Recovering High Dynamic Range Radiance Maps from Photographs

Ähnliche Dokumente
Distributed Algorithms. Image and Video Processing

Lineare Algebra für Physiker. und skalare Vielfachbildung komponentenweise erklärt?

Lineare Gleichungssysteme

Eigenwerte und Eigenvektoren

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Projekt 2 Baden. Kommunale Informationssysteme

Numerisches Programmieren, Übungen

Eigenwerte und Eigenvektoren von Matrizen

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2018/2019

Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix

8.2 Invertierbare Matrizen

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013

Prüfungs-/Übungsschein-Klausur (Rechenteil) Lineare Algebra für Ingenieure/E-Techniker

Aussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9

Lösbarkeit linearer Gleichungssysteme

Universität Trier. Fachbereich IV. Wintersemester 2004/2005. Wavelets made easy. Kapitel 2 Mehrdimensionale Wavelets und Anwendungen

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

6.1 Welche Matrix gehört zu der Abbildung?

Der Gaußsche Algorithmus

Inverse Matrix. 1-E Ma 1 Lubov Vassilevskaya

Beleuchtung aus Schatten rekonstruieren

Mathematik 1, Teil B. Inhalt:

3.6 Eigenwerte und Eigenvektoren

Quadratische Funktion

18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus

Mathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7

Kapitel 16. Invertierbare Matrizen

9.2 Invertierbare Matrizen

Lineare Gleichungssysteme mit 2 Variablen

Serie 8: Online-Test

Musterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen

4.4. Rang und Inversion einer Matrix

4. Das Verfahren von Galerkin

a i j (B + C ) j k = n (a i j b j k + a i j b j k ) =

Exkurs: Eigenwertproblem

4 Der Gauß Algorithmus

Ausgewählte Lösungen zu den Übungsblättern 4-5

9 Lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme

Serie 10: Inverse Matrix und Determinante

Zusatzmaterial zu Kapitel 4

4 Affine Koordinatensysteme

8.2 Invertierbare Matrizen

Mathematik für Naturwissenschaftler II SS 2010

Klausurenkurs zum Staatsexamen (WS 2014/15): Lineare Algebra und analytische Geometrie 1

A2.3 Lineare Gleichungssysteme

Lineare Gleichungen. Mathematik-Repetitorium. 3.1 Eine Unbekannte. 3.2 Zwei oder drei Unbekannte. 3.3 Allgemeine lineare Gleichungssysteme

x y Kenner der Kegelschnitte werden hier eine Ellipse erkennen, deren Hauptachsen aber nicht mit der Richtung der Koordinatenachsen zusammenfallen.

In allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle.

Themenheft mit viel Trainingsmaterial (Siehe Vorwort!) Unabhänge Vektoren und Erzeugung von Vektoren Gauß-Algorithmus Rang einer Matrix.

y (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)

10. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 A =

TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF

a ij i - te Gleichung (Zeile), i = 1, 2,3,..., m I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen

I) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n

[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V.

9. Vorlesung Lineare Algebra, SVD und LSI

5 Eigenwerte und die Jordansche Normalform

Lineare Algebra 2013 Lösungen für Test und Zusatzfragen

7. Anwendungen: 7.2 Farbadaption in Videos Videoanalyse

(d) das zu Grunde liegende Problem gut konditioniert ist.

Digitale Bildverarbeitung Einheit 7 Bildarithmetik

Aufgabe 1 - Tricks mit linearen Gleichungen

47 Singulärwertzerlegung

Klausurenkurs zum Staatsexamen (WS 2016/17): Lineare Algebra und analytische Geometrie 1

) (1 BE) 1 2 ln 2. und somit

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11

Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten

Mathematische Probleme lösen mit Maple

9. Lineare Gleichungssysteme

Lösungen zu Mathematik I/II

Bildauflösende Farbmessung mit Filterradkamera und Farbmessung mit 1-ChipCCD-Kamera

5 Numerische Mathematik

Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler

Musterlösung zur Klausur Lineare Algebra I

A wird in diesem Fall invertierbar oder regulär genannt. Beispiel

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21

d) Produkte orthogonaler Matrizen sind wieder orthogonal.

Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)

Chr.Nelius : Lineare Algebra II (SS 2005) 1. Wir wollen hier eine Beschreibung des Gauß-Algorithmus mit Hilfe der sog. Elementarmatrizen vornehmen.

Lösungen Serie 2. D-MAVT Lineare Algebra II FS 2018 Prof. Dr. N. Hungerbühler 1 0 1? 0 1 1

Singulärwert-Zerlegung

Lineare Algebra und Numerische Mathematik für D-BAUG

3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit

Lineare Algebra. 1 Lineare Abbildungen

Berechnung der Determinante

Klausur zur Vorlesung Lineare Algebra I

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:

Singulärwertzerlegung

5 Lineare Gleichungssysteme und Determinanten

Blatt 10 Lösungshinweise

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Inhaltsverzeichnis Kapitel 1: Rechnen mit Zahlen... 1 Kapitel 2: Umformen von Ausdrücken... 10

Numerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben. Eine kurze Einführung in Quasi Newton Verfahren

Computergrafik Inhalt Achtung! Kapitel ist relevant für CG-2!

Transkript:

Recovering High Dynamic Range Radiance Maps from Photographs Christoph Gladisch Einführung Wenn eine Szene photografiert wird, dann entsprechen die Pixelwerte nicht den relativen Leuchtdichten in der Szene. Es findet eine nicht lineare Abbildung der der Beleuchtung auf die Pixelwerte statt. CCD Kameras mappen auch nicht linear. Die Spannung eines CCD Elementes ist zwar proportional zur Beleuchtungsstärke, aber in der Kamera findet zwischen CCD chip und den Ausgabewerten eine nicht lineare Abbildung statt.

Wertebereich kann nicht abgebildet werden. 255,255,255 0,0,0 Response Function

Response Function ermitteln Diese nicht lineare Abbildung kann von vorn herein nicht angegeben werden, weil es sich um mehrere nicht lineare Abbildungen im ganzen Entwicklungsprozess handelt. Das Verhalten eines Films auf die Beleuchtungsstarke wird die charakteristische Kurve genannt Bildentwicklungsprozess

Bildentwicklungsprozess Ziel des Verfahrens Mit diesem Verfahren, kann aus mehreren Bildern einer Einstellung, aber unterschiedlichen Beleuchtungszeiten, die nicht lineare response function ermitteln und die durch den Saturationspunkt abgeschnittenen Kurven der Bilder zusammen fügen.

Saturationspunkt Das größte Problem der Abbildungsfunktion ist am Saturationspunkt. Das ist der maximale Wert der im Film oder von der Kamera unterschieden werden kann. Jede stärkere Beleuchtung, wird auf diesen maximalen Wert abgebildet. Beispiel: Das filmen(fotografieren) eines Fensters aus einem Raum heraus. Anwendungen

Bildbasierte modellierung und Rendering. Bisher wurde von der falschen Annahme ausgegangen, dass Bilder von einer Umgebung mit den selben Belichtungseinstellungen gemacht sind. Mit der hier vorgestellten Methode kann man Bilder die mit unterschiedlichen Belichtungseinstellungen gemacht wurden wieder zusammen kombinieren. Eine wichtige Anwendung dabei ist das ermitteln der BRDF Bildverarbeitung Blurring, Kantendetektion, Farbkorrektur und Bildvergleiche erwarten Pixelwerte, die proportional zur Beleuchtung in der Szene sind. Hier Beispiel Blurring.

Synthetisches Motionblur vs. echtem Motionblur HRD Motionblur vs. echtem Motionblur

Bildkomposition Mischen von Bildelementen, die durch unterschiedliche Prozesse entstanden sind wie Photographi, Rendering, Bluescreen. Der Algorithmus Zuerst wird die response function ermittelt, also die Abbildung der realen Beleuchtungsstärke auf Pixelwerte. Mit Hilfe der response function kann dann aus mehreren Low Dynamic Range Bildern und den zugehörigen Belichtungszeiten ein Hight Dynamic Range Bild erzeugt werden.

Anmerkung Der Begriff Beleuchtungsstärke ist nich wirklich korrekt, weil man die spektrale Bestrahlungsstärke mit der V-Lambda Kurve multipizieren und Integrieren müsste. Berechnung der nicht linearen Abbildung

SVD Mit diesem Verfahren kann man Gleichungen der Form lösen. Dabei wird die Matrix A in drei Matrizen aufgeteilt, die zusammen Multipliziert wieder die Matrix A ergeben. = T n V w w w U A O 2 1

Eigenschaften der Matrizen = = 1 V V U U T T Wenn die drei Matrizen U,W und V einmal ermittel sind, dann kann man z.b die Inverse der Matrix A berechnen [ ] T w j U diag V A = ) (1/ 1 [ ] ( ) b U w diag V x T j = ) (1/

Problemanalyse Bei genauerer Betrachtung fällt auf, dass die Lösung nicht definiert ist, wenn ein w den Wert Null hat. Dieser Fall entsteht, wenn das Gleichungssystem unlösbar ist. Mit Hilfe der w s kann man eine Matrix analysieren und das Problem der Matrix feststellen. Wenn das Gleichungssystem aber unlösbar ist, entsteht ein Fehler. Das SVD-Verfahren kann aber eine Lösung finden, die diesen Fehler minimiert. So kann man ein Überbestimmtes Gleichungssystem mit Ungenauigkeiten nehmen und eine optimale Lösung berechnen. r = A x b

Veranschaulichung C c Die mathematische Problemstellung

Konstruktion einer High Dynamic Range Map Ermittlung der nicht linearen Abbildung

Mehrere Bilder mit unterschiedlichen Beleuchtungszeiten Geringe Dynamik in den Einzelbildern

Abbildung der rekonstruierten High Dynamic Range Map Response functions der drei Farbkanäle Rot, Grün und Blau

16 Bilder in einer Kriche Echtes Foto der Kirche

Lineare Abbildung der HDRMap in den darstellbaren Bereich des Ausgabemediums Lineare Abbildung der unteren 0,1% des Wertebereiches der HDRMap

Darstellung der HDRMap durch adaptive Histogram Kompression Adaptive Histogram Kompression mit Berücksichtigung der psychologischen Wahrnehmung

Synthetisches Motionblur vs. echtem Motionblur HRD Motionblur vs. echtem Motionblur

Mathlab