Bit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationen

1. Basisinformationstechnologie II – Sommersemester 2016 – 06. Juni 2016
Dr. Jan G. Wieners
Algorithmen der Bildverarbeitung
Punktoperationen

2.  Zwei Herausforderungen um OCR und
Merkmalsextraktion
 Vorverarbeitung: Verbesserung des Quellmaterials
 Punktoperationen
 Binarisierung
 Histogrammausgleich
 Filter
 Medianfilter
 Geometrische Operationen
Themenüberblick

3. Erörtern Sie die Begriffe Punktoperation und Filter.
Grenzen Sie die beiden Konzepte voneinander ab und
erläutern Sie die Verfahrensweise des Medianfilters.
Sitzungsaufgabe

4. Übungsaufgaben Kompression

5. Welches Verfahren würden Sie
wählen, um die Binärfolge
0000 0011 1111 0000
zu komprimieren?
Erläutern Sie Ihre Wahl.

6. Welches Verfahren würden Sie wählen, um
die Binärfolge
0000 0011 1111 0000
zu komprimieren?
Erläutern Sie Ihre Wahl.
 z.B.: (6, 0) (6, 1) (4, 0)

7. Erläutern Sie ausführlich die
Funktionsweise der Huffman-Kodierung
anhand der Zeichenkette
„torokokorot“
(ohne Anführungszeichen).

14. Herausforderung I
Optische Zeichenerkennung (OCR) in schwierigen Umgebungen

22. Herausforderung II
Langzeitarchivierung / -sicherung von Computergames

25. “Same Same But Different – Comparing Rendering Environments for Interactive Digital
Objects”(Guttenbrunner, Rauber, Thaller, Wieners): http://www.euromed2010.eu/e-
proceedings/content/full/140.pdf

26. “Same Same But Different – Comparing Rendering Environments for Interactive Digital
Objects”(Guttenbrunner, Rauber, Thaller, Wieners): http://www.euromed2010.eu/e-
proceedings/content/full/140.pdf

28. https://github.com/janwieners/Puck

29. Auf dem Weg zur Merkmalsextraktion
Vorverarbeitung des Quellenmateriales

31. Von der Rastergrafik zur Merkmalsextraktion –
Algorithmen & Co.
(https://github.com/janwieners/TED)
 Vorbereitung bzw. Vorverarbeitung
 Punkt-Operationen
 Histogramm
 Filter
 Geometrische Operationen
 Drehung, Streckung, Verschiebung des Bildes
 (Merkmalsextraktion)
 (Clustering, z.B. Kohonen-Karte / Selbstorganisierende
Karte)
Maschinelles Sehen

32. Punkt-Operationen

33. rot, rot, grün, grün, grün, grün, grün,
rot, rot, rot, grün, rot, rot, rot, rot,
rot, grün, rot, rot, grün, rot, rot, rot,
rot, rot, grün, rot, rot, rot, rot, blau,
rot, blau, rot, rot, rot, rot, rot, rot,
rot, rot, rot, rot, rot, rot, rot, rot, rot,
rot, rot, rot, rot, rot, blau, rot, rot,
rot, rot, rot, blau, rot, rot, rot, blau,
rot, rot, rot, blau, rot, rot, rot, rot,
rot, blau, blau, blau, rot, rot, rot

34. rot, rot, grün, grün, grün, grün, grün,
rot, rot, rot, grün, rot, rot, rot, rot,
rot, grün, rot, rot, grün, rot, rot, rot,
rot, rot, grün, rot, rot, rot, rot, blau,
rot, blau, rot, rot, rot, rot, rot, rot,
rot, rot, rot, rot, rot, rot, rot, rot, rot,
rot, rot, rot, rot, rot, blau, rot, rot,
rot, rot, rot, blau, rot, rot, rot, blau,
rot, rot, rot, blau, rot, rot, rot, rot,
rot, blau, blau, blau, rot, rot, rot

35. Punkt-Operation: Betrachtung / Veränderung eines Pixels
unabhängig von seinen Nachbarpixeln

36. Gonzalez und Woods, 2008: „We can summarize by saying that RGB is ideal for image
color generation (as in image capture by a color camera or image display in a monitor
screen), but its use for color description is much more limited.”

38. Das IHS-Farbsystem (auch HSI, HSV Farbsystem):
 Leuchtstärke (Intensity): Maßeinheit der Helligkeit,
resultiert aus dem Durchschnitt der Farbwerte
Zu viel Information: Umwandlung in Graustufenbild

39. Das IHS-Farbsystem (auch HSI, HSV Farbsystem):
 Leuchtstärke (Intensity): Maßeinheit der Helligkeit,
resultiert aus dem Durchschnitt der Farbwerte
 Sättigung (Saturation): Beschreibt die Farbreinheit
Zu viel Information: Umwandlung in Graustufenbild

40. Das IHS-Farbsystem (auch HSI, HSV Farbsystem):
 Leuchtstärke (Intensity): Maßeinheit der Helligkeit,
resultiert aus dem Durchschnitt der Farbwerte
 Sättigung (Saturation): Beschreibt die Farbreinheit
 Farbton (Hue): Proportional zur durchschnittlichen
Wellenlänge der Farbe; basiert auf Abbildung der Farben in
einem Polarkoordinatensystem:
Zu viel Information: Umwandlung in Graustufenbild

41. Relevant für Umwandlung in Graustufenbild: Leuchtstärke
(Intensity)
Algorithmus:
 Betrachte jedes Pixel P der Rastergrafik
 Weise jedem Farbkanal des betrachteten Pixels P die Summe der
Werte der einzelnen Farbkanäle R, G und B zu und dividiere
anschließend durch die Anzahl der drei:

𝑃 = 𝑟𝑔𝑏(
𝑃𝑅 + 𝑃𝐺 + 𝑃𝐵
3
,
𝑃𝑅 + 𝑃𝐺 + 𝑃𝐵
3
,
𝑃𝑅 + 𝑃𝐺 + 𝑃𝐵
3
)
Zu viel Information: Umwandlung in Graustufenbild

43. ? ?

44. Histogramm
Das Histogramm eines Bildes dokumentiert (bei einem 8-Bit
Graustufenbild) über eine Liste von 256 Elementen die Anzahl (y-
Achse) der Pixel des Bildes, die mit dem entsprechenden
Graustufenwert belegt sind.

45. Histogramm
Das Histogramm eines Bildes dokumentiert über eine Liste von 256
Elementen (8-Bit Graustufenbild) die Anzahl der Pixel des Bildes, die
mit dem entsprechenden Farb- bzw. Graustufenwert belegt sind.
?

46. Schreiben Sie einen Algorithmus (Pseudocode), der aus
einem Graustufenbild (256 Farb- bzw. Graustufenwerte)
ein Histogramm erstellt.
Tipps: Schleife, Array, Index
Übungsaufgabe

47. Algorithmus:
 Betrachte jedes Pixel P der Rastergrafik
 Speichere den Graustufenwert des Pixels in einem assoziierten
Array:
// Initialisiere jede Speicherstelle des Arrays mit 0
array histogram[0-255] = 0;
// Iteriere über jedes Pixel des Bildes
array histogram[ PR ] += 1;
Histogrammerstellung – so funktioniert‘s

48. Histogrammausgleich (automatisch)
Z.B.: Lisani, Petro, Sbert 2012: Color and
Contrast Enhancement by Controlled
Piecewise Affine Histogram Equalization
Vgl. http://www.ipol.im/pub/art/2012/lps-pae/

49. Exkurs: Google Scholar
https://scholar.google.de

51. Aufhellung

52. Wie lässt sich (algorithmisch) eine Aufhellung des
Graustufenbildes vornehmen?
Übung: Bildaufhellung?

53. Wie lässt sich (algorithmisch) eine Aufhellung des
Graustufenbildes vornehmen?
Übung: Bildaufhellung?

54. Schreiben Sie einen Algorithmus (Pseudocode), der ein
Graustufenbild (256 Farb- bzw. Graustufenwerte)
aufhellt.
Tipps: Schleife, Array, Index
Übungsaufgabe

55. Algorithmus:
 Betrachte jedes Pixel des Bildes
 Für jedes dunkle Pixel: Vermindere den Grauwert
 Für jedes helle Pixel: Erhöhe den Grauwert
Kontrastverstärkung

56. Informationsreduktion

57. Zu viel Information II: Binarisierung
Grundfrage dieses (und der vergangenen Verfahren): Wie lässt sich
Bildinformation verwerfen, ohne die Bildcharakteristika (i.e. die Form
des Elephanten) zu zerstören?

58. Zu viel Information II: Binarisierung
Grundfrage dieses (und der vergangenen Verfahren): Wie lässt sich
Bildinformation verwerfen, ohne die Bildcharakteristika (i.e. die Form
des Elephanten) zu zerstören?

59. Schreiben Sie einen Algorithmus (Pseudocode), der ein
Graustufenbild (256 Farb- bzw. Graustufenwerte)
binarisiert, d.h. zu einem Schwarz-Weiß-Bild
umwandelt..
Tipps: Schleife, Array,
Index, Bedingungen
Übungsaufgabe

60. Binarisierung mit konstantem Schwellenwert – so funktioniert‘s
Zwei Pixelklassen:
Algorithmus:
 Betrachte jedes Pixel P der Rastergrafik
 Vergleiche den Farb-/Grauwert jedes Pixels mit dem Schwellenwert
T.
 Ist der Wert kleiner als der Schwellenwert, so wird es schwarz eingefärbt
(a).
 Ist der Wert größer oder gleich dem Schwellenwert, so wird es weiß
eingefärbt (b).

62. Übung: Binarisierung

64. /

65.  https://commons.wikimedia.org/wiki/File:Universitat_
zu_Koln_Hauptgebaude_ost.jpg
 http://causeitsallaboutthepayno.tumblr.com/post/131
746453874/im-currently-listening-to-adeles-new
 www.giphy.com
Bildnachweise