Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo
|
|
- Swen Baumhauer
- vor 5 Jahren
- Abrufe
Transkript
1 Messen optischer Größen Messen aus Bildern Übersicht Optische Strahlung Sensorik Geometrie Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophsiologie Kognitive Pschologie Digitale Bildanalse Digitales Rasterbild Kenngrößen Bildverarbeitungsoperationen Segmentation Salient point detection + description Ael Pinz SS 2017 Messtechnik 2 6 1
2 Bildverarbeitungsoperationen Eingabebild E Ausgabebild A Funktion f: E A Bildkoordinaten Ortsbereich Transformation T: E Fuv T transformiert in einen anderen Bereich z.b.: Frequenzbereich uv bei der Fourier-Transformation Wozu Transformationen? z.b.: Kompleität geschlossene Formulierung e. Problems etc. Ael Pinz SS 2017 Messtechnik 2 6 2
3 Ein Resultat viele mögliche Lösungsege >> E=imread'peppers.jpg'; >> G5=fspecial'gaussian'155; >> A=imfilterEG5; E f A T T -1 F E uv g F A uv Ael Pinz SS 2017 Messtechnik 2 6 3
4 Punkt- und lokale Operationen Ael Pinz SS 2017 Messtechnik 2 6 4
5 Punktoperationen A=fE Allgemein: beliebige Grauertübertragungsfunktion Ael Pinz SS 2017 Messtechnik 2 6 5
6 Punktoperationen Beispiele 1 Schellert S: A = 0 E < S 1 E S E A Ael Pinz SS 2017 Messtechnik 2 6 6
7 Punktoperationen Beispiele 2 Kontraständerung: A = ke + d 1 V A cropping auf [minma] V E E A Ael Pinz SS 2017 Messtechnik 2 6 7
8 Punktoperationen Beispiele 3 Punktoperation auf mehreren Bildern: Farbe monochrom A = 1 3 E r E g E b >> N=imread'peppers.jpg'; >> BW=N::1/3+N::2/3+N::3/3; >> imritebw'peppers_bw.jpg'; E A E r E g E b Ael Pinz SS 2017 Messtechnik 2 6 8
9 Punktoperationen Beispiele 4 Punktoperation auf mehreren Bildern: Beegung in Video A = E 1 E 2 E 1 E 2 A Anmerkung: idealisierte vereinfachte Darstellung aus [Pinz Bildverstehen 1994] Ael Pinz SS 2017 Messtechnik 2 6 9
10 Beegung in Video 1 >> frame1=imread'jogger_0.jpg'; >> frame2=imread'jogger_1.jpg'; >> f1_hsv=rgb2hsvframe1; >> f2_hsv=rgb2hsvframe2; >> f1_v=f1_hsv::3; >> f2_v=f2_hsv::3; >> f_diff=absf1_v-f2_v; >> imshof_diff; jogger_0 jogger_1 f_diff Ael Pinz SS 2017 Messtechnik
11 Beegung in Video 2 f_diff imhistf_diff 8*f_diff Auch Beegung im Hintergrund! Kamera-Pan Ael Pinz SS 2017 Messtechnik
12 Lokale Fensteroperation Allgemein: lokales Fenster W E von E: W E δ = E δ δ E + δ δ E E δ + δ E + δ + δ A = fw E δ nsbesondere: Faltung A = W E δ A = s= δ δ t= δ Ws t E + s + t Achtung: Behandlung des Bildrandes definieren! Ael Pinz SS 2017 Messtechnik
13 Beispiele zur Faltung Hochpass W = E >> E=im2doubleimread'peppers_val.jpg'; >> W=[0-10;-14-1;0-10]; >> A=imfilterEW'conv'; >> imshoa; A Ael Pinz SS 2017 Messtechnik
14 Beispiele zur Faltung Tiefpass W = >> E=imread'peppers_val.jpg'; >> W=[111;111;111]; >> A=imfilterEW'conv'; >> imshoa/9; E A Ael Pinz SS 2017 Messtechnik
15 Beispiele zur Faltung Kantendetektion mit dem Sobeloperator S = S = S A = S E 2 + S E 2 E E*S A E*S [-44] Ael Pinz SS 2017 Messtechnik
16 Matlab Code zum Sobeloperator >> E=im2doubleimread'peppers_val.jpg'; >> SX=[121;000;-1-2-1]; >> SY=[10-1;20-2;10-1]; >> AX=imfilterESX'conv'; >> AY=imfilterESY'conv'; >> imriteax'sobel_x.jpg'; >> imriteay'sobel_y.jpg'; >> A=absAX+absAY; >> imshoa; >> imriteabsax'abs_sobel_x.jpg'; >> imriteabsay'abs_sobel_y.jpg'; >> imritea'sobel_amplitude.jpg'; absax E absay AX A AY Ael Pinz SS 2017 Messtechnik
17 Globale Operationen Auv=fE Beispiel Fouriertransformation Ael Pinz SS 2017 Messtechnik
18 Fouriertransformation Beispiel 1 v u uv=00: Orsfrequenz 0 =0 [Pinz Bildverstehen 1994] Ael Pinz SS 2017 Messtechnik
19 Fouriertransformation Beispiel 1 [Pinz 1994] Ael Pinz SS 2017 Messtechnik
20 Ein Resultat viele mögliche Lösungsege >> E=imread'peppers.jpg'; >> G5=fspecial'gaussian'155; >> A=imfilterEG5; E f A T T -1 F E uv g F A uv Ael Pinz SS 2017 Messtechnik
21 Fouriertransformation in Matlab >> E=im2doubleimread'peppers_BW.jpg'; >> F=fft2E; >> F=fftshiftF; >> figure1 hold off imagesce ais off colormap gra ais image title'intensit image'; >> figure2 hold off imagesclogabsf ais off colormap jet ais image colorbar title'log fft magnitude'; Ael Pinz SS 2017 Messtechnik
22 Fouriertransformation Beispiel 2 Vgl: rezeptives Feld von kompleen Zellen im visuellen Corte! Ael Pinz SS 2017 Messtechnik
23 Segmentation Unterteilen eines Bildes B in disjunkte Regionen R i Formale Definition von Segmentation benötigt ein Homogenitätskriterium H: Ael Pinz SS 2017 Messtechnik
24 Flächen- / kantenbasierte Segmentation [Pinz Bildverstehen 1994] Ael Pinz SS 2017 Messtechnik
25 Beispiel: Regionenbasierte Segmentation mittels Schellert E S=75 A A2 1. Glätten Gauß 2. Schellert 3. Region labelling 4. Segmentation >> G5=fspecial'gaussian'155; >> EG=imfilterEG5; >> A=1-im2bEG 75/255; >> A1=bconncompA; >> A2=labelmatriA1; Ael Pinz SS 2017 Messtechnik
26 Messen optischer Größen Messen aus Bildern Übersicht Optische Strahlung Sensorik Geometrie Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophsiologie Kognitive Pschologie Digitale Bildanalse Digitales Rasterbild Kenngrößen Bildverarbeitungsoperationen Segmentation Salient point detection + description Ael Pinz SS 2017 Messtechnik
27 Detektion und Beschreibung auffälliger Punkte salient points / corners / Ecken Beispiel 1: >> E=imread'peppers_val.jpg'; >> C=cornerE 'Harris'; >> imshoe; >> hold on; >> plotc:1 C:2'r*'; Ael Pinz SS 2017 Messtechnik
28 Detektion und Beschreibung auffälliger Punkte salient points / corners / Ecken Beispiel 2: >> E=imread'squares.jpg'; >> C=cornerE 'Harris'; >> imshoe; >> hold on; >> plotc:1 C:2'r*'; Ael Pinz SS 2017 Messtechnik
29 Homogene Bildregion: Kein Gradient Was definiert eine Ecke? Kante: Gradient in 1 Richtung Ecke: Mindestens 2 Gradienten- Richtungen im rezeptiven Feld Gradient erste Ableitung Ael Pinz SS 2017 Messtechnik
30 Ecke salient point Ecke: Gradienten in 2 Richtungen Auch das ist ein salient point : Gradienten in alle Richtungen Vgl: On-Off und Off-On Zellen! Ael Pinz SS 2017 Messtechnik
31 Point Correspondences - Eample Structure and motion from natural landmarks [Scheighofer] Stereo reconstruction of Harris corners Ael Pinz SS 2017 Messtechnik
32 Salient points corners based on 1 st derivatives Autocorrelation of 2D image signal [Moravec] Approimation b sum of squared differences SSD Windo W Differences beteen gravalues in W and a indo shifted b ΔΔ f W [ [ ] ] 2 2 Four different shift directions f i : f Moravec 4 i1 f i A corner is detected hen f Moravec >th Ael Pinz SS 2017 Messtechnik
33 33 Ael Pinz SS 2017 Messtechnik 2 6 Salient points corners based on 1 st derivatives Autocorrelation second moment matri: Avoids various shift directions Approimate +Δ +Δ b Talor epansion: Rerite f: f W W M ] [ 2 second moment matri M Gradient in -Richtung
34 34 Ael Pinz SS 2017 Messtechnik 2 6 Salient points corners based on 1 st derivatives Autocorrelation second moment matri: M can be used to derive a measure of cornerness ndependent of various displacements ΔΔ Corner: significant gradients in >1 directions rank M = 2 Edge: significant gradient in 1 direction rank M = 1 Homogeneous region rank M = 0 Several variants of this corner detector: KLT corners Förstner corners W W W W 2 2 M
35 35 Ael Pinz SS 2017 Messtechnik 2 6 Salient points corners based on 1 st derivatives Harris corners Most popular variant of a detector based on M Local derivatives ith derivation scale σ D Convolution ith a Gaussian ith integration scale σ M Harris for each point in the image Cornerness c Harris does not require to compute eigenvalues Corner detection: c Harris > t Harris Harris D D D D D D D D D G M M M trace det Harris c Harris t D
36 Descriptors 1 Representation of salient regions descriptive features feature vector There are man possibilities! Matching calibration specific object recognition: Search for high descriptive poer Tolerate viepoint variations f n n 1 fn j f T feature vector etracted from patch P n Ael Pinz SS 2017 Messtechnik
37 Gravalues Descriptors 2 Ra piel values of a patch P local appearance-based description General moments of order p+q: P p q m pq P Moment invariants: Central moments μ pq : invariant to translation m10 m01 p q : pq m m P P Ael Pinz SS 2017 Messtechnik
38 Descriptors 3 Moment invariants: Normalized central moments pq pq 00 ith 1 p q 2 Translation rotation scale invariant moments Φ1... Φ7 [Hu] Geometric/photometric color invariants [vangool et al.] Filters local jets [Koenderink+VanDoorn] Gabor banks steerable filters discrete cosine transform DCT 02 Ael Pinz SS 2017 Messtechnik
39 SFT descriptors [Loe] Descriptors 4 Scale invariant feature transform Calculated for local patch P: 88 or 1616 piels Subdivision into 44 sample regions Weighted histogram of 8 gradient directions: 0º 45º SFT vector dimension: 128 for a 1616 patch [Loe] Ael Pinz SS 2017 Messtechnik
40 Wo braucht man Punktdetektoren und -deskriptoren? mmer enn es nötig ist Punktkorrespondenzen herzustellen! Kamerakalibrierung 3D Tiefe aus Stereokorrespondenz mmer enn aus Bildern gemessen erden soll! Ael Pinz SS 2017 Messtechnik
41 Messen optischer Größen Messen aus Bildern Übersicht Optische Strahlung Sensorik Geometrie Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophsiologie Kognitive Pschologie Digitale Bildanalse Digitales Rasterbild Kenngrößen Bildverarbeitungsoperationen Segmentation Salient point detection + description Ael Pinz SS 2017 Messtechnik
Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo
Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophysiologie Kognitive Psychologie Digitale
MehrMessen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo
Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophysiologie Kognitive Psychologie Digitale
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
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
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
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
MehrBildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg
Bildverbesserung Frequenz-, Punkt- und Maskenoperationen Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x) local-domain frequency-domain
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
MehrMerkmalerkennung am Beispiel SIFT
Merkmalerkennung am Beispiel SIFT Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH Salzburg) Merkmalerkennung
MehrStructure-from-Motion. Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel
Structure-from-Motion Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel Fahrplan Structure-from Motion Workflow mit SIFT & Bundle Adjustment mit SURE Probleme/ Grenzen Technik Metrik und Vergleich
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
MehrFundamentale Matrix: 8-Punkte Algorithmus
Übungen zu Struktur aus Bewegung Arbeitsgruppe Aktives Sehen Sommersemester 2003 Prof. Dr-Ing. D. Paulus / S. Bouattour Übungsblatt 5 Fundamentale Matrix: 8-Punkte Algorithmus Gegeben sei eine Menge von
MehrFoundations of Image Formation and. Pattern Recognition
Foundations of Image Formation and Picture Analysis - Pattern Recognition Prof. Dr. H. Burkhardt Chair of Pattern Recognition and Image Processing Computer Science Faculty Albert-Ludwigs-University of
MehrFourier Optik. Zeit. Zeit
Fourier Optik Beispiel zur Fourier-Zerlegung: diskretes Spektrum von Sinus-Funktionen liefert in einer gewichteten Überlagerung näherungsweise eine Rechteckfunktion Sin t Sin 3t Sin 5t Sin 7t Sin 9t Sin
MehrComputergrafik 2: Objekt-/Bilderkennung
Computergrafik 2: Objekt-/Bilderkennung Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrLandmarkenbasierte Kartierung und Lokalisierung
Landmarkenbasierte Kartierung und Lokalisierung Inhalt 1. Kartierung Wiederholung Probleme Vergleich 2. Lokalisierung Wiederholung Fortsetzung Partikelfilter Zusammenfassung der Vorgehensweise Quellen
MehrFEM Isoparametric Concept
FEM Isoparametric Concept home/lehre/vl-mhs--e/folien/vorlesung/4_fem_isopara/cover_sheet.tex page of 25. p./25 Table of contents. Interpolation Functions for the Finite Elements 2. Finite Element Types
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
MehrInteraktive Lokalisierung durch Objekterkennung
Interaktive Lokalisierung durch Objekterkennung Bachelor Thesis Adrian Batzill Motivation GPS Abweichungen - Guter Tag: ~5m - Wahrscheinlicher: >15m Kompass Abweichungen: - Normal ~3-10 Für Augmented Reality
MehrNumber of Maximal Partial Clones
Number of Maximal Partial Clones KARSTEN SCHÖLZEL Universität Rostoc, Institut für Mathemati 26th May 2010 c 2010 UNIVERSITÄT ROSTOCK MATHEMATISCH-NATURWISSENSCHAFTLICHE FAKULTÄT, INSTITUT FÜR MATHEMATIK
MehrComputergrafik 2: Objekt-/Bilderkennung
Computergrafik 2: Objekt-/Bilderkennung Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrInhalt und Überblick. Visuelle Kognition WS 2001/2002 Adrian Schwaninger
Visuelle Kognition WS 2001/2002 Adrian Schwaninger Nonaccidental Properties Argumente pro Nonaccidental Properties Einleitung Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller
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,
MehrFEM Isoparametric Concept
FEM Isoparametric Concept home/lehre/vl-mhs--e/cover_sheet.tex. p./26 Table of contents. Interpolation Functions for the Finite Elements 2. Finite Element Types 3. Geometry 4. Interpolation Approach Function
MehrIntroduction FEM, 1D-Example
Introduction FEM, D-Example /home/lehre/vl-mhs-/inhalt/cover_sheet.tex. p./22 Table of contents D Example - Finite Element Method. D Setup Geometry 2. Governing equation 3. General Derivation of Finite
MehrInhalt und Überblick. Visuelle Kognition Adrian Schwaninger Universität Zürich. Erkennung und Repräsentation Ansichtenbasierte Ansatze Überblick
Einleitung Visuelle Kognition Adrian Schwaninger Universität Zürich Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle
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)
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
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
MehrInverse Problems In Medical Imaging
Inverse Problems In Medical Imaging 07.05.18 Simon Krug physics654: Seminar Medical Imaging University of Bonn Inverse Problems Problem solving Inverse problems Noise Object and Image Radon transform Silent
MehrSwarm Optimization Techniques for 3D Vision
Swarm Optimization Techniques for 3D Vision Dipl.Ing. Ulrich Kirchmaier 1 Übersicht 1. Bildverarbeitung und Computer Vision 1. Merkmale : Kanten, Ecken, Punkte 2. Anwendungen: Tracking, 3D Rekonstruktion
MehrHow To Create A Panorama Image From A Photoelectric Image From An Image From The Camera (I)
Chapter 3 Image Registration Distributed Algorithms for Einführung (I) Definition: Image Registration Gegeben: 2 Bilder der gleichen Szene aber aufgenommen aus unterschiedlichen Perspektiven Gesucht: Transformation,
MehrIntroduction FEM, 1D-Example
Introduction FEM, 1D-Example home/lehre/vl-mhs-1-e/folien/vorlesung/3_fem_intro/cover_sheet.tex page 1 of 25. p.1/25 Table of contents 1D Example - Finite Element Method 1. 1D Setup Geometry 2. Governing
MehrUltrakurze Lichtimpulse und THz Physik
Ultrakurze Lichtimpulse und THz Physik. Einleitung 2. Darstellung ultrakurzer Lichtimpulse 2. Prinzip der Modenkopplung 2.2 Komplexe Darstellung ultrakurzer Lichtimpulse 2.2. Fourier Transformation 2.2.2
MehrGrundlagen der Rekonstruktion bei bildgebenden 3D-Schichtverfahren
Grundlagen der Rekonstruktion bei bildgebenden 3D-Schichtverfahren Im Rahmen des 8. Fortbildungsseminars der Arbeitsgemeinschaften Physik und Technik der DRG (APT) und der DGMP (K22) in Magdeburg am 18.
MehrA novel displacement-based measure to assess the quality of mesoscale EPS forecasts
A novel displacement-based measure to assess the quality of mesoscale EPS forecasts Christian Keil and George C.Craig DLR Oberpfaffenhofen, Germany Motivation Exploitation of spatio-temporal information
MehrUnit 9. Prototype-Based Clustering. Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 176
Unit 9 Prototype-Based Clustering Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 176 Introduction Instead of a complete set description, every cluster C i is represented
MehrMathias Schlüter 1, B. Stieltjes 2, H. K. Hahn 1, J. Rexilius 1, O. Konrad-Verse 1, H.-O. Peitgen 1. MeVis 2 DKFZ. Purpose
Frühe Indentifizierung von Tumor-Infiltration in Faserbündeln der Weißen Substanz mit Diffusions-Tensor- Bildgebung Early Stage Detection of Tumor Infiltration in White Matter Fiber Bundles Using Diffusion
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
MehrA&R Project Group: Time-optimal large view visual servoing for the navigation of a mobile robot using moments of SIFT-features
Universität Dortmund A&R Project Group: Time-optimal large view visual servoing for the navigation of a mobile robot using moments of SIFT-features Introduction Slides Department of Electrical Engineering
MehrComputergrafik 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
Mehra) Name and draw three typical input signals used in control technique.
12 minutes Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Problem 1 (2 points each) a) Name and draw three typical input signals used in control technique. b) What is a weight function? c) Define the eigen value
MehrMirroring and matching of the SIFT-feature descriptors for detection of symmetries and repeated structures in images
Mirroring and matching of the SIFT-feature descriptors for detection of symmetries and repeated structures in images Susanne Wenzel susanne.wenzel@uni-bonn.de TR-IGG-P-2007-04 August 01, 2007 Technical
MehrInhalt und Überblick
Einleitung Visuelle Kognition Adrian Schwaninger Universität Zürich Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrIntelligente Systeme WS 2015/16
Lehrgebiet Intelligente Systeme WS 2015/16 Andreas Dengel Fragestellungen Automatisierung von intelligentem" Verhalten im Sinn eines Leistungsverstärkers für den Menschen, z.b. Verstehen von Bildern, Sprache
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
MehrDigitale Bildverarbeitung
Bernd Jahne Digitale Bildverarbeitung 6., überarbeitete und erweiterte Auflage Mit 248 Abbildungen und 155 Übungsaufgaben und CD-ROM Sy Springer Inhaltsverzeichnis I Grundlagen 1 Anwendungen und Werkzeuge
MehrBetriebsarten-Umschalter Common mode / Differential mode switch
Betriebsarten-Umschalter Common mode / Differential mode switch Beschreibung: Der Betriebsarten-Umschalter CMDM 87 erweitert die Messmöglichkeiten zweier V-Netznachbildungen um die einer T- und Delta-Netznachbildung.
MehrSchüco Fassade FW 50 + DK Schüco Façade FW 50 + DK
Schüco 137 Schüco Fassade FW + DK Schüco Façade FW + DK Das Fassadensystem FW + DK bietet eine einheitliche Fassadenfläche, ohne optische Unterbrechungen. Dafür sorgen integrierte Dreh-Kipp-Fensterelemente,
MehrAlgorithm Theory 3 Fast Fourier Transformation Christian Schindelhauer
Algorithm Theory 3 Fast Fourier Transformation Institut für Informatik Wintersemester 2007/08 Chapter 3 Fast Fourier Transformation 2 Polynomials Polynomials p over real numbers with a variable x p(x)
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
MehrChapter 1 : þÿ b e t a t h o m e T r e u e b o n u s - C o d e s c h a p t e r
Chapter 1 : þÿ b e t a t h o m e T r e u e b o n u s - C o d e s c h a p t e r þÿ S p i e l m i t e i n e m t o r l o s e n R e m i s e n d e t, e r s t a t t e t B e t a t H o m e I h r e n & n b s p
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
MehrEinleitung. BildVERarbeitung. BildBEarbeitung. Astrofotografie Farbkanäle gezielt manipulieren
Einleitung BildVERarbeitung Bildanalyse Bildrestauration Photometrische Auswertung Objektdetektion Kompression BildBEarbeitung Astrofotografie Farbkanäle gezielt manipulieren Folie 1 Einleitung Astronomische
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
Mehr6. Übungsblatt Aufgaben mit Lösungen
6. Übungsblatt Aufgaben mit Lösungen Exercise 6: Find a matrix A R that describes the following linear transformation: a reflection with respect to the subspace E = {x R : x x + x = } followed by a rotation
Mehr1. Einführung in die Computergraphik Wer braucht Computergraphik Komponenten von Computergraphik-Software 4
Index Einführung in Visual Computing Kapitel 1, Vs.13 emptyvi, informatik-forum.at 1. Einführung in die Computergraphik 3 1.1. Wer braucht Computergraphik 3 1.2. Komponenten von Computergraphik-Software
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrBildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science
Bildmerkmalssuche Seminar Computational Photography EINFÜHRUNG 2 Einführung Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand
MehrInterpolation Functions for the Finite Elements
Interpolation Functions for the Finite Elements For the finite elements method, the following is valid: The global function of a sought function consists of a sum of local functions: GALERKIN method: the
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,
MehrFinite Difference Method (FDM)
Finite Difference Method (FDM) home/lehre/vl-mhs-1-e/folien/vorlesung/2a_fdm/cover_sheet.tex page 1 of 15. p.1/15 Table of contents 1. Problem 2. Governing Equation 3. Finite Difference-Approximation 4.
MehrSIFT Flow Dense Correspondence across Different Scenes
Moritz Schmidt SIFT Flow Dense Correspondence across Different Scenes 1 Motivation Bildregistrierung Bilder ähnlicher Szenen in Übereinstimmung bringen Transformation eines Bildes zu Referenzbild Optimierungsproblem
MehrBildtransformationen. Geometrische Transformationen Grauwert-Interpolation
Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
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
MehrMorphologische Operationen (12 Punkte)
05.10.2015 186.822 VU Einführung in Visual Computing 3. Test Gruppe A Matrikelnummer: Nachname: Punkte Studienkennzahl: Vorname: Bitte tragen sie Ihre Matrikelnummer, Studienkennzahl sowie Vor- und Nachname
Mehr6Si 6. Signal-und Bildfilterung sowie. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1
6Si 6. Signal-und Bildfilterung sowie Korrelation H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I Bildfilterung und Korrelation Die lineare Bildfilterung wird zur Rauschunterdrückung
MehrAnwendungen: Invarianten über Gruppenmittel
Anwendungen: Invarianten über Gruppenmittel Visual inspection of textiles with anisotropic texture Sichtprüfungsaufgaben (Textilien) Bildsuchmaschinen (query by example) SIMBA und MICHELSCOPE Automatische
MehrIntroduction to geometric and structural Crystallography. Lecture No. 10: Crystallographic space groups
Introduction to geometric and structural Crystallography Lecture No. 10: Crystallographic space groups Crystallographic space groups Space groups needed for the description of symmetry properties in the
MehrComputergrafik / Animation. künstliches Objekt, dargestellt durch Anzahl von Punkten in Raum und Zeit (bei bewegten, animierten Objekten).
Computergrafik / Animation künstliches Objekt, dargestellt durch Anzahl von Punkten in Raum und Zeit (bei bewegten, animierten Objekten). Punkte, werden auch «Kontrollpunkte» genannt Wesentlicher Punkt:
MehrVisuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel
Visuelle Bildsuche und Bildnavigation Prof. Dr. Kai Uwe Barthel Übersicht Probleme der Bildsuche Textbasierte Bildsuche Visuelle (Low-Level-)Bildsuche Fusion der Suchprinzipien Automatisches Bildverstehen
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
MehrDigital Maps Enabler of Car Navigation
Digital Maps Enabler of Car Navigation Hinrich Car Multimedia Claussen 1 Dipl.-Ing., MBA It began in 1986 Car navigation development started CD-ROM were launched to the market C-Net phone was a more or
MehrInhalt und Überblick. Visuelle Kognition Adrian Schwaninger Universität Zürich. Visuelle Kognition. Funktionaler Zugang.
drian Schwaninger Universität ürich Begriffsbestimmung Inhalt und Überblick Funktionaler ugang Bottom-Up Selektion Top-Down Selektion Bedürfnisse Repräsentation, Erkennung, Kategorisierung Traditioneller
MehrDekohärenz und die Entstehung klassischer Eigenschaften aus der Quantenmechanik
Dekohärenz und die Entstehung klassischer Eigenschaften aus der Quantenmechanik G. Mahler Spezialvorlesung SS 006 7. 4. 006 Einführung und Übersicht Warum und in welchem Sinn ist Kohärenz»untypisch«? 04.
Mehrrot red braun brown rot red RS-8 rot red braun brown R S V~
Kleiner Ring 9 /Germany Phone: 0049 4122 / 977 381 Fax: 0049 4122 / 977 382 Sample connections: Feedback module with integrated detection of occupied tracks for the RS-feedback bus (Lenz Digital plus)
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
MehrModellbasiertes Suchen von Objekten
Modellbasiertes Suchen von Objekten Anwendung 1 Vortrag HAW-Hamburg Betreuende Professoren Hosnia Najem Kai von Luck Gunter Klemke Agenda Welches Projekt? Motivation Szenario Technologische Anforderungen
MehrComputer Vision II - Lösungsvorschlag Blatt 1
Computer Vision II - Lösungsvorschlag Blatt 1 Markus Enzweiler markus.enzweiler@informatik.uni-ulm.de Fakultät für Informatik Universität Ulm 8. November 2004 1 Globales Least-Squares Ellipse-Fitting Ziel
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
MehrInvertierung, Separierbarkeit
Invertierung, Separierbarkeit DCT Gleichung: (Typ 2) Coder: N 1 y(k )= n=0 x(n) cos( π N K (n+05)) K=0,, N-1 Dh wir haben N Gleichungen, eine für jedes k, also auch N Summen Weiterhin: N Eingangswerte
MehrModul 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
MehrFachbereich 5 Wirtschaftswissenschaften Univ.-Prof. Dr. Jan Franke-Viebach
1 Universität Siegen Fachbereich 5 Wirtschaftswissenschaften Univ.-Prof. Dr. Jan Franke-Viebach Klausur International Financial Markets Sommersemester 2010 (2. Prüfungstermin) Bearbeitungszeit: 60 Minuten
MehrEntwässerungs- und Belüftungsprinzip Drainage and ventilation principle
16 Schüco Entwässerungs- und Belüftungsprinzip Drainage and ventilation principle Durchlaufender Dichtfuß Continuous gasket leg Drainagenut Drainage channel Riegel (1. Ebene) Transom (level 1) Pfosten
MehrRätsel 1: Buchstabensalat klassisch, 5 5, A C (10 Punkte) Puzzle 1: Standard As Easy As, 5 5, A C (10 points)
Rätsel 1: uchstabensalat klassisch, 5 5, (10 Punkte) Puzzle 1: Standard s Easy s, 5 5, (10 points) Rätsel 2: uchstabensalat klassisch, 5 5, (5 Punkte) Puzzle 2: Standard s Easy s, 5 5, (5 points) Rätsel
MehrÜbung zur Vorlesung 2D Grafik Wintersemester 05/06. Otmar Hilliges
Übung zur Vorlesung 2D Grafik Wintersemester 05/06 Übungsblatt 5 Musterlösung auf der Übungsseite. https://wiki.medien.ifi.lmu.de/pub/main/uebung2dgrafikws 0506/FFT_LSG.jar Page 2 transform() for (y =
MehrParametric Spectral Estimation
Parametric Spectral Estimation Exercises for Digital Signal Processing II Exercise 2.3.26 Stefan Goetze / Volker Mildner Infos about the examination Diploma students: Oral examinations on March, 29 th.-
MehrAttention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. ,and C = [ ].
Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Attention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. Problem 1 (15 points) a) (1 point) A system description
MehrVisual Servoing using Mutual Information
Visual Servoing using Mutual Information Christian Rupprecht Robotics and Embedded Systems Technische Universität München Outline 1 Visual Servoing Was ist Visual Servoing? Typische Lösungsansätze 2 Mutual
MehrDatasheet. Page 1 of 7
Features 20 Encoder Positions 4-way Joystick LED-Illumination high quality signal processing Benefits Tactile multi purpose application premium design Hall Effect technology Applications Multiple switch
MehrWie man die lineare Algebra für Ökonomen versteht
Springer Texts in Business and Economics Linear Algebra for Economists Bearbeitet von Fuad Aleskerov, Hasan Ersel, Dmitri Piontkovski 1. Auflage 2011. Buch. xii, 280 S. Hardcover ISBN 978 3 642 20569 9
MehrEinführung in die digitale Bildverarbeitung
FRANZIS EINFUHRUNG Dr. Hartmut Ernst Einführung in die digitale Bildverarbeitung Grundlagen und industrieller Einsatz mit zahlreichen Beispielen Mit 290 Abbildungen FRANZIS Inhalt 1 Einführung 13 1.1 Was
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
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung 01a: Einführung und Motivation Prof. Dr. Gudrun Socher Dozentin Dozentin Prof. Dr. Gudrun Socher (gudrun.socher@hm.edu) Sprechstunde Donnerstag 9:15-10:00 Uhr Anmeldung per E-Mail
Mehr