationszeit Longitudinale Relaxationszeit T 1 (Zeit, die das System benötigt, um nach dem rf- Puls zurück ins Gleichgewicht zu kommen) Transversale Relaxationszeit T
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen
MehrAlgebra und Diskrete Mathematik, PS3. Sommersemester Prüfungsfragen
Algebra und Diskrete Mathematik, PS3 Sommersemester 2016 Prüfungsfragen Erläutern Sie die Sätze über die Division mit Rest für ganze Zahlen und für Polynome (mit Koeffizienten in einem Körper). Wodurch
MehrBrückenkurs Elementarmathematik
Brückenkurs Elementarmathematik IV. Ungleichungen November 13, 2013 Inhalt 1 Ungleichungen 2 Umformungen von Ungleichungen 2.1 Äquivalenzumformungen 2.2 Addition und Multiplikation von Ungleichungen 3
MehrDigitale Signalbearbeitung und statistische Datenanalyse
Digitale Signalbearbeitung und statistische Datenanalyse Teil 5 8 Aus ontinuierlichem Signal werden in onstanten Zeitintervallen Daten entnommen ontinuierliches Signal x(t) Einheitsimpulsfuntion Gewichtete
MehrA. Formelsammlung Aktive Filter
A. Formelsammlung Aktive Filter Tiefpass-Schaltungen Grundglied. Ordnung u ( gegeben G( s u ω Abgleich: ω + s ( gegeben ω ω ω π f ω ω π f Sallen-Key Tiefpass.Ordnung (Einfach-itkopplung, SK (Einsetzbar
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
MehrMathematik 1, Teil B. Inhalt:
FH Emden-Leer Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre 2.) Matrizen, Determinanten
MehrComputergrafik und Bildverarbeitung. Prof. Dr. André Hinkenjann
Computergrafik und Bildverarbeitung Prof. Dr. André Hinkenjann Organisation Literatur The Computer Image Alan Watt, Fabio Policarpo Addison Wesley Digital Image Processing a practical introduction using
MehrBildkompression InTh, 2005, JPEG, Hak, Rur, 1
Bildkompression InTh, 25, JPEG, Hak, Rur, 1 Referenzen [1] D Salomon, Data Compression, Springer, 24 [2] Prof Dr A Steffen, Kurs SU, ZHW, 1999-24 [3] G Wallace, The JPEG Still Picture Compression Standard,
MehrMathematischen Grundlagen und Notationen
Mathematischen Grundlagen und Notationen Susanne Schimpf Juni 008 Es geht in dieser Lerneinheit darum, mathematische Notationen besser zu verstehen und auch selbst korrekt zu benutzen. Außerdem sollen
MehrKybernetik Laplace Transformation
Kybernetik Laplace Transformation Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 50 2453 mohamed.oubbati@uni-ulm.de 08. 05. 202 Laplace Transformation Was ist eine Transformation? Was ist
MehrDatenkompression. Vortrag von Markus Durzinsky Student der Otto-von-Guericke-Universität Magdeburg
Vortrag am 25. Januar 200 Werner von Siemens Gymnasium Magdeburg Zeitansatz: 5h (inklusive Programmieraufgaben) Datenkompression Vortrag von Markus Durzinsky Student der Otto-von-Guericke-Universität Magdeburg
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
MehrEinführung in die Physik I. Schwingungen und Wellen 1
Einführung in die Physik I Schwingungen und Wellen O. von der Lühe und U. Landgraf Schwingungen Periodische Vorgänge spielen in eine große Rolle in vielen Gebieten der Physik E pot Schwingungen treten
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
MehrMathematik für Wirtschaftswissenschaftler
Knut Sydsaeter Peter HammondJ Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 2., aktualisierte Auflage Inhaltsverzeichnis Vorwort 13 Vorwort zur zweiten Auflage 19 Kapitel 1 Einführung,
MehrTipp 15 Messdaten für die Analyse vorbereiten- Teil 2
Der NanoFocus-Expertentipp Tipp 15 Messdaten für die Analyse vorbereiten- Teil 2 15-09-07/HK/#15 NanoFocus AG 1 Ausbessern und Ausreißer beseitigen Der erste Teil des Tipps Messdaten für die Analyse vorbereiten
Mehrx A, x / A x ist (nicht) Element von A. A B, A B A ist (nicht) Teilmenge von B. A B, A B A ist (nicht) echte Teilmenge von B.
SBP Mathe Grundkurs 1 # 0 by Clifford Wolf # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit. Das Lernen mit Lernkarten
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
Mehr