Teil IV-B: Detektion von Strukturen in Signalen
|
|
- Gotthilf Gerber
- vor 6 Jahren
- Abrufe
Transkript
1 Teil IV-B: Detektion von Strukturen in Signalen 1. Detektion von Kontrasten im Bild. Detektion zweidimensionaler Struktur 3. Auflösungs-Pyramiden und Adaptive Glättung
2 Problemstellung Diskrete Differentiation Ziel: Detektion von Orten starker (abrupter) Änderung in der Helligkeitsfunktion Ableitung 1. Ordnung starke Änderung ~ ma. Steigung Unterscheidung von. Dunkel Hell (DL). Hell Dunkel (LD) Übergängen Ableitung. Ordnung Detektion von Kontrasten im Bild Kontrastdetektion und Ableitungen Übergang = Wendepunkt ~ Nulldurchgang Unterscheidung von Bereichen mit. Links Rechts. Rechts Links Krümmung (R.C. Gonzalez, R.E. Woods. Digital image processing. Addison-Wesley, 1993)
3 Generelles Problem : Die genannten Ansätze motivieren sich aus der Analysis für ein-dimensionale Funktionen f()! Eine Diskontinuität kann jedoch jede beliebige, a priori unbekannte Orientierung im Bild besitzen! Intensität Ort Wie kann man diese Konzepte auf den zwei-dimensionalen Fall übertragen?
4 Richtungsableitung 1. Ordnung (1stDD) Funktionen von zwei Unabhängigen, f(, y) Vektor-Notation: ε y ( sin ε = cos (90-ε) ) ( ) ( ) f f f y f m y = = ε ε ε u sin cos, ( ) y y f f y f m f m y f m + = + = cosε sin ε, ε f u ε
5 Gradient : Richtung des stärksten Anstiegs Richtung θ ε [0, 360], für die Berechnung: Ableitung von nach ε Richtung : Betrag : ( ) y f m, θ y = θ ε y f f 1 tan ( ) ma, y m f ( ) ( ) f f f f y m + = 1/ θ
6 Laplace-Operator Standard-Definition ( für beliebige Anzahl unabhängiger Variablen, hier speziell für D) f f (, y) = + = f f yy y f + Invarianz der Berechnung der. Ableitung bzgl. Koordinatensystem
7 Einfache (diskrete) Kontrastdetektion Differenzenoperatoren zur Approimation der 1. und. Ableitung Die numerische Differentiation mit Differenzen-Masken kann als Faltung notiert werden (z.b. Ableitung der 1. Ordnung) f (, y) f (, y) D ( y),
8 Einfache (diskrete) Kontrastdetektion Differenzenoperatoren zur Approimation der 1. und. Ableitung Die numerische Differentiation mit Differenzen-Masken kann als Faltung notiert werden (z.b. Ableitung der 1. Ordnung) f (, y) f (, y) D ( y), Ableitung 1. Ordnung D (, y) mit = Rückwärts- / Vorwärtsdifferenz Zentrale Differenz
9 Einfache (diskrete) Kontrastdetektion Differenzenoperatoren zur Approimation der 1. und. Ableitung Die numerische Differentiation mit Differenzen-Masken kann als Faltung notiert werden (z.b. Ableitung der 1. Ordnung) f (, y) f (, y) D ( y), Ableitung 1. Ordnung D (, y) mit = Rückwärts- / Vorwärtsdifferenz Zentrale Differenz Ableitung. Ordnung D (, y) mit = 1-1
10 Einfache Masken zur Schätzung des Gradienten - und Masken j i X i Koordinatensystem j X y Numerischer Differenzenoperator als D Maske Vorwärtsdifferenz (in - und y-richtung) orthogonale Richtung δ-impuls W = W y = (sehr) störungsanfällig!
11 Abhilfe: Hinzunahme weiterer Nachbarelemente durch Bo-Glättung in orthogonaler Richtung W = W y = Robert s Kreuz-Operator ( cross operator ) i j y A C B D Gradient: G R [ ] [ A D, B C ] ( i, j) ma f ( i, j) f ( i + 1, j + 1), f ( i + 1, j) f ( i, j + 1) = ma
12 Prewitt- und Sobel-Operator Verbesserung der Stabilität durch Verwendung der zentralen Differenz sowie abstandsabhängige Glättung ( Sobel ) a) Prewitt W = W y = Gradient: G ( i, j) f ( i, j) + f ( i j) P y,
13 b) Sobel distanzabhängige Gewichtung in orthogonaler Richtung W = - 0 W y = (~ Binomialkoeffizienten) Gradient: G ( i, j) f ( i, j) + f ( i j) S y,
14 Anwendung der diskreten Gradientenoperatoren Beispiel: Sobel Operator Originalbild (Cell.jpg) Ergebnis G -Maske Ergebnis G y -Maske Gradient I G I + G y I
15 Originalbild (Tomo1451.jpg) Ergebnis G -Maske Ergebnis G y -Maske Gradient I G I + G y I
16 Vergleich von Resultaten Robert s Kreuz-Operator Prewitt-Operator Sobel-Operator
17 Vergleich von Resultaten (cont d) (CT40.jpg) Robert s Kreuz-Operator Prewitt-Operator Sobel-Operator
18 ( ) ( ) σ σ σ σ σ πσ σ,, 1 1 ep 1 1,, 4 y G y y G = + = Differential-Operatoren mit Gauss scher Glättung Trägerfunktion Gauss sche Dichte Partielle Ableitungen 1. Ordnung in :. Ordnung in : ( ) + = ep 1,, σ πσ σ y y G ( ) ( ) σ σ σ πσ σ,, ep,, 4 y G y y G = + =
19 Laplace: G 4 (, y, σ ) = 1/ ( πσ ) [ ( + y )/ σ ] = 1/ σ [ r / σ ] G(, y, σ ) ep + σ y Separierbarkeit ( Effizienz der Berechnung) 1 1 y G(, y, σ ) = ep ep π σ σ π σ σ Die Eigenschaft der Separierbarkeit lässt sich auch bei der Berechnung partieller Ableitungen ausnutzen, da z.b. gilt: G d (, y, σ ) = G(, σ ) G( y, σ ) d G(, σ) G(y, σ)
20 Impulsantworten (Faltungsmasken) G(,y) -G (,y) y G (,y) G yy (,y) G(,y) - G(,y) ( Meican hat )
21 Anwendung Gradientenoperatoren aus Gauss schen Masken Originalbild (Cell.jpg) Ergebnis G -Maske Ergebnis G y -Maske Gradient I G I + G y I
22 Originalbild (Tomo1451.jpg) Ergebnis G -Maske Ergebnis G y -Maske Gradient I G I + G y I
23 Vergleich der Ergebnisse Sobel vs. Gauss Sobel-Operator Gauss sche Glättung
24 Anwendung LoG ( Laplacian-of-Gaussian ) Originalbild (Cell.jpg) Ergebnis σ 1 = 3 piels Ergebnis σ = 4 piels
25 Bestimmung von Diskontinuitäten Ansätze # Schwellwert {( y) f T} E =, > T f Problem : Möglichst kleine Schwelle, um alle Kontraste zu erfassen; jedoch möglichst hohe Schwelle, um unempfindlich gegenüber Störungen (Rauschen) zu sein! Alternativen: Lokale Gradienten-Maima Nullstellen der. Ableitung
26 Nulldurchgänge der Laplace-Antworten ( zero-crossing (z.c.) -Detektion) Schema Diskrete Masken (Operationalisierung) : horizontal : vertikal
27 Resultate (a) Originalbild, (b) Laplace (kontinuierlich), (c) Laplace (binarisiert, s/w), (d) Nulldurchgänge (D. Marr. Vision. W.H. Freeman, 198)
28 Resultate Beispielanwendung Cell.jpg Oben: LoG (kontinuierlich), Unten: Nulldurchgänge σ 1 = 3 σ = 4
29 Canny-Operator (Kontrastdetektion in D) I. Richtung des stärksten Anstiegs einer Gauss-gefilterten Intensitäts- (Bild-) Funktion (vgl. Richtungsableitung) θ G σ I Ort der stärksten Steigung: z.c. der. Richtungsableitung in Richtung θ II. Approimation von Richtungsmasken (verschiedene Orientierungen) 6 Orientierungen, Elongation Konkatenation / Überlagerung von Antworten nicht-elongierter Masken Verbesserung der Robustheit Messung der Abweichungen (Varianz) der Einzelbeiträge Dynamische Längenanpassung (mittels Abweichungskriterium)
30 III. Lokale Nicht-Maimum Unterdrückung ( non-maimum suppression ) Verteilung von Antworten bei der Berechnung von Gradienten Breite ~ Lokalisations-Unsicherheit ( positional uncertainty ) Amplitude ~ örtliche variierende Kontraste hier: Selektion des Ortes maimaler Antwort Problem: Maimum muss jeweils orthogonal zur Richtung des Kontrastes bestimmt werden, nicht jedoch entlang des Kontrastes, da die Kontinuität der resultierenden Repräsentation erhalten bleiben soll!
31 Interpolation auf diskretem Gitter Konturverlauf
32 Interpolation auf diskretem Gitter bilineare Interpolation Konturverlauf
33 Interpolation auf diskretem Gitter bilineare Interpolation Konturverlauf Vergleich und Maimum-Selektion i-1 i i+1 IF f > f f > f i i-1 i i+1 THEN ma{ f} := f i
34 IV. Adaptives Schwellwertverfahren ( hysteresis thresholding ) Ziel: geg.: Unterdrückung nicht-signifikanter Kandidaten Schwellwert Problem der Festlegung eines Schwellwertniveaus Kontur aus lokal benachbarten Kantenpunkten ( 8er Nachbarschaft); Repräsentation als (doppelt) verkettete Liste C(s) a b Kontur wird als Funktion der Bogenlänge s innerhalb des Intervalls [a, b] repräsentiert!
35 Methode: Festlegung von Schwellwerten T l untere Schwelle ( Unterdrückung von Rauschen) f < T l Punkte werden in jedem Fall eliminiert! T u obere Schwelle ( geforderter Mindestkontrast) f > T u Punkte werden in jedem Fall erhalten! es bleibt der Bereich innerhalb des Intervalls [T l, T u ] Kriterium: P C(s) : f( C(s) ) = r Tu f( C(s) ) alle direkt und indirekt verbundenen Konturpunkte (~ closed path ) mit T u > r T l werden erhalten signifikante Kontraste T u T l Störungen s Vermeidung von streaking -Phänomenen!
36 Ergebnisse Oben: Sobel-Operator (kontinuierlich) Schwellwert-Operation: Kontrast-Punkte f > T35 Kontrast-Punkte f > T50 Unten: Canny-Operator (kontinuierlich, nach non-ma. suppression) als Funktion der Filtergrösse σ = {1,, 3 } piel (E. Trucco, A. Verri. Introductory techniques for 3-D computer vision. Prentice-Hall, 1998)
37 Vergleich zwischen Operatoren Sobel-Operator Gradienten-Betrag globale Schwelle (T = {3, 10}) Laplace von Gauss (~ Differenz von Gauss): Zentrum σ c = 1.1 Umgebung σ s = 1.94 Canny-Operator (inkl. non-ma. suppression) als Funktion der Filtergrösse σ = {0.7, 1.4 } piel verschiedene Schwellen T ma (A. Pinz. Bildverstehen. Springer, 1994)
38 Detektion zweidimensionaler Struktur Einordnung Struktur in digitalen Bildern Ausschnitte eines Grauwert-Gebirges Kontraste (Kanten) Regionen (Flächen) Ecken, Krümmung
39 Resultierende Klassen von Grauwertvariationen in D Bildern Intrinsisch 0-dimensionale Variationen konstante Grauwertfläche L() = const. Intrinsisch 1-dimensionale Variationen repliziertes 1D Profil L() = L(n. ) Intrinsisch -dimensionale Variationen Ecken und Kreuzungen (vgl. G. Krieger, C. Zetsche. Nonlinear image operators for the evaluation of local intrinsic dimensionality. IEEE Trans. on Image Processing 5(6): , 1996)
40 Lineare Verfahren zur Detektion von Eck-/Endpunkten I. Parallele Verarbeitungspfade i. Merkmale durch Anwendung spezialisierter Detektoren i. Lineare Strukturen : Kontraste, Linien,... ii. ii. -dimensionale Strukturen : Ecken, Endpunkte,...
41 II. Hierarchische Schemata i. ii. i. Lineare Strukturen : Filterung für (intrinsisch) 1-dimensionale Strukturen z.b. Differentialoperatoren linear Orientierungsfeld nichtlinear Gradient
42 ii. -dimensionale Strukturen : Gerichtete Differenzen- oder Differentialoperatoren (Richtung entsprechend des Richtungsfeldes) - Σ + z.b. G( u + u v; σ, σ ) G( u u, v; σ, σ ) 0, u v 0 u v Zentrum-Umfeld Interaktion - Σ + z.b. (, y) G(, y ) δ ;σ
43 Problem: Lineare Detektoren für instrinsisch -dimensionale Intensitätsänderungen (Ecken, Enden, etc.) reagieren auch auf intrinsisch 1-dimensionale Strukturen (Balken, Sinuswellen, etc.) Alternativen: Anwendung einer Familie von Operatoren im Sinne einer lokalen D Taylor-Entwicklung des gefilterten Signals Verwendung alternativer Verfahren nichtlineare Operatoren Bsp.: Strukturtensor
44 Strukturtensor Lokale Messung von Struktur Ziel: Direkte lokale Auswertung des Verlaufs der Grauwertfunktion zur möglichst robusten Charakterisierung der Geometrie Definition des Strukturtensors : Berechnung des lokalen Tensors : J ρ Symmetrische Matri... Berechnung T g( ) g( ) ( ) T ( g( ) ) = G g ( ) g ( ) σ = ρ J J = y J J y yy der Eigenwerte λ 1, λ und g ( ) ( ) ( ) ( ) ( ) ( ) g g y g y g y g σ der zugehörigen Eigenvektoren v 1, v (wobei v 1 v!) σ
45 Charakterisierung der Grauwertstruktur Diagonalisierung von J Lösung J ρ λ = 1 0 λ 0 1. Eigenwerte λ 1, λ 1 ( J J ) + J λ 1, = J + J yy ± yy 4 y. Eigenvektoren v 1, v v 1 1 J y = v1 J yy J + yy y ( J J ) + 4J, v v 1
46 Deskriptoren lokaler Struktur I. Regionen konstanter Helligkeit (intrinsich 0-D Struktur): λ 1 = λ = 0 Jρ ist die Nullmatri! II. Gerichtete Kontraste (intrinsisch 1-D Struktur): 1 >> λ = Richtung des Grauwertkontrastes: λ 0 v 1 g ( ) III. Ecken (intrinsisch -D Struktur): λ 1 λ >> 0 eine Ecke ist ein Ort, für den der kleinere Eigenwert λ genügend gross ist!
47 Resultate Synthetisches Grauwert-Schachbrett: zwei Realisierungen Gauss schen Rauschens mit std. = ; Eckpunkte ~ unterer rechter Eckpunkt in piel Nachbarschaft (Signifikanzniveau: Histogramm von λ -Werten, Schwelle) (E. Trucco, A. Verri. Introductory techniques for 3-D computer vision. Prentice-Hall, 1998)
48 Ergebnisse (cont d) Computer- Tomogramm CT40.jpg Schema: Struktur-Tensor (Gradient: [-1 0 1]; Glättung (Binomialfilter): ρ = 7/, Maske: 15 El.) Skalierung (m) der Eigenwerte und Berechnung von m det(.) = m (λ 1 λ ), Schwelle
49 Ergebnisse (cont d) MRI Tomo1451.jpg Schema: Struktur-Tensor (Gradient: [-1 0 1]; Glättung (Binomialfilter): ρ = 7/, Maske: 15 El.) Skalierung (m) der Eigenwerte und Berechnung von m det(.) = m (λ 1 λ ), Schwelle
50 Auflösungs-Pyramiden und Adaptive Glättung Reduktion der Ortsauflösung Gauss-Pyramide Generator-Schema zur Reduktion (REDUCE) Normalisierung (Achsen-) Symmetrie Gleiche Beiträge der Funktionswerte Einhaltung des Abtasttheorems durch Glättung k i-1 i i+1 k-1 i-1 i i+1 c b a b c ( wg.. Symmetrie )
51 Gauss-Pyramide (4 Ebenen) Binomial-Maske für die Glättung zur anschliessenden Reduktion : w() = 1/16 [ ]
52 Epansion durch Interpolation (Invertierung der REDUCE-Operation) -1 EXPAND (. ) = REDUCE (. ) mit m(m+1, N+1) m(m+1, N+1) g (M/, N/) l, 1 allgemein: g = EXPAND( g ) l, n l, n - 1 g (M, N) l-1 D Interpolation: wobei g l,n : Ergebnis der n-maligen Epansion von g l g l, n g l,0 = g l wobei nur Beiträge in die Summe eingehen, für die INTEGER-Werte liefern! i m j n ( i, j) = 4 w( m, n) gl, n 1, m n = = i und m j n Hinweis: Die bei der Reduktion entfernten Frequenzanteile können durch die Epansion nicht wieder rekonstruiert werden!
53 Laplace-Pyramide Konstruktion Folge von Fehler-Residuen L 0, L 1,..., L n (Differenzen zweier Ebenen der Gauss-Pyramide) L Laplace-Pyramide k g k k ( ) = k k + 1, 1 = g EXPAND g g
54 Diffusion und adaptive Bildglättung Glättung Lineare homogene Diffusion Einordnung: Lineare Diffusion entsprechend der Wärmeleitung u t = ( ρ u) = u mit (,0) I( ) u = Glättung durch Faltung mit Gaussverteilung: t I ( ) = I( ) G ( ) σ mit σ = t
55 Lokal adaptive Diffusion Inhomogene Glättung Linear u t = ( g( ) u) Nicht-linear u t = ( g( u ) u) g(.) ist eine skalare Funktion ( Fluss Φ = g(.) u mit Φ u ) Kontrast
56 Lokal adaptive Diffusion Inhomogene Glättung Linear u t = ( g( ) u) Nicht-linear u t = ( g( u ) u) g(.) ist eine skalare Funktion ( Fluss Φ = g(.) u mit Φ u ) Kontrast Nicht-lineare Glättung in mehreren Dimensionen t u = k m = 1 k ( g( u ) u) σ k mit ( ) ( ) u =, 0 I und = 0 nu Ω
57 Anwendungen (1, m = ) Links: Original, MRI Tomo1451.jpg Rechts: Resultat der nichtlinearen Diffusion, 800 Iterationen (J. Weickert, B. ter Haar Romeny, M.A. Viergever. Efficient and reliable scheme for nonlinear diffusion filtering. IEEE Trans. on Image Processing, 7: , 1998)
58 Anwendungen (, m = 3) Links: Original, 3-D Ultraschallbild (10 Wochen alter Fötus), [voel] Rechts: Resultat der nichtlinearen Diffusion (J. Weickert. A review of nonlinear diffusion filtering. In B. ter Haar Romeny, L. Florack, J. Koenderink, M. Viergever (eds.). Scale-space theory in computer vision. Lecture Notes in Computer Science, Vol. 15, Springer, 1997, pp. 3-8)
Segmentierung. 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
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
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,
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
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
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:
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
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
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
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
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
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
MehrBildverarbeitung Herbstsemester
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Filter Filter 1 Inhalt Lineare und nichtlineare Filter Glättungsfilter (z.b. Gauss-Filter) Differenzfilter (z.b. Laplace-Filter) Lineare Faltung
MehrRauschunterdrückung in der Theorie & Praxis
Rauschunterdrückung in der Theorie & Praxis Florian Kramer Urs Pricking Seminar Simulation und Bildanalyse in Java Universität Ulm, Abteilungen SAI & Stochastik 4 Übersicht Motivation Arten von Rauschen
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
MehrMathematische Werkzeuge R. Neubecker, WS 2018 / 2019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 018 / 019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen 1 Optimierung Optimierungsprobleme Suche nach dem Maximum oder Minimum
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
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
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
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrComputergrafik 2: Übung 7. Hough Transformation
Computergrafik 2: Übung 7 Hough Transformation Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Quiz Berechnung der ersten Ableitung eines Bildes? Berechnung der zweiten
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
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 (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
MehrDifferenzialgleichungen erster Ordnung
Differenzialgleichungen erster Ordnung Fakultät Grundlagen Mai 2011 Fakultät Grundlagen Differenzialgleichungen erster Ordnung Übersicht Grundsätzliches 1 Grundsätzliches Geometrische Deutung Numerik 2
MehrUniversalität für Wigner Matrizen
Universalität für Wigner Matrizen Benjamin Schlein, Universität Zürich HSGYM Tag 29. Januar 2015 1 1. Einführung Zufallmatrizen: sind N N Matrizen dessen Einträge Zufallsvariablen mit gegebenen Verteilung
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
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
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
MehrMathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder
DGL Schwingung Physikalische Felder Mathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder Johannes Wiedersich 23. April 2008 http://www.e13.physik.tu-muenchen.de/wiedersich/
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
Mehr"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"
"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs" Ning Liu HAW-Hamburg Seminarvortrag December 15, 2006 Ning Liu Kanten- und Linienerkennung
Mehr8.1 Begriffsbestimmung
8 Gewöhnliche Differentialgleichungen 8 Gewöhnliche Differentialgleichungen 8.1 Begriffsbestimmung Wir betrachten nur Differentialgleichungen für Funktionen einer (reellen) Variablen. Definition: Für eine
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
Mehr1 Mathematische Hilfsmittel
Mathematische Hilfsmittel. Vektoranalysis Wiederholung Vektor: Länge und Richtung Vektoraddition: A + B = B + A (A + B) + C = A + (B + C) kartesische Koordinaten: B A + B = i (a i + b i )e i A+B Multiplikation
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 7 (7.8.7). Gegeben ist die Matrix A 3 3 3 (a) Bestimmen Sie sämtliche Eigenwerte sowie die zugehörigen Eigenvektoren.
MehrHöhere Mathematik für Ingenieure , Uhr - Aufgabenteil (180 min.) -
Studiengang: Matrikelnummer: 1 3 4 5 6 Z Aufgaben Theorie Gesamt Note Prüfungsklausur zum Modul Höhere Mathematik für Ingenieure 13.. 17, 8. - 11. Uhr - Aufgabenteil (18 min.) - Zugelassene Hilfsmittel:
Mehr5 Harmonische Funktionen
5 Harmonische Funktionen Generell kann man die allgemeine Lösung des elektrostatischen andwertproblems auch als Summe einer speziellen Lösung der Poisson-Gleichung und einer Lösung der Laplace-Gleichung
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
MehrOrdnen Sie die Bilder den zugehörigen Funktionen z = f(x, y) zu:
6. Februar 2012 Lösungshinweise Theorieteil Aufgabe 1: Die folgenden Bilder zeigen drei Niveaumengen N 0 {(x, y) R 2 : f(x, y) 0}: Ordnen Sie die Bilder den zugehörigen Funktionen z f(x, y) zu: (a) z (x
MehrAngewandte Mathematik am Rechner 1
Michael Wand Institut für Informatik. Angewandte Mathematik am Rechner 1 SOMMERSEMESTER 2017 Kapitel 5 Grundlagen Analysis Kontinuierliche Mengen Vollständige Mengen Folgen Iterative Berechnungen Grenzwert:
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
MehrVorbereitung für die Prüfung Mathematik II für Informatiker
Technische Universität Ilmenau SS 2010 Institut für Mathematik Inf Prof. Dr. Michael Stiebitz Vorbereitung für die Prüfung Mathematik II für Informatiker 1 Lineare Algebra Aufgabe 1 Schauen Sie sich die
MehrMathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung
Mathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
Mehr2D Graphik: FFT und Anwendungen der Fouriertransformation. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 25.
LMU München Medieninformatik Butz/Hilliges D Graphics WS005 5..005 Folie D Graphik: FFT und Anwendungen der Fouriertransformation Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 5. ovember 005
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
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
MehrInhaltsverzeichnis. Aufbau eines Bildverarbeitungssystems
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................378 Aufbau
MehrExtrema multivariater Funktionen
Extrema multivariater Funktionen Ist f (x ) ein Minimum (Maximum) einer stetig differenzierbaren skalaren Funktion f auf einer Umgebung U von x, so gilt grad f (x ) = (0,..., 0) t. Extrema multivariater
MehrSpezifische innere Volumina
Spezifische innere Volumina Stochastische Geometrie und ihre en - Zufallsfelder Regina Poltnigg und Henrik Haßfeld Universität Ulm 13. Januar 2009 1 Regina Poltnigg und Henrik Haßfeld 1 2 Berechnung von
MehrObjektbeschreibung 1
Objektbeschreibung Description and Representation Markus Thaler, TG208 Martin Weisenhorn, TB427 tham@zhaw.ch weie@zhaw.ch www.zhaw.ch/~tham August 8 August 8 2 what is this? wh do ou know that? - descriptors
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
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
MehrÜbungen zur Ingenieur-Mathematik III WS 2012/13 Blatt
Übungen zur Ingenieur-Mathematik III WS 2012/13 Blatt 9 19.12.2012 Aufgabe 35: Thema: Differenzierbarkeit a) Was bedeutet für eine Funktion f : R n R, dass f an der Stelle x 0 R n differenzierbar ist?
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"
MehrMathematik für Ingenieure mit Maple
Thomas Westermann Mathematik für Ingenieure mit Maple Band 2: Differential- und Integralrechnung für Funktionen mehrerer Variablen, gewöhnliche und partielle Differentialgleichungen, Fourier-Analysis Mit
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
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
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
MehrModulprüfung Mathematik IV Fachrichtung: Computer Science in Engineering, Computervisualistik, Informatik, Wirtschaftsinformatik SS
Fakultät für Mathematik Institut für Algebra und Geometrie Prof. Dr. Martin Henk, Dr. Michael Höding Modulprüfung Mathematik IV Fachrichtung: Computer Science in Engineering, Computervisualistik, Informatik,
MehrDifferentialrechnung
Kapitel 7 Differentialrechnung Josef Leydold Auffrischungskurs Mathematik WS 2017/18 7 Differentialrechnung 1 / 75 Differenzenquotient Sei f : R R eine Funktion. Der Quotient f = f ( 0 + ) f ( 0 ) = f
MehrDifferentialrechnung. Kapitel 7. Differenzenquotient. Graphische Interpretation des Differentialquotienten. Differentialquotient
Differenzenquotient Sei f : R R eine Funktion. Der Quotient Kapitel 7 Differentialrechnung f = f 0 + f 0 = f 0 0 heißt Differenzenquotient an der Stelle 0., Sekante 0, f 0 f 0 Josef Leydold Auffrischungskurs
MehrVorlesung Mathematik für Ingenieure 2 (Sommersemester 2009)
1 Vorlesung Mathematik für Ingenieure 2 (Sommersemester 2009) Kapitel 10: Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 27. März 2009) Differenzialrechnung
MehrVorlesung Mathematik für Ingenieure II (Sommersemester 2008)
Vorlesung Mathematik für Ingenieure II (Sommersemester 8) Kapitel : Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 8. Mai 8) Differenzialrechnung R R 4
MehrAbleitungen von skalaren Feldern Der Gradient
Ableitungen von skalaren Feldern Der Gradient In der letzten Vorlesung haben wir das zu einem konservativen Kraftfeld zugehörige Potential V ( r) = F ( s) d s + V ( r0 ) kennengelernt und als potentielle
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Freie Nichtlineare Optimierung Orakel, lineares/quadratisches Modell Optimalitätsbedingungen Das Newton-Verfahren Line-Search-Verfahren Inhaltsübersicht für heute: Freie Nichtlineare
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 23 (5.8.23). Gegeben seien die Matrizen A = 2 3 3 und B = 5 2 5 (a) Bestimmen Sie die Eigenwerte von A und B sowie die
Mehr(a), für i = 1,..., n.
.4 Extremwerte Definition Sei M R n eine Teilmenge, f : M R stetig, a M ein Punkt. f hat in a auf M ein relatives (oder lokales) Maximum bzw. ein relatives (oder lokales) Minimum, wenn es eine offene Umgebung
MehrPartielle Differentialgleichungen in der Bildverarbeitung. oder
Partielle Differentialgleichungen in der Bildverarbeitung Februar 2003 Dirk Lorenz oder PDEs in der Bildverarbeitung 1 Partielle Differentialgleichungen zum Anfassen und Streicheln PDEs in der Bildverarbeitung
MehrREPETITORIUM DER HÖHEREN MATHEMATIK. Gerhard Merziger Thomas Wirth
REPETITORIUM DER HÖHEREN MATHEMATIK Gerhard Merziger Thomas Wirth 6 INHALTSVERZEICHNIS Inhaltsverzeichnis Fl Formelsammlung F2 Formelsammlung Alphabete 11 Zeichenindex 12 1 Grundbegriffe 14 1.1 Logische
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
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
Mehr1 Differentialrechnung
BT/MT SS 6 Mathematik II Klausurvorbereitung www.eah-jena.de/~puhl Thema: Üben, üben und nochmals üben!!! Differentialrechnung Aufgabe Differenzieren Sie folgende Funktionen: a y = ln( b f( = a a + c f(
MehrTeil 6. Differentialrechnung mehrerer Veränderlicher
Teil 6 Differentialrechnung mehrerer Veränderlicher 95 96 6.1 Topologie von Mengen Umgebung ε-umgebung eines Punktes x R n : B ε (x) = {y : y x < ε} Umgebung U von x: Menge, die eine ε-umgebung von x enthält
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
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
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
MehrFilter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
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
MehrHöhere Mathematik für Ingenieure 2
Prüfungklausur (A) zum Modul Höhere Mathematik für Ingenieure 5. Juli 8, 8. - 1. Uhr (1.Termin) - Lösungen zum Theorieteil - Aufgabe 1: Die -periodische Funktion f : R R sei auf [, ) gegeben durch + 3,
MehrFlächen- und Volumenmessung lokaler Objekte in DICOM-Bildern und Bildfolgen
Flächen- und Volumenmessung lokaler Objekte in ICOM-Bildern und Bildfolgen Sergei Hludov, Christoph Meinel und Thomas Engel Institut für Telematik Bahnhofsstr. 30-3, 549 Trier Email: hludov@ti.fhg.de Zusammenfassung.
MehrMathematischer Vorkurs für Physiker WS 2012/13
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13 Übungsblatt 2 Wichtige Formeln aus der Vorlesung: Basisaufgaben Beispiel 1: 1 () grad () = 2 (). () () = ( 0 ) + grad ( 0 ) ( 0 )+
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. M. Keyl M. Kech TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker 3 (Analysis ) MA903 http://www-m5.ma.tum.de/allgemeines/ma903 06S Sommersem. 06 Lösungsblatt 8 (3.6.06)
MehrInhaltsverzeichnis. Kapitel 1: Rechnen mit Zahlen. Kapitel 2: Umformen von Ausdrücken. Kapitel 3: Gleichungen, Ungleichungen, Gleichungssysteme
Kapitel 1: Rechnen mit Zahlen 1.1 Rechnen mit reellen Zahlen 1.2 Berechnen von Summen und Produkten 1.3 Primfaktorzerlegung 1.4 Größter gemeinsamer Teiler 1.5 Kleinstes gemeinsames Vielfaches 1.6 n-te
MehrKlausur HM II/III F 2003 HM II/III : 1
Klausur HM II/III F 3 HM II/III : Aufgabe : (7 Punkte) Untersuchen Sie die Funktion f : R R gegeben durch x 3 y 3 f(x, y) x + y sin, (x, y) (, ) x + y, (x, y) (, ) auf Stetigkeit und Differenzierbarkeit.
MehrTeil IV-A: Signal- und Bildverarbeitung Methoden
Teil IV-A: Signal- und Bildverarbeitung Methoden 1. Aufgaben der Signal- / Bildverarbeitung 2. Elementare Verarbeitungsmethoden 3. 2D Fourier-Transformation und Faltung Aufgaben der Signal- / Bildverarbeitung
MehrZeige, daß A nichtsingulär ist und berechne die Inverse Matrix. Lösung: A ist nicht singulär, wenn det A 0. Ist das der Fall, so gilt
Algebra, Analytische Geometrie. 1. Sei 1, 0, 9 A := 1, 2, 3,. 2, 2, 2, Zeige, daß A nichtsingulär ist und berechne die Inverse Matrix. Lösung: A ist nicht singulär, wenn det A 0. Ist das der Fall, so gilt
MehrVektoren, Tensoren, Operatoren Tensoren Rang 0 Skalar p,ρ,t,... Rang 1 Vektor F, v, I,... Spannungstensor
Vektoren, Tensoren, Operatoren Tensoren Rang 0 Skalar p,ρ,t,... Rang 1 Vektor F, v, I,... Rang 2 Dyade }{{} σ, τ,... Spannungstensor Differential-Operatoren Nabla- / x Operator / y in kartesischen / Koordinaten
MehrSerie 3. z = f(x, y) = 9 (x 2) 2 (y 3) 2 z 2 = 9 (x 2) 2 (y 3) 2, z 0 9 = (x 2) 2 + (y 3) 2 + z 2, z 0.
Analysis D-BAUG Dr Cornelia Busch FS 2016 Serie 3 1 a) Zeigen Sie, dass der Graph von f(x, y) = 9 (x 2) 2 (y 3) 2 eine Halbkugel beschreibt und bestimmen Sie ihren Radius und ihr Zentrum z = f(x, y) =
MehrKlausur zur Höheren Mathematik I (ET/IT/AI/IKT/P/MP) WS 2016/
Dr. P. Furlan Dr. J. Horst Fakultät Mathematik Technische Universität Dortmund Klausur zur Höheren Mathematik I (ET/IT/AI/IKT/P/MP) WS 06/7 6.0.07 Es sind insgesamt 50 Punkte erreichbar. Bei mindestens
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
MehrAnalysis II - 2. Klausur
Analysis II - 2. Klausur Sommersemester 25 Vorname: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Summe Analysis II - 2. Klausur 6.7.25 Aufgabe 6 Punkte Betrachten Sie die C
Mehr