Computergrafik 2: Übung 7. Hough Transformation
|
|
- Detlef Diefenbach
- vor 5 Jahren
- Abrufe
Transkript
1 Computergrafik 2: Übung 7 Hough Transformation
2 Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2
3 Quiz Berechnung der ersten Ableitung eines Bildes? Berechnung der zweiten Ableitung eines Bildes? Was ist ein Gradient? Wozu dient die Laplace-Funktion? Was ist ein LoG-Filter? Was ist ein DoG-Filter? Canny Edge Detection? Algorithmus? Hough-Transform: Prinzip? Computergrafik 2 SS2012 3
4 Besprechung Übung 6 Anmerkungen? Computergrafik 2 SS2012 4
5 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) zero crossing = sign changes Abbildung: R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS2012 5
6 Gradienten finden: Konvolution mit dem Sobel-Operator * = * = Computergrafik 2 SS2012 6
7 Elemente des Gradienten Betrag: sqrt(g x 2 + G y2 ) Richtung: tan -1 (G y / G x ) Computergrafik 2 SS2012 7
8 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 SS2012 8
9 Laplace-Funktion Summe der partiellen zweiten Ableitungen " # % " + & # % " = & # % & Summe aller partiellen Ableitungen, um rotationsinvarianten Operator zu erhalten ( ) = 2 f ( x, y) 2 f x, y x f ( x, y) y f ( x, y ) x y + 2 f ( x, y ) y x : & & & % ) ) ) ( " # % " + & # % " + & # % " + & # % " = & # % & Computergrafik 2 SS2012 9
10 Marr-Hildreth-Filter = LoG-Filter LoG-Filter: Laplace-Operator auf Gaußfunktion angewandt d.h. der Faltung mit dem Laplacefilter geht eine Glättung mit einer Gaußfunktion voraus y LoG Operator x LoG ( σ x, y) = 1 " 1 x2 + y 2 πσ 4 # 2σ 2 % " exp x2 + y 2 & # 2σ 2 % & Auch genannt: Mexican hat filter Computergrafik 2 SS
11 Edge Linking verbindet Kantenpixel zu Kantenzügen Starte Kantenzug mit starker Kante Betrachte Nachbarpixel orthogonal zur Gradientenrichtung Setzte Kantenzug fort auch bei schwacher Kante fort eingefügte Kantenverbindungen Normale Suchrichtung aktuelle Startpixel Computergrafik 2 SS
12 Hough Transformation für Geraden Suche von Geraden in einem Binärbild Geradenrepräsentation: x cos(α) + y sin(α) d(α) = 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
13 Hough-Transformation Geradendarstellung: Computergrafik 2 SS
14 Hough-Transformation: Tipps Starkes Gaußfilter anwenden: Statt Inkrementierung Gradientenlänge verwenden Gradientenorientierung berücksichtigen Computergrafik 2 SS
15 Hough-Transformation: Tipps Spaltensumme für d(α) d(α) Spaltensummen addieren α α Computergrafik 2 SS
16 Hough-Transformation für Kreise Computergrafik 2 SS
17 Hough Transform für Kreise: Tipps Gradientenlänge verwenden, um Kreise zu finden Zwei Duchläufe für die verschiedenen Radii: Computergrafik 2 SS
18 Generalisierte Hough Transformation Hough Transformation für beliebige Formen θ R 0 (dx 1,dy 1 ) 10 (dx 2,dy 2 ), (dx 3,dy 3 ), (dx 5,dy 6 ) (cx,cy) 20 dx = cx - x dy = cy - y (dx,dy) (x,y) θ 170 (dx 7,dy 7 ), (dx 8,dy 8 ) X D.H. Ballard: Generalizing the Hough Transform to Detect Arbitrary Shapes. Pattern Recognition, Vol. 13, No. 2, pp , 1981 Computergrafik 2 SS
19 Numpy: ndimage Library Computergrafik 2 SS
20 Numpy: Array-Sortierung Mit index-arrays lässt sich der Sortierschlüssel bestimmen A.shape sei (<n>,3) A[A[:,2].argsort(),:] à Sortiert alle Einträge aus a nach dem 3. Eintrag Alternativ: Python itemgetter und sorted() verwenden from operator import itemgetter sorted_items = sorted(a, key=itemgetter(2), reverse = True) Computergrafik 2 SS
Computergrafik 2: Übung 8. Corner-Detektoren, Bildsegmentierung
Computergrafik 2: Übung 8 Corner-Detektoren, Bildsegmentierung Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Besprechung Übung 7 Anmerkungen? Computergrafik 2 SS2012
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
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
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,
MehrSegmentierung 1 Segmentation
Segmentierung Segmentation M. Thaler, TG08 tham@zhaw.ch Juni 7 Um was geht es? Bis jetzt vor allem Transformation Bild Bild Neu Transformation Bild? Feature, Aussage, etc. Bild Aussage "it's a circle"
MehrKantenextraktion. Klassische Verfahren. Christoph Wagner. 30. Januar Vortrag zum Seminar Bildsegmentierung und Computer Vision
Klassische Verfahren 30. Januar 2006 Vortrag zum Seminar Bildsegmentierung und Computer Vision Gliederung Grundlagen 1 Grundlagen Aufgabenstellung Anforderungen an Kantenfilter Lineare Filter 2 3 Gliederung
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
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Lineare Filterung - 1 Einführung 2 Definition der Faltung 3 Beispiele linearer Filter 4 Diskussion 5 Ausblick: nichtlineare Filterung 6 Literatur 1 Einführung
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
Mehr2D Graphik: Bildverbesserung 2
LMU München Medieninformatik Butz/Hilliges D Graphics WS5 9..5 Folie D Graphik: Bildverbesserung Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 9. Dezember 5 LMU München Medieninformatik Butz/Hilliges
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
Mehr2D Graphik: Modellbasierte und interaktive Segmentierung
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 13.01.2006 Folie 1 2D Graphik: Modellbasierte und interaktive Segmentierung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 13.
MehrSegmentierung. Vorlesung FH-Hagenberg SEM
Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt
MehrHuman Detection Based On Part Models
Human Detection Based On Part Models Seminar: Mobile Human Detection Systems William Basilien Kom MatrNr: 3098186 Institute of Computer Engineering 13. März 2017 1 / 25 Motivation 2 / 25 Inhaltsverzeichnis
MehrComputergrafik 2: Übung 9. Morphologische Operationen
Computergrafik 2: Übung 9 Morphologische Operationen Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Besprechung Übung 8 Anmerkungen? Computergrafik 2 SS2012 3 Quiz Watershed-Algorithmus
MehrModellbasierte Segmentierung
Modellbasierte Segmentierung -----Vollständige Suche Template Matching, Hough Transformation für die Suche in Bilddatenbeständen Proseminararbeit im Proseminar Bildverarbeitung Wintersemester 2005/06 Fakultät
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
MehrLUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN. 13. Übung/Lösung Mathematik für Studierende der Biologie
LUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR BIOLOGIE Prof. Andreas Herz, Dr. Stefan Häusler email: haeusler@biologie.uni-muenchen.de Department Biologie II Telefon: 89-8-748 Großhadernerstr. Fax:
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
MehrPrüfung Grundlagen der digitalen Bildbearbeitung
Prüfung Grundlagen der digitalen Bildbearbeitung 14.06.2005 1) Gegeben sind 24 Bilder, die als Eingabe als auch als Ergebnis einer der 10 Bildoperationen auftreten können. (14 Punkte) 10 folgenden Bildoperationen,
MehrWie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler
Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen? /Anwendungsgebiete Wenn man sie denn gefunden
MehrZiel: Erkennen von Geraden allgemeiner: von einfachen parametrischen Kurven (Kreise, Ellipsen...)
6. Die Hough-Transformation (sprich: "haff") P.V.C. Hough, Patentschrift von 1962 Ziel: Erkennen von Geraden allgemeiner: von einfachen parametrischen Kurven (Kreise, Ellipsen...) Anwendung: Detektion
MehrComputergrafik Universität Osnabrück, Henning Wenke,
Computergrafik Universität Osnabrück, Henning Wenke, 2012-05-30 Korrektur: Kugelkoordinaten II r und θ konstant: Rand einer Kreisscheibe parallel zur xy Ebene z θ fest y θ konstant, r R : Kegel, ausgehend
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrTheoretische Physik 1, Mechanik
Theoretische Physik 1, Mechanik Harald Friedrich, Technische Universität München Sommersemester 2009 Mathematische Ergänzungen Vektoren und Tensoren Partielle Ableitungen, Nabla-Operator Physikalische
MehrFilter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Wozu Filter? Wozu Filter? Beispiel 3 Teil1: Filter anwenden (verschiedene Filter anwenden um diverse Effekte zu erzeugen)
MehrKanten und Konturen. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Kanten und Konturen Industrielle Bildverarbeitung, Vorlesung No. 6 1 M. O. Franz 14.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Kanten und
MehrDetektion von Eckpunkten und einfachen Kurven
Detektion von Eckpunkten und einfachen Kurven Industrielle Bildverarbeitung, Vorlesung No. 7 1 M. O. Franz 21.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005.
MehrDigitale Bildverarbeitung und Bildanalyse - PDEs und Variationsmethoden
Digitale Bildverarbeitung und Bildanalyse - PDEs und Variationsmethoden Michael Pippig Fakultät für Mathematik Technische Universität Chemnitz 6. Mai 2008 Michael Pippig Digitale Bildverarbeitung und Bildanalyse
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
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:
MehrComputergraphik 1 2. Teil: Bildverarbeitung
1 Computergraphik 1 2. Teil: Bildverarbeitung Bildverbesserung 2 2 Themen jetzt Lineare Bildverbesserung Kantenoperatoren Kantenattribute Kanten und Rauschen Nichtlineare Filter Rangordnungsfilter Diffusionsfilter
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Konvolutionen Morphologische Operationen Hough-Transformation
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Filtern im Frequenzraum Segmentierung Organisatorisches Klausuranmeldung
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: 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
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
MehrSo lösen Sie das multivariate lineare Regressionsproblem von Christian Herta
Multivariate Lineare Regression Christian Herta Oktober, 2013 1 von 34 Christian Herta Multivariate Lineare Regression Lernziele Multivariate Lineare Regression Konzepte des Maschinellen Lernens: Kostenfunktion
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
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
Mehr5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
Mehrein geeignetes Koordinatensystem zu verwenden.
1.13 Koordinatensysteme (Anwendungen) Man ist immer bemüht, für die mathematische Beschreibung einer wissenschaftlichen Aufgabe ( Chemie, Biologie,Physik ) ein geeignetes Koordinatensystem zu verwenden.
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
Mehr1 Einleitung Einordnung des Gebietes Aufbau des Buches Philosophie Inhalte Einige Lehrbücher...
Inhaltsverzeichnis 1 Einleitung... 1 1.1 Einordnung des Gebietes... 1 1.2 Aufbau des Buches... 3 1.2.1 Philosophie... 3 1.2.2 Inhalte... 5 1.3 Einige Lehrbücher... 6 2 Allgemeine Begriffe... 11 2.1 Einige
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
MehrEvaluation einer modernen Zynq-Plattform am Beispiel der Implementierung einer Hough Transformation
Evaluation einer modernen Zynq-Plattform am Beispiel der Implementierung einer Hough Transformation Zwischenpräsentation der Bachelorarbeit Dominik Weinrich dominik.weinrich@tu-dresden.de Dresden, 31.05.2018
Mehr5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrÜbungen zu Grundlagen der Mathematik 2 Lösungen Blatt 12 SS 14. Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion.
Übungen zu Grundlagen der Mathematik Lösungen Blatt 1 SS 14 Prof. Dr. W. Decker Dr. M. Pleger Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion f : U R, (x, y) x y x + y, im Punkt (1, 1) bis einschließlich.
MehrB3. Bilderkennung mit Java
B3. Bilderkennung mit Java B3.3 HIPR Framework B3.4 Praktisches Beispiel und weitere Operationen auf Bildern - thresholding - morphologische Operationen - region labeling Literatur: The Hypermedia Image
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrKantenextraktion. Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften. Klassische Verfahren
CURANDO Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften UNIVERSITÄT ULM SCIENDO DOCENDO Kantenextraktion Klassische Verfahren Seminar Bildsegmentierung und Computer Vision WS 2005/2006
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
MehrÜbungen zur Klassischen Theoretischen Physik III (Theorie C Elektrodynamik) WS 12-13
Karlsruher Institut für Technologie Institut für Theorie der Kondensierten Materie Übungen zur Klassischen Theoretischen Physik III Theorie C Elektrodynamik WS 2-3 Prof. Dr. Alexander Mirlin Blatt 4: Lösungen
MehrWahrscheinlichkeit & Statistik Musterlösung Serie 7
ETH Zürich FS 4 D-MATH Koordinator Prof. Dr. J. Teichmann Mayra Bermúdez C. Wahrscheinlichkeit & Statistik Musterlösung Serie 7. a) P[t < T t + h T > t] λ(t) lim h h P[{t < T t + h} {T > t}] lim h P[T
Mehr10. Übungsblatt zur Mathematik II für MB
Fachbereich Mathematik Prof. Dr. U. Reif R. Hartmann, T. och SS 1 1.6.1 1. Übungsblatt zur Mathematik II für MB Aufgabe 3 Arbeitsintegrale Berechnen Sie jeweils das Integral F dx für die Funktion F (x,
MehrSuche nach korrespondierenden Pixeln
Suche nach korrespondierenden Pixeln Seminar Algorithmen zur Erzeugung von Panoramabildern Philip Mildner, Gliederung 1. Motivation 2. Anforderungen 3. Moravec Detektor 4. Harris Detektor 5. Scale Invariant
MehrProseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung"
Fakultät Informatik, Institut für künstliche Intelligenz, Intelligent Systems Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Lokale Merkmalsdeskriptoren Jens Stormberg - Dresden, 19.06.2009
MehrKarlsruher Institut für Technologie (KIT) SS 2013 Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning
Karlsruher Institut für Technologie KIT SS 203 Institut für Analysis 504203 Prof Dr Tobias Lamm Dr Patrick Breuning Aufgabe Höhere Mathematik II für die Fachrichtung Physik Übungsblatt Bestimmen Sie die
MehrComputergrafik 2: Übung 1. Eclipse, PyDev, NumPy, Matplotlib
Computergrafik 2: Übung 1 Eclipse, PyDev, NumPy, Matplotlib Überblick 1. Einrichten der Entwicklungsumgebung 2. Python-Techniken 3. Bildverarbeitung Numpy und Matplotlib Übung Computergrafik 2 SS2012 2
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
MehrMusterlösung Serie 12
Prof. D. Salamon Analysis II MATH, PHYS, CHAB FS 05 Musterlösung Serie. Es sei wie in der Aufgabenstellung M R n eine C -Untermannigfaltigkeit und B M eine kompakte Teilmenge. Des weiteren nehmen wir an,
MehrForm: Gradient. Informationsgewinnung
Form: Gradient Motivation: Wenn Objekte homoen bezülich dem Grauwert oder einem Teturmerkmal sind dann treten an den Objektrenzen starke Gradienten auf. Grauwertbild Gradientenbetrasbild Computer Vision
MehrElementare Geometrie Vorlesung 18
Elementare Geometrie Vorlesung 18 Thomas Zink 26.6.2017 1.Bild eines Vektors bei einer affinen Abbildung Es sei f : E E eine affine Abbildung von Ebenen. Es sei v ein Vektor der Ebene E, d.h. eine Translation.
MehrSolutions I Publication:
WS 215/16 Solutions I Publication: 28.1.15 1 Vektor I 4 2 Ein Objekt A befindet sich bei a = 5. Das zweite Objekt B befindet sich bei b = 4. 2 3 (a) Die Entfernung von Objekt A zum Ursprung ist die Länge
MehrAngewandte Multivariate Statistik Prof. Dr. Ostap Okhrin
Angewandte Multivariate Statistik Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 46 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen
MehrSegmentierung. Vorlesung FH-Hagenberg SEM. Digitale Bildverarbeitung in der Medizin. Schwellenwerte
Segmentierung g Vorlesung FH-Hagenberg SEM Schwellenwerte Globaler Schwellenwert Lokale Schwellenwerte Mehrfache Schwellenwerte Semi-Schwellenwerte Optimale Schwellenwerte 1 Optimal Threshold optimal zu
MehrEindeutigkeit reduzierter Gröbnerbasen
Eindeutigkeit reduzierter Gröbnerbasen Satz Existenz und Eindeutigkeit reduzierter Gröbnerbasen Jedes Ideal I F[x 1,..., x n ] besitzt eine eindeutige reduzierte Gröbnerbasis. Beweis: Existenz: Hilbert
Mehr5 Fehlerfortpflanzung
5 Fehlerfortpflanzung Diese Lektion folgt D.S. Sivia, Data Analysis: A Bayesian Tutorial, Oxford University Press, Chapter 3.6. Lernziele Lektion 5 Sie wissen, wie man Wahrscheinlichkeitsverteilungen von
MehrKLAUSUR. Analysis (E-Techniker/Mechatroniker/W-Ingenieure) Dr. habil. Sebastian Petersen Dr. Anen Lakhal. Version mit Lösungsskizzen
KLAUSUR Analysis (E-Techniker/Mechatroniker/W-Ingenieure) 4.3.27 Dr. habil. Sebastian Petersen Dr. Anen Lakhal Version mit Lösungsskizzen Für jede Aufgabe gibt es Punkte. Zum Bestehen der Klausur sollten
MehrMusterlösung zur Klausur zur Vorlesung Mathematik für Wirtschaftswissenschaftler II. am , Zeit: 120 Minuten
Musterlösung zur Klausur zur Vorlesung Mathematik für Wirtschaftswissenschaftler II am 5.8.25, Zeit: 2 Minuten Aufgabe (3 Punkte Eine Bakterienkultur hat eine stetige Wachstumsrate von % pro Stunde. Wie
MehrLUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN. 12. Übung/Lösung Mathematik für Studierende der Biologie
LUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR BIOLOGIE Prof. Andreas Herz, Dr. Stefan Häusler email: haeusler@biologie.uni-muenchen.de Department Biologie II Telefon: 89-8-748 Großhadernerstr. Fax:
Mehr6. Orbits und die Runge-Lenz Vektor
Übungen zur T: Theoretische Mechani, SoSe3 Prof. Dr. Dieter Lüst Theresienstr. 37, Zi. 45 Dr. James Gray James.Gray@physi.uni-muenchen.de 6. Orbits und die Runge-Lenz Vetor Übung 6.: Die Rücehr der Kanonenugel
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
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
MehrLineare Transformationen und Determinanten. 10-E Ma 1 Lubov Vassilevskaya
Lineare Transformationen und Determinanten 10-E Ma 1 Lubov Vassilevskaya Lineare Transformation cc Definition: V und W sind zwei Vektorräume. Eine Funktion T nennt man eine lineare Transformation von V
MehrBildverarbeitung: Diffusion Filters. D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10
Bildverarbeitung: Diffusion Filters D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10 Diffusion Idee Motiviert durch physikalische Prozesse Ausgleich der Konzentration eines Stoffes. Konzentration
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
MehrZwischenprüfung. 3. (2 Pkt.) Formulieren Sie beide Lösungen in der Polardarstellung mit Polarwinkel in Einheiten von π im Bereich [ π, π]
Datum: 10.04.2019 Elektromagnetische Felder & Wellen Frühjahrssemester 2019 Photonics Laboratory, ETH Zürich www.photonics.ethz.ch Zwischenprüfung I Mathematische Grundlagen (35 Pkt.) 1. (1 Pkt.) Wir betrachten
MehrEVC Repetitorium Blender
EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Filter Transformationen
MehrMustererkennung: Neuronale Netze. D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12
Mustererkennung: Neuronale Netze D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12 Feed-Forward Netze y 1 y 2 y m...... x 1 x 2 x n Output Schicht i max... Zwischenschicht i... Zwischenschicht 1
MehrKlausuraufgaben zur Vorlesung Computer Vision. Prüfung I W772. Termin: 5. Februar Maximal mögliche Punktzahl: = 50.
Klausuraufgaben zur Vorlesung Computer Vision Prüfung I W772 Prüfer: Laubenheimer Termin: 5. Februar 2009 Beginn: 14:00 Uhr Dauer: 90 Minuten Maximal mögliche Punktzahl: 7+35+8 = 50 Name Matrikelnummer
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen 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
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
MehrComputergrafik 2: Segmentierung 2
Computergrafik 2: Segmentierung 2 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
MehrÜbungen zur Theoretischen Physik 1 Lösungen zum Mathe-Test
Prof. C. Greiner, Dr. H. van Hees Wintersemester 2012/2013 Übungen zur Theoretischen Physik 1 Lösungen zum Mathe-Test Aufgabe 1: Bruchrechnung Lösen Sie die folgenden Gleichungen nach x auf (a) x x 2 1
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrEin auf Eigenwertanalyse basierendes Verfahren zur einfachen und robusten Linienerkennung. -erweiterte Web-Präsentation
Ein auf Eigenwertanalyse basierendes Verfahren zur einfachen und robusten Linienerkennung. -erweiterte Web-Präsentation Jan Rudert Vortrag vom. 05. 2004 Seminar Mustererkennung in Bildern und 3D-Daten
Mehr= -15 MPa. Zeichnen Sie den Mohrschen Spannungskreis und bestimmen Sie
Webinar: Elastostatik Thema: Mohrscher Spannungskreis Aufgabe: Mohrscher Spannungskreis Gegeben seien die folgenden Spannungen: σ x = -40 MPa, σ y = 60 MPa und τ xy = -15 MPa. Zeichnen Sie den Mohrschen
MehrÜbungen zu Wellen und Elektrodynamik für Chemie- und Bioingenieure und Verfahrenstechniker WS 11/12
Institut für Experimentelle Kernphysik Übungen zu Wellen und Elektrodynamik für Chemie- und Bioingenieure und Verfahrenstechniker WS 11/12 Prof. Dr. T. Müller Dr. F. Hartmann Blatt 1 Bearbeitung: 28.10.2011
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 3
Mathematischer Vorkurs Lösungen zum Übungsblatt 3 Prof. Dr. Norbert Pietralla/Sommersemester c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe : Berechnen Sie die bestimmten Integrale: π/ 3 cos(x)
MehrINSTITUT FÜR THEORETISCHE PHYSIK. Prof. Dr. U. Motschmann Dr. M. Feyerabend. Theoretische Mechanik SS 2017
INSTITUT FÜR THEORETISCHE PHYSIK Prof. Dr. U. Motschmann Dr. M. Feyerabend Theoretische Mechanik SS 2017 Klausurvorbereitung Bearbeitungszeit: 180 Minuten 1. Wissensfragen (20 Punkte) Benennen Sie alle
MehrGrundlagen der Bildverarbeitung
Grundlagen der Bildverarbeitung Inhaltsverzeichnis Vorwort 9 Kapitel 1 Einführung 13 1.1 Anwendungen der digitalen Bildverarbeitung 16 1.2 Algorithmische Verarbeitung von Bildinformation 17 1.3 Zu diesem
MehrOrdnen Sie die folgenden Funktionen nach ihrer asymptotischer Komplexität in aufsteigender Reihenfolge: i=1 4i + n = 4 n. i=1 i + 3n = 4 ( n(n+1)
für Informatik Prof. aa Dr. Ir. Joost-Pieter Katoen Tutoriumslösung - Übung (Abgabe 9.04.05) Christian Dehnert, Friedrich Gretz, Benjamin Kaminski, Thomas Ströder Tutoraufgabe (Asymptotische Komplexität):
MehrImplizite Funktionen. Ist für eine stetig differenzierbare Funktion f : R n R m R n. so lässt sich das Gleichungssystem
Implizite Funktionen Ist für eine stetig differenzierbare Funktion f : R n R m R n f (x, y ) = (0,..., 0) t, det f x (x, y ) 0, so lässt sich das Gleichungssystem f k (x 1,..., x n, y 1,..., y m ) = 0,
MehrLehrstuhl II für Mathematik. Bachelor-Prüfung/Diplom-Vorprüfung/Zwischenprüfung. Höhere Mathematik I. Matrikelnummer:
Matrikelnummer: RHEINISCH-WESTFÄLISCHE TECHNISCHE HOCHSCHULE AACHEN Lehrstuhl II für Mathematik Bachelor-Prüfung/Diplom-Vorprüfung/Zwischenprüfung Höhere Mathematik I Prüfer: Prof. Dr. E. Triesch Termin:
MehrLösungsvorschläge zum 14. Übungsblatt.
Übung zur Analysis III WS / Lösungsvorschläge zum 4. Übungsblatt. Aufgabe 54 Sei a R\{}. Ziel ist die Berechnung des Reihenwertes k a + k. Definiere dazu f : [ π, π] R, x coshax. Wir entwickeln f in eine
MehrTechnische Universität
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Modellbasierte Segmentierung Proseminar Marc Treib Betreuer: Dr. Michael Roth Abgabetermin: 13. April 2006
Mehr2D-Punkt-Transformationen
Zur Erinnerung Drehung eines beliebigen Punktes B um den Winkel θ um den Koordinaten-Ursprung zum Punkt B : x B r cosα y B r sin α [r, α: Hilfsgrößen ] x B r cos(α+θ) r (cosα cosθ sinα sinθ) x B cosθ y
Mehr