Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo

Größe: px
Ab Seite anzeigen:

Download "Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo"

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 Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophysiologie Kognitive Psychologie Digitale

Mehr

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 Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophysiologie Kognitive Psychologie Digitale

Mehr

Navigation 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 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

Mehr

Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler

Wie 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

Mehr

Objektbeschreibung 1

Objektbeschreibung 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

Mehr

Human Detection Based On Part Models

Human 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

Mehr

Bildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg

Bildverbesserung. 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

Mehr

1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.

1. 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

Mehr

Merkmalerkennung am Beispiel SIFT

Merkmalerkennung 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

Mehr

Structure-from-Motion. Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel

Structure-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

Mehr

Digitale Bildverarbeitung (DBV)

Digitale 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

Mehr

Fundamentale Matrix: 8-Punkte Algorithmus

Fundamentale 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

Mehr

Foundations of Image Formation and. Pattern Recognition

Foundations 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

Mehr

Fourier Optik. Zeit. Zeit

Fourier 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

Mehr

Computergrafik 2: Objekt-/Bilderkennung

Computergrafik 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

Mehr

Landmarkenbasierte Kartierung und Lokalisierung

Landmarkenbasierte Kartierung und Lokalisierung Landmarkenbasierte Kartierung und Lokalisierung Inhalt 1. Kartierung Wiederholung Probleme Vergleich 2. Lokalisierung Wiederholung Fortsetzung Partikelfilter Zusammenfassung der Vorgehensweise Quellen

Mehr

FEM Isoparametric Concept

FEM 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

Mehr

Suche nach korrespondierenden Pixeln

Suche 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

Mehr

Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung"

Proseminar 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

Mehr

Interaktive Lokalisierung durch Objekterkennung

Interaktive 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

Mehr

Number of Maximal Partial Clones

Number 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

Mehr

Computergrafik 2: Objekt-/Bilderkennung

Computergrafik 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

Mehr

Inhalt und Überblick. Visuelle Kognition WS 2001/2002 Adrian Schwaninger

Inhalt 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

Mehr

Einführung in die medizinische Bildverarbeitung SS 2013

Einführung 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,

Mehr

FEM Isoparametric Concept

FEM 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

Mehr

Introduction FEM, 1D-Example

Introduction 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

Mehr

Inhalt und Überblick. Visuelle Kognition Adrian Schwaninger Universität Zürich. Erkennung und Repräsentation Ansichtenbasierte Ansatze Überblick

Inhalt 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

Mehr

Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS

Filter 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)

Mehr

Einführung in die medizinische Bildverarbeitung WS 12/13

Einführung 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

Mehr

Bildverarbeitung Herbstsemester 2012. Kanten und Ecken

Bildverarbeitung 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

Mehr

Inverse Problems In Medical Imaging

Inverse 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

Mehr

Swarm Optimization Techniques for 3D Vision

Swarm 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

Mehr

How To Create A Panorama Image From A Photoelectric Image From An Image From The Camera (I)

How 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,

Mehr

Introduction FEM, 1D-Example

Introduction 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

Mehr

Ultrakurze Lichtimpulse und THz Physik

Ultrakurze 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

Mehr

Grundlagen der Rekonstruktion bei bildgebenden 3D-Schichtverfahren

Grundlagen 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.

Mehr

A 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 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

Mehr

Unit 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 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

Mehr

Mathias Schlüter 1, B. Stieltjes 2, H. K. Hahn 1, J. Rexilius 1, O. Konrad-Verse 1, H.-O. Peitgen 1. MeVis 2 DKFZ. Purpose

Mathias 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

Mehr

Inhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004

Inhaltsbasierte 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

Mehr

A&R Project Group: Time-optimal large view visual servoing for the navigation of a mobile robot using moments of SIFT-features

A&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

Mehr

Computergrafik 2: Übung 8. Corner-Detektoren, Bildsegmentierung

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

Mehr

a) Name and draw three typical input signals used in control technique.

a) 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

Mehr

Mirroring 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 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

Mehr

Inhalt und Überblick

Inhalt und Überblick Einleitung Visuelle Kognition Adrian Schwaninger Universität Zürich Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle

Mehr

3. Analyse der Kamerabewegung Video - Inhaltsanalyse

3. 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

Mehr

Intelligente Systeme WS 2015/16

Intelligente 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

Mehr

Graphische Datenverarbeitung und Bildverarbeitung

Graphische 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

Mehr

Digitale Bildverarbeitung

Digitale 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

Mehr

Betriebsarten-Umschalter Common mode / Differential mode switch

Betriebsarten-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.

Mehr

Schüco Fassade FW 50 + DK Schüco Façade FW 50 + DK

Schüco 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,

Mehr

Algorithm Theory 3 Fast Fourier Transformation Christian Schindelhauer

Algorithm 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)

Mehr

Spektralanalyse. 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! 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:

Mehr

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

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 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

Mehr

Betrachtung 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. 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

Mehr

Einleitung. BildVERarbeitung. BildBEarbeitung. Astrofotografie Farbkanäle gezielt manipulieren

Einleitung. BildVERarbeitung. BildBEarbeitung. Astrofotografie Farbkanäle gezielt manipulieren Einleitung BildVERarbeitung Bildanalyse Bildrestauration Photometrische Auswertung Objektdetektion Kompression BildBEarbeitung Astrofotografie Farbkanäle gezielt manipulieren Folie 1 Einleitung Astronomische

Mehr

Bildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -

Bildverarbeitung. Bildvorverarbeitung - Fourier-Transformation - Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen

Mehr

6. Übungsblatt Aufgaben mit Lösungen

6. 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

Mehr

1. Einführung in die Computergraphik Wer braucht Computergraphik Komponenten von Computergraphik-Software 4

1. 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

Mehr

Statistics, Data Analysis, and Simulation SS 2015

Statistics, 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

Mehr

Bildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science

Bildmerkmalssuche. 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

Mehr

Interpolation Functions for the Finite Elements

Interpolation 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

Mehr

Digitale Bildverarbeitung Einheit 8 Lineare Filterung

Digitale 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,

Mehr

Finite Difference Method (FDM)

Finite 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.

Mehr

SIFT Flow Dense Correspondence across Different Scenes

SIFT 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

Mehr

Bildtransformationen. Geometrische Transformationen Grauwert-Interpolation

Bildtransformationen. Geometrische Transformationen Grauwert-Interpolation Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an

Mehr

Spektralanalyse. 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! 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:

Mehr

Computergrafik 2: Filtern im Frequenzraum

Computergrafik 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

Mehr

Morphologische Operationen (12 Punkte)

Morphologische 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

Mehr

6Si 6. Signal-und Bildfilterung sowie. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1

6Si 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

Mehr

Anwendungen: Invarianten über Gruppenmittel

Anwendungen: Invarianten über Gruppenmittel Anwendungen: Invarianten über Gruppenmittel Visual inspection of textiles with anisotropic texture Sichtprüfungsaufgaben (Textilien) Bildsuchmaschinen (query by example) SIMBA und MICHELSCOPE Automatische

Mehr

Introduction to geometric and structural Crystallography. Lecture No. 10: Crystallographic space groups

Introduction 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

Mehr

Computergrafik / 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). Computergrafik / Animation künstliches Objekt, dargestellt durch Anzahl von Punkten in Raum und Zeit (bei bewegten, animierten Objekten). Punkte, werden auch «Kontrollpunkte» genannt Wesentlicher Punkt:

Mehr

Visuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel

Visuelle 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

Mehr

Bildverarbeitung Herbstsemester 2012. Fourier-Transformation

Bildverarbeitung 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

Mehr

Digital Maps Enabler of Car Navigation

Digital 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

Mehr

Inhalt und Überblick. Visuelle Kognition Adrian Schwaninger Universität Zürich. Visuelle Kognition. Funktionaler Zugang.

Inhalt 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

Mehr

Dekohärenz und die Entstehung klassischer Eigenschaften aus der Quantenmechanik

Dekohärenz 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.

Mehr

rot red braun brown rot red RS-8 rot red braun brown R S V~

rot 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)

Mehr

Computergrafik 2: Übung 7. Hough Transformation

Computergrafik 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

Mehr

Modellbasiertes Suchen von Objekten

Modellbasiertes 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

Mehr

Computer Vision II - Lösungsvorschlag Blatt 1

Computer 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

Mehr

Bildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)

Bildpunkt 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

Mehr

Invertierung, Separierbarkeit

Invertierung, 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

Mehr

Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt

Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften

Mehr

Fachbereich 5 Wirtschaftswissenschaften Univ.-Prof. Dr. Jan Franke-Viebach

Fachbereich 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

Mehr

Entwässerungs- und Belüftungsprinzip Drainage and ventilation principle

Entwässerungs- 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

Mehr

Rätsel 1: Buchstabensalat klassisch, 5 5, A C (10 Punkte) Puzzle 1: Standard As Easy As, 5 5, A C (10 points)

Rätsel 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

Mehr

Übung zur Vorlesung 2D Grafik Wintersemester 05/06. Otmar Hilliges

Übung 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 =

Mehr

Parametric Spectral Estimation

Parametric 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.-

Mehr

Attention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. ,and C = [ ].

Attention: 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

Mehr

Visual Servoing using Mutual Information

Visual 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

Mehr

Datasheet. Page 1 of 7

Datasheet. 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

Mehr

Wie man die lineare Algebra für Ökonomen versteht

Wie 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

Mehr

Einführung in die digitale Bildverarbeitung

Einführung 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

Mehr

1 Einleitung Einordnung des Gebietes Aufbau des Buches Philosophie Inhalte Einige Lehrbücher...

1 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

Mehr

Digitale Bildverarbeitung

Digitale 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