Mathematische Methoden der graphischen Datenverarbeitung
|
|
- Lena Albert
- vor 5 Jahren
- Abrufe
Transkript
1 Teil I: Aufgaben der Bildverarbeitung: Komprimierung (compression); Mathematische Methoden der graphischen Datenverarbeitung PD Dr.(USA) Maria Charina Originalbild, 30Kbt Komprimiertes Bild, 7Kbt Teil I: Aufgaben der Bildverarbeitung: Entrauschen (denoising). Teil II: Interpolation und Approximation in den Anwendungen Modellierung und Animation: durch Veränderung von Parametern wird eine Kurve oder Fläche erzeugt, die die gewünschte Form hat.
2 Teil I: Bildkompression mit JPEG und JPEG000 Ablauf der JPEG Kompression: JPEG (Joint Photographic Experts Group) wurde 99 entwickelt und hat sich im Internet als Bildstandard durchgesetzt. Ursprüngliche Datei.bmp Schwerpunkte: hohe Kompressionsrate; hohe Geschwindigkeit zum Kodieren und Dekodieren. Komprimierte Datei.jpg. Bilddarstellungen. Motivation Kriterium für die Qualität eines Bildes ist die menschliche Wahrnehmung des Bildes (menschliches Auge).. Schwarz-weiße Bilder Definition: Ein Bild ist eine N N Matrix B = (B[i, j]) mit ganzzahligen Einträgen (Pixeln) B[i, j] {0,...,55}. 8 Bit-Farbtiefe: Millionen schwarz-weiße Rezeptoren, 00 Grautöne 6 Millionen farbige Rezeptoren: rot, grün, blau. Ein 3 3 Bild benötigt 04 8Bit =: kbyte
3 .3 Farbbilde.3. RGB Farbraum (Komputermonitoren) Definition: Ein Bild ist eine N N 3 Matrix B = (B[i, j, k]) mit ganzzahligen Einträgen (Pixeln) B[i, j, k] {0,...,55}..3. YUV Farbraum (PAL System) Y Luminanz (Helligkeit) U und V Chrominanzen (Farbigkeit) mit Y U V = } {{ } reguläre Matrix R G B 0 Y 55.8 U V Pixel[i, j] = Schwarz+B[i, j, ] Rot+B[i, j, ] Gr ün+b[i, j, 3] Blau..3.3 YCbCr Farbraum (digitales Fernsehen).. JPEG: Farbmodelländerung Y Luminanz (Helligkeit) Cb und Cr skalierte Chrominanzen (Farbigkeit) mit Y Cb Cr = } {{ } reguläre Matrix R G B 0 Y Cb Cr 7.5 } {{ } Datei.bmp gespeichert als }{{} RGB Farbraum oder äquivalent }{{} YCbCr Farbraum
4 .. JPEG: Blockeinteilung.3. JPEG: Subsampling } {{ } Datei.bmp gespeichert als }{{} RGB Farbraum oder äquivalent }{{} YCbCr Farbraum Daten können um einen Faktor reduziert werden (verlustbehaftete Kompression).5. JPEG: -dim Diskrete Cosinus Transformation.4. JPEG: Indexverschiebung R G B Y Cb Cr { 8,...,7} vorzeichenlose Bit vorzeichenbehaftete Bit Verlustbehaftet aber keine Kompression. a) N N DCT Basisbilder; b)-d) zusammengeführte N N DCT Blöcke. (N = 8)
5 Beispiel: JPEG: -dim DCT via -dim DCT C Block (C Block) C T Block nach DCT: Separierbarkeitseigenschaft der -dim DCT.5. (i) -dim DCT ist nicht symmetrisch, denn für N = 8 gilt.5. JPEG: Eigenschaften der -dim DCT: (i) -dim DCT ist nicht symmetrisch; (ii) -dim DCT ist eine unitäre Transformation; (iii) Rechenaufwand: O(N ). Kann aber mit Hilfe der schnellen Fourier Transformation in O(N log N) berechnet werden; (iv) -dim DCT ist eine Rotation in R N ; (v) -dim DCT ist eine der Techniken zur Dekorrelation. mit C = 8 a b c d d c b a a b b a a b b a b d a c c a d b c a d b b d a c b a a b b a a b d c b a a b c d a = cos π 6 a = cos π b = cos 3π 6 b = cos 6π 6 c = cos 5π 6 d = cos 7π 6
6 .5. (iii) inverse DCT (IDCT) Beispiel: ( DCT : ˆB = C B C T = C 3 4 IDCT : B = 5 ( ) ( ) ( C T 5 = 0 ) ( ). ).5.(iii) Sei N = l, l N. [ ˆx F k + j N ] = ) ( ) ) ((F N x gerade [k] + ( ) j e iπk N F N x ungerade [k] N j = 0, und k = 0,..., N Rechenaufwand: R(N) = R(N/) + Induktiv: R(N) = m R( l m ) + m l+, }{{} N + }{{} N Additionen Multiplikationen m =,...,l. Ist die Rekonstruktion von B immer möglich? Für m = l: R(N) = l R() + l l+ = N(R() + log N) = O(N log N)..5. (iii) schnelle Fourier Transformation (FFT) für N = 8.5. (iii) DFT und DCT W N := e πi N, k = 0,...,7. Gibbs Phänomen, Unstetigkeit der periodischen Fortsetzung
7 .5. (iii) Energieerhaltung.5. (v) Beispiel (Erwartungswert): Würfel wurden 400 mal zusammen geworfen Seien x R N und A R N N, A T A = AA T = E. Dann gilt Beweis: Sei y = A x. N A x = k=0 A x = x. y [k] = y T y = x T A T Ax = x. Unitäre Transformationen ändern die Länge (Energieinhalt) eines Vektors nicht. Ω := {(, ); (, );...,(6, 6)}..5. (v) Beispiel (Erwartungswert):.5. (v) Beispiel (Erwartungswert): jedem Ereignis wird die Augensumme zugeordnet Zufallsvariable X : Ω {, 3, 4, 5, 6, 7, 8, 9, 0,, } =: Ω. Mittelwert: x = x Ω x relative Häufigkeit(x) = 7.6
8 .5. (v) Beispiel (Erwartungswert):.5. (v) Beispiel (Kovarianz+Korrelationskoeffizient): Y.5 Y X X Maximale Streuung ist Maximale Streuung ist 4 Erwartungswert E(X) ist die Verallgemeinerung des x: E(X) = x Ω x P(X = x) = 7 Cov(X, Y) = E(X Y) = / Cov(X, Y) = / Kor(X, Y) = Kor(X, Y) = (v) Beispiel (Kovarianz+Korrelationskoeffizient): Y X Y X.5..(v) Beispiel (Cov(X, X ) = 0 X, X stoch. unabh.) Gegeben: Y, Y : Ω {0, } stoch. unabh., P(Y i = 0) = P(Y i = ) = 0.5 gemeinsame WV: P(Y = k, Y = j) = 0.5, k, j = 0, Dann gilt aber Cov(Y + Y, Y Y ) = 0 unkorelliert, Maximale Streuung ist Maximale Streuung ist 4 Cov(X, Y) = E(X Y) = / Cov(X, Y) = P(Y + Y = 0, Y Y = 0) P(Y + Y = 0) P(Y Y = 0), d.h. Y + Y und Y Y sind nicht stoch. unabh. Kor(X, Y) = Kor(X, Y) = 0.707
9 .5. (v): Seien X ein N Markov, stationäres, stoch. Feld und K R N N unitär mit K T Cov(X) K = diag([λ,...,λ N ])..6. JPEG: Quantisierung (verlustbehaftet) Resultat: Unter allen unitären Transformationen Y = A T X verteilt die Karhunen-Loeve-Transformation Y = K T X am meinsten Information auf ersten m Koeffizienten von Y, denn max A T A=E m ( A T Cov(X)A ) [k, k] k=0 m max A=[a,...a N ] a k T a l =0,k l k=0 ( m a k k=0 ( A T Cov(X)A ) [k, k] und ak T a k = m ak T Cov(X)a k + k=0 λ k ( a T k a k ) Damit A = [k,...,k m, a m+,...,a N ], K = [k,...,k N ], da Cov(X)a k = λ k a k, k = 0,...,m. ) = 0, k = 0,...,m. m =,...,N ist beliebig A = K..6. JPEG: Quantisierung ˆB quantisiert [i, j] = sgn(ˆb[i, j]) ˆB[i, j], 0 i, j 7. Q[i, j].6. JPEG: Quantisierung Qualitätsstufen nehmen von links nach rechts ab. Beachte: Multipliziere komponentweise mit Q vor IDCT!
10 .6. JPEG: Quantisierung Zig Zag Scan von DCT Koeffizienten:.7. JPEG: Kodierung Gegeben: Info-Quelle (ZVe) X : Ω Ω = {s,...,s n } mit WV ( P(X = sj ), s j Ω ) j=,...,n. Kodealphabet Σ = {σ,...,σ m } Ziel: Ersetze die Symbole s jk in der Nachricht s j s j... s jk, s jk Ω, durch Kodewörte k(s i ) M>0Σ M, i =,...,n, so dass die erwartete Kodewortlänge n Länge(k(s i )) P(X = s i ) min! i=.7. JPEG: Kodierung Definition: Ein Kode ist das Bild der Abbildung K = {k(s ),...,k(s n )} k : Ω M>0Σ M. Definition: Ein eindeutig dekodierbarer Kode K heißt optimal für eine Info-Quelle X, falls n Länge(k(s i )) P(X = s i ) min! i=.7. JPEG: Kodierung Beispiel (Kode mit fester Bitbreite vs. Huffman Kode): Seien 3 Bitbreite Länge Huffman Länge A B C D E X f : {A, B, C, D, E} {3} X H : {A, B, C, D, E} {, 3} mit P(X H = ) = /5 und P(X H = 3) = 4/5. Dann gilt E(X f ) = 3, E(X H ) =.6 Mit P(X H = ) = 5/39 und P(X H = 3) = 4/39 gilt E(X f ) = 3, E(X H ).3
11 .7. JPEG: Kodierung Beispiel (Kode mit fester Bitbreite vs. Huffman Kode): 3 Bitbreite Länge Huffman Länge A B C D E JPEG: Kodierung Binärbaum: Gesendete Teilnachricht 0 AE? Huffman Kode ist präfixfrei unmittelbar decodierbar..7. JPEG: Kodierung.7. JPEG: Kodierung Konstruktion eines Huffman Baums für Zeichen A B C D E Häufigkeit
12 Huffman Baum pflanzen:. Erzeuge eine nach Wahrscheinlichkeiten sortierte Liste von Bäumen mit jeweils nur einem Knoten (Symbol und seine Wahrscheinlichkeit).. Entferne die letzten beiden Bäume und hänge sie unter eine gemeinsame Wurzel, die die Summe der Wahrscheinlichkeiten ihrer Kinder speichert. Sortiere die Liste von Bäumen um. 3. Wiederhole Schritt., bis nur ein Baum in der Liste enthalten ist. Dieser ist der Huffman Baum. Huffman-Kode erzeugen:. Von der Wurzel ausgehend, für alle eindeutigen Wege, Kode:=leerer String. wenn ein linker Teilbaum beschritten wird, schreibe eine hinter den bisherigen Kode 3. wenn ein rechter Teilbaum beschritten wird, schreibe eine 0 hinter den bisherigen Kode 4. Wiederhole Schritt. oder 3., bis ein Blatt (Symbol) erreicht wird. Schreibe den gefundenen Kode in die Kodetabelle an die Position des jeweiligen Symbols. Huffman-Kodierung: Eigenschaften eines binären, präfixfreien, optimalen Kodes K := { k(s ),... k(s n )}, oder äquivalent Baumes G:. Erzeuge eine Tabelle mit allen im Originaltext vorhandenen Symbolen und deren Wahrscheinlichkeiten. Pflanze den Huffman Baum und erzeuge daraus eine Kodetabelle 3. Durchlaufe den Text und ersetze jedes Symbol mit dem entsprechenden Kode Dekodieren: Kodetabelle. Alle Symbole s j sind Blätter.. G ist vollständig. 3. Seltene Symbole sind tiefer in G als Häufige. 4. Die zwei seltensten Symbole sind Geschwister, d.h. s i, s j : P(X = s i ), P(X = s j ) c(s i ) = u... u M 0 c(s j ) = u... u M, u l {0, }. min P(X = s l) l {,...,n}\{i,j}
13 Satz: Der Huffman-Kode K mit dem Huffman-Baum G ist optimal für jede Info-Quelle X. Beweis: I.A. Ω = {s, s }. Dann ist K = {0, } optimal, da nur Bit pro Symbol benötigt wird. I.S. Sei K nicht optimal. Dann existiert ein binär, präfixfreier, optimaler Kode K mit dem Baum G, so dass n Länge( k(s i )) P(X = s i ) < i= n Länge(k(s i )) P(X = s i ). K optimal seltenste Symbole s j, s j Ω sind Geschwister mit dem Vater v, d.h. i= k(s j ) = k(v)0 und k(s j ) = k(v). Daraus folgt für D = {,...,n} \ {j, j } n Länge( k(s i )) P(X = s i ) Länge( k(s i )) P(X = s i ) = i= i D [ ] + Länge( k(v)) + [P(X = s j ) + P(X = s j ) ] = }{{} =:P(X=v) Länge( k(s i )) P(X = s i ) + P(X = v) < i (Ω {v})\j,j n Länge(k(s Ë i )) P(X = s i ) = i= i (Ω Ë {v})\{j,j } Länge(k(s i )) P(X = s i ) + P(X = v) Widerspruch zur Induktionsvoraussetzung. Beachte: H-Kode ist optimal, nur falls P(X = s j ) = l j, l j N. Arithmetische Codierung: 3. JPEG versus JPEG000. Ausgangsintervall [0, ). Ordne jedem Symbol eines Textes ein Subintervall des Ausgangsintervalls zu, dessen Größe der Wahrscheinlichkeit des Symbols entspricht. Das Subintervall, das dem nächsten Symbol des Textes entspricht, wird zum Ausgangsintervall. 4. Sind noch weitere Symbole zu codieren, dann wiederhole Schritt, sonst zum Schritt Der Code ist eine beliebige Zahl aus dem letzten Ausgangsintervall. Dekodieren: Code und die Anzahl der Textsymbole Original JPEG 9: JPEG000 50: JPEG000 Vorteile: gute Qualität für Kompressionsraten bis : 65
14 Ablauf der JPEG000 Kompression: Zeit Frequenz Ebene: Abtastraten, N = 4, Ursprüngliche Datei.bmp Komprimierte Datei.jp JPEG000 Vorteile: keine Blockeinteilung keine Blockartefakte DCT cos (k + )πj N Wavelet Transformation j ψ( j n kn) -dim Haar Transformation, N=8: -dim Haar Transformation, N=8. Zerlegung V 3 = V W entspricht Matrix Multiplikation mit W =
15 -dim Haar Transformation, N=8. V 3 = V W W entspricht Matrix Multiplikation mit -dim Haar Transformation, N=8. V 3 = V 0 W 0 W W entspricht Matrix Multiplikation mit W W = W 0 W W = dim DWT, N = M : Teilbände Beispiel: Wavelet Arten Haar Daubechies JPEG000 Vorteile: kompakter Träger keine Blockeinteilung Haar Transformation, N = 8: L := H := und L = Bild L T und H = Bild H T
16 -dim DWT, N = M : Teilbände -dim Wavelet Transformation: iteratives Verfahren Haar Transformation, N = 8: LL = L Bild L T HL = L Bild H T Original Iteration Iteration LH = H Bild L T LH = H Bild H T. -dim Wavelet Transformation: schnelle Implementierung -dim DWT: Teilband Quantisierung und -Codierung Beispiel: Quantisierungsmatrix, N = 8, Q = JPEG000 Vorteile: Rechenaufwand O(N) Jedes Teilband ist ein Bild, das separat behandelt wird.
17 -dim DWT: Teilband Quantisierung und -Codierung -dim DWT: Teilband Quantisierung und -Codierung JPEG000 Vorteile: Nachladen der Bilddaten JPEG000 Vorteile: qualitativ hervorgehobene Bildbereiche JPEG000 Nachteile: Qualitätseinbußen bei Kompressionsraten größer : 65; geringe Verbreitung und Unterstützung.
Kap.4 JPEG: Bildkompression. Ziel: Gegeben sind Daten y R N. Bestimme C R N N mit C C T = I, so dass x = C y dünbesetzt ist.
Kap.4 JPEG: Bildkompression Ziel: Gegeben sind Daten y R N. Bestimme C R N N mit C C T = I, so dass x = C y dünbesetzt ist. Originalbild y (30Kbt) Komprimiertes Bild z y(7kbt) JPEG (Joint Photographic
MehrBildkompression mit JPEG
Bildkompression mit JPEG aria Charina November 6, 013 1 Bildmodelle Wir betrachten folgende deterministische odelle von Schwarz-Weiß- und Farbbildern Definition 11 Ein Schwarz-Weiß-Bild ist eine N atrix
MehrJPEG Kompression technische Realisierung
Experimentalphysik V 20. Januar 2005 Schema der JPEG Kompression Farbraumkonvertierung RGB YCbCr Subsampling der Farbkomponenten Cb, Cr Zerlegung in Blöcke 8 8 2D Kosinustransformation (DCT) Quantisierung
MehrDatenkompression. 1 Allgemeines. 2 Verlustlose Kompression. Holger Rauhut
Datenkompression Holger Rauhut 1. September 2010 Skript für die Schülerwoche 2010, 8.-11.9.2010 Hausdorff Center for Mathematics, Bonn 1 Allgemeines Datenkompression hat zum Ziel, Daten in digitaler Form,
MehrImage Compression. Vorlesung FH-Hagenberg DSB
Image Compression Vorlesung FH-Hagenberg DSB Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz Inhalte Redundanz Loss-less Compression Hufmann Coding Runlength Coding Lossy Compression
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 2012/13 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Informationen zur Klausur Termin: 21. Februar 2013,
MehrKompression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Folie 2
Kompression Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz Folie 2 1 Inhalte Redundanz Channel Encoding Loss-less Compression Hufmann Coding Runlength Coding Lossy Compression
MehrDCT: Diskrete Kosinus-Transformation
DCT: Diskrete Kosinus-Transformation Kosinusfunktionen für die 1D DCT: zunehmende Frequenz entsprechende Abtastpunkte (Salomon) DCT: 8x8 2D-Transformation DCT: IDCT: effiziente Implementierung? Vorberechnung
MehrImage Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg
Image Compression Vorlesung FH-Hagenberg SEM Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz 1 Inhalte Redundanz Error-Free Compression Hufmann Coding Runlength Coding Lossy Compression
MehrImage Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg
Image Compression Vorlesung FH-Hagenberg SEM Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz 1 Inhalte Redundanz Channel Encoding Error-Free Compression Hufmann Coding Runlength
MehrKompressionsverfahren
Kompressionsverfahren Quelle: Steinmetz, Ralf: Multimedia-Technologie: Einführung und Grundlagen, Springer, Verlag Verlustlose Kompressionsalgorithmen RLC Huffman Adaptive Huffman Kodierung Arithmetische
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 2012/13 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Informationen zur Klausur Termin: 21. Februar 2013,
Mehr5 JPEG. 5.1 Bayer Filter. 5.2 Überblick. 5.3 Diskrete Cosinus-Transformation. 5.4 Bildmodell. 5.5 Codierung. 5.6 Übertragungsmodi
5 JPEG Bayer Filter: G01 R02 G03 R04 G05 R06 G07 R08 5.1 Bayer Filter B09 G10 B11 G12 B13 G14 B15 G16 B17 R18 G19 R20 G21 R22 G23 G24 5.2 Überblick B25 B26 B27 G28 B29 G30 B31 G32 5.3 Diskrete Cosinus-Transformation
MehrKapitel 7: Optimalcodierung und Huffman Coding
Kapitel 7: codierung und Huffman Coding Ziele des Kapitels Auftreten von Fehlern bei zu starker Kompression Konstruktion optimaler Codes Huffman Coding 2 Bisher Theorem (Shannon I): Die mittlere Codewortlänge
MehrEffiziente Algorithmen und Komplexitätstheorie
Fakultät für Informatik Lehrstuhl 2 Vorlesung Effiziente Algorithmen und Komplexitätstheorie Sommersemester 2008 Ingo Wegener; Vertretung: Carsten Witt 7. Juli 2008 Vorlesung am 14.07. (nächste Woche):
MehrVerlustbehaftete Kompression. JPEG: Joint Photographic Experts Group
Verlustbehaftete Kompression JPEG: Joint Photographic Experts Group ITU T8.1 definiert Zusammenarbeit von ITU, IEC, ISO Verfahren zur verlustbehafteten Bildkodierung (auch Verlustloser Modus vorhanden)
MehrBildkompression InTh, 2005, JPEG, Hak, Rur, 1
Bildkompression InTh, 25, JPEG, Hak, Rur, 1 Referenzen [1] D Salomon, Data Compression, Springer, 24 [2] Prof Dr A Steffen, Kurs SU, ZHW, 1999-24 [3] G Wallace, The JPEG Still Picture Compression Standard,
MehrDatenkomprimierung. Lauflängenkodierung
Datenkomprimierung Datenkomprimierung dient der Einsparung von Speicherplatz und von Übertragungskapazität für digitale Daten. Dabei werden Daten in neuen Datenstrukturen platzsparender repräsen@ert. Wir
MehrJPEG - Kompression. Steffen Grunwald, Christiane Schmidt, Stephan Weck TIT01EGR BA-Mannheim 21. Mai 2002
JPEG - Kompression Steffen Grunwald, Christiane Schmidt, Stephan Weck TIT01EGR BA-Mannheim 21. Mai 2002 Inhaltsverzeichnis 1 Entwicklung von JPEG 2 1.1 Was heisst und was ist JPEG?................... 2
MehrEike Müller. Kompression-Algorithmen für Bilder. 3. Juli 2013
Eike Müller Kompression-Algorithmen für Bilder 3. Juli 23 Inhaltsverzeichnis Huffman-Kodierung 2. Präfixfreie Codes................................. 2.2 Huffman Code.................................. 3.3
MehrMultimediatechnik / Video
Multimediatechnik / Video Video-Kompression Zusammenfassung http://www.nanocosmos.de/lietz/mtv 2009 1 Motivation: Video-Kompression Unkomprimierte Datenmengen sind zu groß! TV: 20 MB/s = 72 GB/h (720x576x2x25)
MehrIndependent JPEG Group. JPEG Software Tools
Independent JPEG Group JPEG Software Tools cjpeg Pixelmap Bildfileformat JPEG Bildfileformat jpegtran djpeg Beiträge zu: jpegtran: Verlustfreie Transformationsfunktionen (Rotation in 90 Grad Schritten,
Mehrffl Die Portable Bitmap Utilities (PBM) manipulieren monochrome Bilder. ffl Die Portable Greymap Utilities (PGM) manipulieren Grauwert-Bilder.
Kapitel 9 Pixeldateiformate Es gibt diverse Formate, in denen die generierten Grafiken abgespeichert werden können Stellvertretend soll hier nur auf 2 Formate eingegangen werden; eines, bei dem die Pixel
MehrDynamisches Huffman-Verfahren
Dynamisches Huffman-Verfahren - Adaptive Huffman Coding - von Michael Brückner 1. Einleitung 2. Der Huffman-Algorithmus 3. Übergang zu einem dynamischen Verfahren 4. Der FGK-Algorithmus 5. Überblick über
Mehr'LJLWDOH%LOGHUXQG'DWHLIRUPDWH
'LJLWDOH%LOGHUXQG'DWHLIRUPDWH Seminar: Simulation und Bildanalyse mit Java 07.07.2003 Seite 1 von 25 hehuvlfkw 1. Digitalisierung 2. Bilddateiformate 3. verlustfreie Datenkompression 4. JPEG Kompression
MehrGrafikformate. Grafikformate. Digitale Bildverarbeitung Bildkompression
Digitale Bildverarbeitung Bildkompression Einleitung Datenmenge für ein unkomprimiertes Bild Verwendungszweck des Bildes Bild soll weiterverarbeitet werden Bild soll archiviert werden Bild soll per E-Mail
MehrDiskrete Cosinustransformation (DCT)
Fachbereich Medieninformatik Hochschule Harz Diskrete Cosinustransformation (DCT) Referat Björn Wöldecke 10954 Abgabe: 15.01.2007 Inhaltsverzeichnis Einleitung / Vorwort... 1. Methoden zur Datenreduktion...
MehrHauptdiplomklausur Informatik Februar 2006: Multimedia Systems
Universität Mannheim Fakultät für Mathematik und Informatik Lehrstuhl für Praktische Informatik IV Prof. Dr.-Ing. W. Effelsberg Hauptdiplomklausur Informatik Februar 2006: Multimedia Systems Name: Matrikel-Nr.:
MehrDatenkompression. Theorie
Datenkompression Theorie Einleitung Übersicht Wie lassen sich beliebige Daten verdichtet (komprimiert) darstellen? verlustfreie Kompression: Programme Texte verlustbehaftete Kompression: Audio Video Kompressionsfaktor:
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrProseminar Datenkomprimierung Dr. U. Tamm. JPEG - Kompression WS 2002/03. Torsten Zichner
Proseminar Datenkomprimierung Dr. U. Tamm JPEG - Kompression WS 2002/03 Torsten Zichner Inhaltsangabe: 1. Einleitung 2. JPEG Kompression 2.1. Konvertierung des Bildes in ein geeignetes Farbmodell 2.2.
MehrEinführungsvortrag zum Proseminar Datenkompression im Wintersemester 2003/2004
Einführungsvortrag zum Proseminar Datenkompression im Wintersemester 2003/2004 Dr. Ralf Schlüter Lehrstuhl für Informatik VI RWTH Aachen 52056 Aachen schlueter@cs.rwth-aachen.de Ralf Schlüter Einführungsvortrag
MehrInhaltsverzeichnis. 1 Einführung 1
Inhaltsverzeichnis Inhaltsverzeichnis IX 1 Einführung 1 2 Grundlagen der Datenkompression 5 2.1 Informationsgehalt und Entropie....................... 5 2.2 Kriterien zur Kompressionsbewertung....................
MehrEinführung in die Informatik II Aus der Informationstheorie: Datenkompression
Einführung in die Informatik II Aus der Informationstheorie: Datenkompression Prof. Bernd Brügge, Ph.D Institut für Informatik Technische Universität München Sommersemester 2 2. Juli 2 Copyright 2 Bernd
Mehrcompressed domain image retrieval
Compressed domain image retrieval Christian Ott Seminar Inhaltsbasierte Bildsuche - Universität reiburg - 4. ebruar 25 4. ebruar 25, C.Ott Seite 1 Übersicht 1. Einleitung 2. JPEG 3. Merkmalsextraktion
MehrJPEG. Seminar: Kompressionsalgorithmen. Ruslan Ragimov. 5. September 2012
JPEG Seminar: Kompressionsalgorithmen Ruslan Ragimov 5. September 2012 Zusammenfassung Die allgemeinen verlustfreien Verfahren zur Datenkompression können gute Kompressionsraten für verschiedene Dateitypen
MehrEinleitung. Kapitel 1
Kapitel 1 Einleitung In diesem Abschnitt geben wir einen kurzen Überblick über den Inhalt der Vorlesung. Wir werden kurz die wesentlichen Probleme erläutern, die wir ansprechen wollen. Wir werden auch
MehrÜbrigens: um den Algorithmus im Unterricht einzuführen, sind keine Formeln notwendig! Warum reicht die normale ASCII-Codierung nicht aus?
Huffman-Code Dieser Text ist als Hintergrundinformation ausschliesslich für die Lehrperson gedacht. Der Text ist deshalb eher technisch gehalten. Er lehnt sich an das entsprechende Kapitel in "Turing Omnibus"
MehrKompressionsverfahren
Kompressionsverfahren Quelle: Steinmetz, Ralf: Multimedia-Technologie: Einführung und Grundlagen, Springer, Verlag Adaptive Huffman - Kodierung Nach 17 Zeichen: A(1),B(2),C(2),D(2),E(10) Kodierung A: 000
MehrEinführung Proseminar Datenkompression Wintersemester 2017/2018
Einführung Proseminar Datenkompression Wintersemester 2017/2018 Dr. Ralf Schlüter Lehrstuhl für Informatik 6 RWTH Aachen 52056 Aachen mailto:schlueter@cs.rwth-aachen.de R. Schlüter: Proseminar Datenkompression
MehrEinführung Medienforscher Aufgabe 3 - MPEG. Tobias Reinsch 2011
Einführung Medienforscher Tobias Reinsch 2011 Allgemeines Ziel der Aufgabe Kennenlernen der Bildkodierungsverfahren des MPEG Standards Praktische Umsetzung dieser Techniken mit Java Bearbeitungszeitraum:
MehrAlgorithmen und Datenstrukturen (für ET/IT) Programm heute. Wintersemester 2012/13. Dr. Tobias Lasser. 7 Fortgeschrittene Datenstrukturen
Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 202/3 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8 Such-Algorithmen
MehrJPEG, MPEG & Co. Alex Titze Angewandte Informatik FHTW-Berlin
Referat KIM Alex Titze Angewandte Informatik FHTW-Berlin 76900504811 Einleitung JPEG Geschichte & Überblick Komprimierungsablauf Farbformat DCT (Diskrete Cosinus Transformation) Quantisierung Koeffizientenkodierung
Mehr3 Codierung diskreter Quellen. Quelle Quellcodierer Kanalcodierer reduziert die benötigte Datenmenge. fügt Daten zur Fehlerkorrektur ein.
3 Codierung diskreter Quellen 3 Einführung 32 Ungleichmäßige Codierung 33 Präfix-Codes 34 Grenzen der Code-Effizienz 35 Optimal-Codierung 3 Zusammenfassung < 24 / 228 > 3 Codierung diskreter Quellen Quelle
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrVerlustbehaftete Kompression. Verfahren zur verlustbehafteten Bildkodierung (auch verlustfreier Modus vorhanden)
Verlustbehaftete Kompression JPEG: Joint Photographic Experts Group ITU T8.1 definiert Zusammenarbeit von ITU, IEC, ISO Verfahren zur verlustbehafteten Bildkodierung (auch verlustfreier Modus vorhanden)
MehrProseminar Kodierverfahren bei Dr. Ulrich Tamm Sommersemester 2003 Thema: Codierung von Bäumen (Prüfer Codes...)
Proseminar Kodierverfahren bei Dr. Ulrich Tamm Sommersemester 2003 Thema: Codierung von Bäumen (Prüfer Codes...) Inhalt: Einleitung, Begriffe Baumtypen und deren Kodierung Binäre Bäume Mehrwegbäume Prüfer
MehrStandbildcodierung. Dipl.-Ing. Guido Heising. Digitale Videotechnik, SS 02, TFH Berlin, Dipl.-Ing. G. Heising G. Heising, K.
Standbildcodierung Dipl.-Ing. Guido Heising Digitale Videotechnik, SS 02, TFH Berlin, Dipl.-Ing. G. Heising G. Heising, K. Barthel 1 Gliederung der Vorlesung Einführung in die Bildcodierung - verlustlose/verlustbehaftete
MehrInformatik II, SS 2018
Informatik II - SS 28 (Algorithmen & Datenstrukturen) Vorlesung 22 (6.7.28) Greedy Algorithmen II (Datenkompression) Algorithmen und Komplexität Datenkompression Reduziert Größen von Files Viele Verfahren
Mehr6. Licht, Farbe und Bilder
6. Licht, Farbe und Bilder 6.1! Licht und Farbe: Physikalische und physiologische Aspekte 6.2! Farbmodelle 6.3! Raster-Bilddatenformate 6.4! Verlustbehaftete Kompression bei Bildern 6.5! Weiterentwicklungen
MehrMultimediatechnik / Video
Multimediatechnik / Video Codierung, Datenreduktion Quantisierung, Lauflängencodierung DCT, JPEG http://www.nanocosmos.de/lietz/mtv Inhalt Codierung digitaler Signale Datenreduktion (Kompression) Verlustfrei
MehrWir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir
Kapitel 3: Entropie Motivation Wir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir log N Bits log p N Bits Die Information steht
MehrDarstellung als Filterbank. Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge.
Darstellung als Filterbank Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge. - Trifft in bestimmten Maße auch auf das Original zu, da
MehrBeispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) = sin(πx) und geben die folgenden Stützstellen und Stützwerte vor:
5 Splineinterpolation Beispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) sin(πx) und geben die folgenden Stützstellen und Stützwerte vor: x i 3 f i Damit ist n 5, h Forderung
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 2012/13 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm 11 Datenkompression Einführung Grundlagen
MehrKap. 7: Wavelets. 2. Diskrete Wavelet-Transformation (DWT) 4. JPEG2000. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1
Kap. 7: Wavelets. Die kontinuierliche Wavelet-Transformation (WT). Diskrete Wavelet-Transformation (DWT) 3. Sh Schnelle Wavelet-Transformation ltt ti (FWT) 4. JPEG000 H. Burkhardt, Institut für Informatik,
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Lerneinheit 3: Greedy Algorithmen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2016 10.5.2016 Einleitung Einleitung Diese Lerneinheit
MehrEinführung Aufgabe 3 - MPEG. Tobias Reinsch 2011
Einführung Aufgabe 3 - MPEG Tobias Reinsch 2011 Allgemeines Aufgabe 3 - MPEG Ziel der Aufgabe Kennenlernen der Bildkodierungsverfahren des MPEG Standards Praktische Umsetzung dieser Techniken mit Java
Mehr16 - Kompressionsverfahren für Texte
16 - Kompressionsverfahren für Texte Prof. Dr. S. Albers Kompressionsverfahren für Texte Verlustfreie Kompression Original kann perfekt rekonstruiert werden Beispiele: Huffman Code, Lauflängencodierung,
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrProseminar. Thema: Shannon-Fano und Huffman Verfahren
Proseminar Datenkompression Thema: Shannon-Fano und Huffman Verfahren Gehalten am 27.11.2002 von Lars Donat 1. Huffman Code Bei diesem bereits 1951 von David A. Huffman veröffentlichtem Algorithmus handelt
Mehr2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
MehrUniversität Trier. Fachbereich IV. Wintersemester 2004/2005. Wavelets made easy. Kapitel 2 Mehrdimensionale Wavelets und Anwendungen
Universität Trier Fachbereich IV Wintersemester 2004/2005 Wavelets made easy Kapitel 2 Mehrdimensionale Wavelets und Anwendungen Thomas Queckbörner 16.11.2004 Übersicht des Kapitels: 1. Einführung 2. Zweidimensionale
MehrGrafikformate: JPG - PNG
Grafikformate: JPG - PNG JPG JPG ist die Kurzform von JPEG (Joint Photographic Experts Group) Das Dateiformat nennt sich eigentlich JFIF (JPEG File Interchange Format) Spezifikation Bezeichnungen JPEG
Mehr1 Einführung. Bildformate Analyse der LSB-Ersetzung Weitere steganographische Algorithmen. Syndromkodierung in der Steganographie
Gliederung Einführung 1 Einführung 2 3 4 WS 2012/2013 Steganographie und Multimedia-Forensik Folie 121 Farbwahrnehmung Blau: 435,8 nm Grün: 546,1 nm Rot: 700 nm (445 nm) (535 nm) (575 nm) Empfindlichkeit
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
Mehr6. Licht, Farbe und Bilder
6. Licht, Farbe und Bilder 6.1 Licht und Farbe: Physikalische und physiologische Aspekte 6.2 Farbmodelle 6.3 Raster-Bilddatenformate Grundbegriffe für Bildspeicherung und -Bearbeitung Bitmap-Formate Verlustfrei
MehrBilddatenformate BMP GIF JPG. Digitale Bildverarbeitung Liedtke 7.1. Bezeichnung: Microsoft Windows Bitmap, BMP, DIB
Bilddatenformate BMP Bezeichnung: Microsoft Windows Bitmap, BMP, DIB Format: Raster Farben: 1 Bit (s/w), 4 Bit (16 Farben), 8 Bit (256 Farben), 24 Bit (16,7 Mio. Farben) Kompression: Keine (meist) oder
Mehr2.7 Der Shannon-Fano-Elias Code
2.7 Der Shannon-Fano-Elias Code Die Huffman-Codierung ist ein asymptotisch optimales Verfahren. Wir haben auch gesehen, dass sich die Huffman-Codierung gut berechnen und dann auch gut decodieren lassen.
MehrTutorium 23 Grundbegriffe der Informatik (6. Sitzung)
Tutorium 23 Grundbegriffe der Informatik (6. Sitzung) Tutor: Felix Stahlberg SOFTWARE DESIGN AND QUALITY GROUP Source: pixelio.de KIT The cooperation of Forschungszentrum Karlsruhe GmbH and Universität
MehrJ.P.E.G. Standard. J.P.E.G. Eigenschaften. J.P.E.G. System. JPEG Verschlüsselungsschritte. Farbmodell
Inhaltsbasierte Bildsuche J.P.E.G = Joint Photographic Expert Group Informatica Feminale Universität Bremen, Aug. 2005 Maja Temerinac Albert-Ludwigs-Universität Freiburg J.P.E.G. Standard Standard zur
MehrSeminar Kompressionsalgorithmen Huffman-Codierung, arithmetische Codierung
Huffman-Codierung, arithmetische Codierung Theoretische Informatik RWTH-Aachen 4. April 2012 Übersicht 1 Einführung 2 3 4 5 6 Einführung Datenkompression Disziplin,die Kompressionsalgorithmen entwirft
MehrLossy Bildkompression: Techniken und Bildqualität
Lossy Bildkompression: Techniken und Bildqualität Brigitte Forster Zentrum Mathematik, Technische Universität München, und Institut für Biomathematik und Biometrie, Helmholtz-Zentrum München Konsensuskonferenz:
MehrEntropie. Um der Begriff der Entropie zu erläutern brauchen wir erst mal einige Definitionen, z.b.
Entropie Grundlegend für das Verständnis des Begriffes der Komprimierung ist der Begriff der Entropie. In der Physik ist die Entropie ein Maß für die Unordnung eines Systems. In der Informationstheorie
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrWann sind Codes eindeutig entschlüsselbar?
Wann sind Codes eindeutig entschlüsselbar? Definition Suffix Sei C ein Code. Ein Folge s {0, 1} heißt Suffix in C falls 1 c i, c j C : c i = c j s oder 2 c C und einen Suffix s in C: s = cs oder 3 c C
Mehr6. Licht, Farbe und Bilder
6. Licht, Farbe und Bilder 6.1 Licht und Farbe: Physikalische und physiologische Aspekte 6.2 Farbmodelle 6.3 Raster-Bilddatenformate 6.4 Verlustbehaftete Kompression bei Bildern 6.5 Weiterentwicklungen
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 22 (20.7.2016) Greedy Algorithmen - Datenkompression Algorithmen und Komplexität Greedy Algorithmen Greedy Algorithmen sind eine Algorithmenmethode,
Mehr4. Licht, Farbe und Bilder
4. Licht, Farbe und Bilder 4.1 Licht und Farbe: Physikalische und physiologische Aspekte 4.2 Farbmodelle 4.3 Raster-Bilddatenformate 4.4 Verlustbehaftete Kompression bei Bildern JPEG Progressives und hierarchisches
Mehr6. Komprimierung. (Text)komprimierung ist ein Wechsel der Repräsentation von Daten, so daß sie weniger
Komprimierung 6. Komprimierung (Text)komprimierung ist ein Wechsel der Repräsentation von Daten, so daß sie weniger Platz brauchen Motivation: beschleunigt Plattenzugriffe oder Datenübertragungen Voraussetzung:
MehrDiskrete Cosinus-Transformation (DCT)
Diskrete Cosinus-Transformation (DCT) Prinzip von DCT: (in einer oder zwei Dimensionen...) Menge von Datenpunkten f(x) bzw. f(x,y) (für x,y = 1, N) Forward DCT (FDCT) Inverse DCT (IDCT) Rekonstruktion
Mehr21. Greedy Algorithmen. Aktivitätenauswahl, Fractional Knapsack Problem, Huffman Coding Cormen et al, Kap. 16.1, 16.3
581 21. Greedy Algorithmen Aktivitätenauswahl, Fractional Knapsack Problem, Huffman Coding Cormen et al, Kap. 16.1, 16.3 Aktivitäten Auswahl 582 Koordination von Aktivitäten, die gemeinsame Resource exklusiv
MehrMatrizen. Stefan Keppeler. 28. November Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematik I für Biologen, Geowissenschaftler und Geoökologen Matrizen 28. November 2007 Summe & Produkt Beispiel: Einwohnerzahlen Beispiel Addition Multiplikation Inverse Addition & Multiplikation Anwendung
Mehr5. Licht, Farbe und Bilder
5. Licht, Farbe und Bilder 5.1 Licht und Farbe: Physikalische und physiologische Aspekte 5.2 Farbmodelle 5.3 Raster-Bilddatenformate 5.4 Verlustbehaftete Kompression bei Bildern JPEG Weiterführende Literatur:
Mehr6. Licht, Farbe und Bilder
6. Licht, Farbe und Bilder 6.1 Licht und Farbe: Physikalische und physiologische Aspekte 6.2 Farbmodelle 6.3 Raster-Bilddatenformate Grundbegriffe für Bildspeicherung und -Bearbeitung Bitmap-Formate Verlustfrei
MehrKompression. Tim Kilian
Kompression Tim Kilian Seminar Effiziente Programmierung Arbeitsbereich Wissenschaftliches Rechnen Fachbereich Informatik Fakultät für Mathematik, Informatik und Naturwissenschaften Universität Hamburg
Mehr6. Licht, Farbe und Bilder
6. Licht, Farbe und Bilder 6.1 Licht und Farbe: Physikalische und physiologische Aspekte 6.2 Farbmodelle 6.3 Raster-Bilddatenformate 6.4 Verlustbehaftete Kompression bei Bildern 6.5 Weiterentwicklungen
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrDatenkompression. Motivation Datenmengen
Motivation Übersicht, Informationstheorie, Modellierung Verlustfreie : Huffman-Codierung, Arithmetische Codierung,... Verlustbehaftete : Fourier-Analyse, JPEG, MPEG,... Datenorganisation 6 Seite Motivation
MehrGierige Algorithmen Interval Scheduling
Gierige Algorithmen Interval Scheduling IntervalScheduling(s,f). n length[s] 2. A {} 3. j 4. for i 2 to n do 5. if s[i] f[j] then 6. A A {i} 7. j i 8. return A Gierige Algorithmen Interval Scheduling Beweisidee:
MehrKompressionsverfahren für Texte
Kompressionsverfahren für Texte Prof. Dr. S. Albers Prof. Dr. Th. Ottmann 1 Zeichenkettenverarbeitung Suche in Texten, Textindizes Mustererkennung (Pattern-Matching) Verschlüsseln Komprimiern Analysieren
MehrDigitalisierung. analoges Signal PAM. Quantisierung
Digitalisierung U analoges Signal t U PAM t U Quantisierung t Datenreduktion Redundanzreduktion (verlustfrei): mehrfach vorhandene Informationen werden nur einmal übertragen, das Signal ist ohne Verluste
MehrProbeklausur. Grundlagen der Medieninformatik. Wintersemester 2018/19
Wintersemester 2018/19 Hinweise: Die Bearbeitungszeit beträgt 80 Minuten. 1 Punkt entspricht ungefähr einer Minute. Hilfsmittel sind keine erlaubt außer einem nicht programmierbarem Taschenrechner. Verwenden
MehrGraphische Datenverarbeitung
Graphische Datenverarbeitung Bildkompression & Dateiformate Prof. Dr. Elke Hergenröther Gründe für eine Kompression Unkomprimierte Rasterbilder benötigen: viel Speicherplatz hohe Bandbreite zur Übertragung
Mehr