Informatik (Fach) / computer vision (Lektion)

a

Diese Lektion wurde von bibabu erstellt.

Lektion lernen

zurück  |  weiter 1 / 2

• Multispektrale Bilder: verschiedene Spektralbereiche (neben Farbkanälen RGB auch Kanäle mit anderenWellenlängen)
• Binärbilder (Zweipegelbilder): Ergebnis der Bildvorverarbeitung; z.B. Hintergrund / Text in Schrifterkennung
• Kontrollierte Beleuchtung Auflicht: Beleuchtung auf derselben Seite des Objektes wie die Kamera
• Kontrollierte Beleuchtung Durchlicht Objekt zwischen Lichtquelle und Kamera- Silhouetten-Projektion bei nichttransparenten Objekten Umriss sichtbar; leichte Trennung von Objekt und Hintergrund.- Durchleuchtung bei transparenten Objekten. ...
• Kontrollierte Beleuchtung Indirekte Beleuchtung: Nutzung physikalischer Eigenschaften von Licht„Laser light plane“ Beleuchtung„Frustrated total internal reflection“ Beleuchtung
• Nachbarschaften 4-Punkt Nachbarschaft N4 ={(u,v)| |u-r| + |v-c| = 1 es gelten alle Bildpunkte als Nachbarn die neben oder Übereinander liegenVier direkte Nachbarn: gemeinsame Kante mit p (Mitte)
• 8-Nachbarschaft auch über ecken verbundene Bildpunkte zählen als nachbarn. ist u,v nachbar von r,c?N8 = {(u,v) |max{|u-r|, |v-c|}=1} Vier indirekte Nachbarn: gemeinsame Ecke
• Globale Charakterisierung: Profil: Grauwerte entlang einer (auch gekrümmten) Linie; ( man zieht eine linie durchs bild und guckt sich die pixelwerte auf der linie an )Aussagen über Untergrundbeschaffenheit, Kantensteilheit, usw.
• Globale Charakterisierung: Histogramm: H(k) = |{(r,c)| f(r,c)=k}
• Globale Charakterisierung: Mittlerer Grauwert: Auskunft über allgemeine Helligkeit (insgesamt zu hell/dunkel?)  ∑k=0255 h(k)*k
• Globale Charakterisierung: Varianz: σ^2 Maß für Abweichungen der Grauwerte aller Pixel vom Mittelwert und beschreibt den Kontrast σ2 = Σk=0255h(k)*(k-f)2 f soll eigentlich mti strich drüber, das ist der mittlere grauwert
• Globale Charakterisierung: Entropie Auskunft über minimale Anzahl von Bits, die zur Speicherung eines Pixelserforderlich sind, und darüber, ob mit Komprimierungstechniken eineReduktion des Speicherbedarfs erreicht werden kann Maß für ...
• Lineare Filterung Wann ist ein Operator linear Ein Operator Ω ist linear, wenn für zwei Funktionen f und g sowie Skalare a und b gilt: Ω(af + bg) = a · Ω(f) + b · Ω(g) Ω linearer Operator wenn für zwei Funktionen f, g und Skalar λ gilt:• ...
• Lineare Filterung: Nachbarschaftsoperatoren Korrelation ... ziehen die Bildpunkte einer Nachbarschaft in Betracht: durchschnitt der anderen Bildpunkte ( 1/9 * 3X3 matrix gefüllt mit 1en ): BLUR matrix bei 4er nachbarschaft -1 einsetzen bei dem eigentlich punkt ...
• Lineare Filterung: Randbehandlung bild würde schrumpfen wenn man randfelder auslässt -> gibt möglichkeiten mit randfeldern umzugehen:  •Randpixel unverändert lassen• Randpixel auf Konstante setzen• Faltungskern anpassen• ...
• Lineare Filterung: Impulsfunktion Impulse (diskret): Funktion die an einem bestimmten Ort den Wert 1 annimmt Impulse (kontinuierlich): Idealisierte „sehr schmale und hohe Funktion welche eine Fläche von 1 hat Wenn wir einen Impuls ...
• Lineare Filterung: Konvolution (Faltung): Konvolution mit Impuls erzeugt Impulsantwort welche die Lineare Filteroperation (Black Box) widerspiegelt die bildpunkte werden an die gegenüberliegende stelle gepackt g(r,c) = (f*h) (r,c) =Σu=-kkΣv=-kkh(u,v)*f(r-u,c-v) ...
• Lineare Filterung: Eigenschaften von Faltung: Kommutativ: (f ⋆ ℎ1) ⋆ ℎ2 = (f ⋆ ℎ2) ⋆ ℎ1 assoziativ: (f ⋆ ℎ1) ⋆ ℎ2 = f ⋆ (ℎ2 ⋆ ℎ1) man kann deswegen die filterung in vertikalen und horizontalen 1dimensionalen vektor ...
• Lineare Filterung: 1D Gauß-Filter g(x) = 1/(√(2πσ))e-(x^2)/(2σ^2) Adäquate Wahl der Maskengröße 2k + 1: 2σ<= k <=3σ Gauß-Filter mit real-Zahlen: [g(k), g(k-1),...,g(1), g(0), g(1), ... g(k-1), g(k)] Beispiel: σ=1.2, k=2,5*σ ...
• Lineare Filterung: Gauß-Filter in 2D: G(x,y) = 1/(2πσ2)e-(x^2+y^2)/2σ^2 Adäquate Wahl der Maskengröße (2k + 1) x (2k + 1): 2σ<=k<=3σ
• Bildverbesserung, Allgemeine Ziele:Spezielle Ziele: ... Allgemeine Ziele:• Verbesserung des subjektiv–visuellen Eindrucks• Vereinfachung nachfolgender Verarbeitungsschritte Spezielle Ziele:• Kontrastverstärkung bzw. -verminderung• Glättung (Reduzierung ...
• Grauwerttransformation: homogener Punktoperator g(r, c) = Ω(f(r, c)) Ω hat Intervall [0,255] als Definitionsbereich und Wertebereich und ist häufig monoton.
• Grauwerttransformation: Log-Transformation bewirkt:Dehnung der Grauwertdynamik im unteren Grauwertbereichgleichzeitige Stauchung im oberen Grauwertbereich Die nichtlineare Log-Transformation:Variante 1: g(r, c) = 255 · (log(1+f(r,c))/log 256)Variante ...
• Grauwerttransformation: Exponentielle Transformation ... Die allgemeine Form:g(r, c) = 255· (f(r, c)/255)γ, γ > 0 Fall 1: γ < 1Kennlinie ist derjenigen der Log-Transformation ähnlich=⇒ erhöht Helligheit und ermöglicht insbesondere bessere Sichtbarkeit ...
• Stückweise-lineare Transformation Anwendung: Dehnung der Grauwerte zur Kontrastverst¨arkung Vielf¨altige Grauwertver¨anderungen sind durch st¨uckweise-lineare Transformationen modellierbar. Im Vergleich zur Log- bzw. exponentiellen ...
• Stückweise-lineare Transformation Anwendung:Bin¨arisierung: Trennung von Hintergrund und Objekten (z.B. Text). Eine Reihe von Verfahren zur automatischen Bestimmung des Schwellwertes T bekannt Graylevel Slicing (Hervorhebung eines bestimmten ...
• Histogrammausgleich: Allgemeines Ziel, Anwendungen, ... • Allgemeines Ziel: Anpassungunterschiedliche Bilder auf eineannähernd übereinstimmendeIntensitätsverteilung • Anwendungen:Anpassung für DruckwerkVergleichbarkeit von Bildern • Spezifisches ...
• Histogrammausgleich: Idee und Ziel Idee:Streckung großer Anh¨aufungen im Histogramm hf(k) von f(r, c)Stauchung wenig genutzter Grauwertbereiche (Kompensation) Ziel: g(r, c) hat gleichverteiltes Histogramm hg(k) (Maximierung der Entropie) ...
• Histogrammausgleich berechnung Ω(p) = (int)(255)/(M · N)·Σk=0 pHf (k) oder Ω(p) = (int)(255)* kommulatives relatives histogrammHf ist das Histogramm
• Exakte Histogrammspezifikation Ziel: Eingabebild f(r, c) wird so transformiert, dass das Ergebnisbild g(r, c) ein vorgegebenes Zielhistogramm Hg(k) exakt annimmt Algorithmische Skizze:alle Pixel von f(r, c) nach ihren Grauwerten sortierendie ...
• Bildglättung Ziel: Reduzierung von Bildstörungen Annahme:• Additives Störungsmodell:f(r,c) = f*(r,c)+n(r,c)• Erwartungswert des ungestörten Idealbildes f*(r, c) konstant• Störung n(r, c) hat Erwartungswert ...
• Bildglättung (box filter) durchschnittliche nachbar nehmen  nachteil: kantenverwischung g(r,c) = (1)/(2k+1)2 Σu=-kkΣv=-kk f(r+u, c+v)
• Bildglättung: Gauss-Filter: gewichtete Mittelwertfilterung; Gauss-Funktion als Gewichte. Wirkungsbereich der Filterung durch Parameter σ kontrollierbar. gaußfunktion ist auf anderer karteikarte
• Bildglättung: Median-Filter: Ergebnis g(r, c) = Median der Grauwerte im Bild f innerhalb eines (2k + 1) × (2k + 1) Fensters mit Mittelpunkt (r, c) Median: Das mittlere (zentrale) Element einer sortierten Liste • Gehört zur Klasse ...
• Korrektur von uneinheitlichem Hintergrund Korrekturvorgang:Modellierung des Hintergrunds; h¨aufig polynomiale Funktion:b(r, c) = a00 + a10r + a01c + a20r2 + a11rc + a02c2oder mit h¨ohrer OrdnungSubstraktion des Hintergrund vom Eingabebild Bestimmung ...
• Gradientenverfahren Kantenstärke und -richtung: s(x,y) ≈ |fx(x,y) + fy(x,y)| d(x,y) = tan-1 (-fx/fy); 0°<= d(x,y) <360°
• Gradientenverfahren nach prewitt/sobel prewitt 3X3 matrix, links/unten überall -1 rechts/oben überall 1 sobel 3X3 matrix wie prewitt nur in der mitte jeweils ne 2
• Canny-Operator, Anforderungen Herleitung aus Optimierung von drei Kriterien:• Detektion− Minimierung der Wahrscheinlichkeit für das Übersehen von Kantenpunkten− Minimierung der Wahrscheinlichkeit für die fälschliche Markierung ...
• canny operator verfahren: 1. Bildglättung mit Gauss-Filter:2. Berechnung der Kantenstärke und –richtung, z.B. mittels Sobel- Operator:3. Kantenverdünnung mittels Non-Maximum-Unterdrückung4. Hysterese-Schwellwertoperation
• Kantenverdünnung: Non-Maximum-Unterdrückung, Idee ... Beobachtungen:• Eine reale Kante im Bild tritt nicht als ideale Stufenkante auf, sondern in Form eines näherungsweise rampenförmigen Grauwertanstiegs senkrecht zur Kantenrichtung. Die Nachbarn eines ...
• Kantenverdünnung: Non-Maximum-Unterdrückung Algorithmus: ... Betrachte für jeden Bildpunkt I(r, c) seine beiden Nachbarn p und q orthogonal zur Kantenrichtung D(r, c). Fallss(p) > s(r,c) oder s(q)>s(r,c)gilt, so wird die Kantenstärke s(r, c) auf null gesetzt. ...
• Hysterese-Schwellwertoperation: Einfache Schwellwertoperation: ... K(r,c) = 1, falls s(r,c) >= TK(r,c) = 0, sonst
• Hysterese-Schwellwertoperation: Zwei Schwellwerte Tl und Th, typischerweise 2Tl ≤ Th ≤ 4Tl.1. Initialisierung: K(r, c) = 0 für alle Punkte (r, c).2. Markierung K(r, c) = 1 für alle Punkte (r, c) mit s(r, c) ≥ Th.3. Markierung ...
• Konturverfolgung Ziel: Verbindung einzelner Kantenpunkte zu Konturlinien. Linie ist eine Folge p1, p2, . . . , pn, so dass pk und pk+1 benachbart sind. Einfacher Algorithmus existiert für den Fall mit verdünnten Linien ...
• Kontursegmentierung Divide–and–conquer Algorithmus ... Input: Konturlinie als Folge (p1, p2, . . . , pn) von Punkten Output: Approximation der Konturlinie durch Geradenstücke (abhängig von Schwellwert T). Motivation: analytische, symbolische Beschreibung ...
• Kontursegmentierung Anwendung zur Slant-Detektion: • Approximation der (nicht horizontalen) konturen mit Geradenstücken.• Aufbau eines Winkelhistogramms hslant: Von jedem Geradenstück (lk, λk) mit Winkel λk und Länge lk wird die quadratische ...
• Hough Transformation: Detektion von Geraden man wandelt die punkte um in die hesse'sche normalform:l=xcosp+ysinp; 0=< p <2π, l>0 man erzeugt H[p][l] = alle 0geht durch alle p und berechnet dafür l ( p unterschied muss man selbst definieren) dann ...
• Hough Transformation für Kreise Jeder Punkt eines Kreises Ca,b im Bild führt zu einem Kreis im ab-Raum. Diese Kreise schneiden sich im Punkt (a, b). punkt (a,b) radius r im bild a=x-rcospb=y-rsinp             ;0=< p =< 2π Algorithmus:alle ...
• Hough transformation: Detektion von Kreisen (mit unbekanntem ... Jeder Punkt (xi, yi) eines Kreises mit Zentrum (a, b) im Bild führt zu einem Kegel
• Hough Transformation, Umgang mit noise Wähle geeignete Diskretisierung (Bins)(beispielsweise p, worüber man iteriert) im Akkumulator− Zu grob: Einzelne Bins erhalten zu viele Votes von Kantenpunkten dieim Bildraumnicht zum gleichenModell ...

zurück  |  weiter 1 / 2