Universität zu Köln. Historisch-Kulturwissenschaftliche InformationsverarbeitungJan G. Wieners // jan.wieners@uni-koeln.de...
Maschinelles Sehen / Computer Vision Problemstellung: Algorithmische sinnlicheWahrnehmung? Vorverarbeitung: Verbesserung...
Bildverarbeitung undmaschinelles Sehen
http://www.graffitiresearchlab.de
Sinnliche WahrnehmungPhotorezeptorenschicht derNetzhaut:~ 6 Millionen Zapfen~ 120 Millionen Stäbchen
Struktur /form?
Struktur /form?
Bedeutung?
„Alles […], was ich bisher am ehesten für wahrangenommen, habe ich von den Sinnen oder durchVermittelung der Sinne empfang...
…und Computer / Rechner?
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, grün, grün, grün, grün,rot, rot, rot, grün, rot, rot, rot, rot, rot, grün, rot, rot, grün, rot, rot, rot, ...
Woher wissenSuchmaschinen, was in einerRastergrafik dargestellt ist?Annotation:Metainformationen, ausgefülltesalt-Attribu...
Maschinelles Sehen
Von der Rastergrafik zur Merkmalsextraktion –Algorithmen & Co. Vorbereitung bzw. Vorverarbeitung Punkt-Operationen Hist...
Betrachtung / Veränderung eines Pixels unabhängigvon seinen NachbarpixelnVorverarbeitung I: Punkt-Operationen
Gonzalez und Woods, 2008: „We can summarize by saying that RGB is idealfor image color generation (as in image capture by ...
Das IHS-Farbsystem (auch HSI, HSV Farbsystem): Leuchtstärke (Intensity): Maßeinheit derHelligkeit, resultiert aus dem Dur...
Zu viel Information: Umwandlung in Graustufenbild
Zu viel Information: Umwandlung in Graustufenbild
HistogrammDas Histogramm eines Bildes dokumentiert über eine Liste von 256Elementen (8-Bit Graustufenbild) die Anzahl der ...
HistogrammDas Histogramm eines Bildes dokumentiert über eine Liste von 256Elementen (8-Bit Graustufenbild) die Anzahl der ...
Algorithmus: Betrachte jedes Pixel P der Rastergrafik Speichere den Graustufenwert des Pixels in einemassoziierten Array...
Histogrammausgleich (automatisch)Z.B.: Lisani, Petro, Sbert 2012: Color andContrast Enhancement by ControlledPiecewise Aff...
Wie lässt sich (algorithmisch) eine Aufhellung desGraustufenbildes vornehmen?Übung: Bildaufhellung?
Wie lässt sich (algorithmisch) eine Aufhellung desGraustufenbildes vornehmen?Übung: Bildaufhellung?
Algorithmus: Betrachte jedes Pixel des Bildes Für jedes dunkle Pixel: Vermindere den Grauwert Für jedes helle Pixel: Er...
Zu viel Information II: BinarisierungGrundfrage dieses (und der vergangenen Verfahren): Wie lässt sichBildinformation verw...
Zu viel Information II: BinarisierungGrundfrage dieses (und der vergangenen Verfahren): Wie lässt sichBildinformation verw...
Zu viel Information II: BinarisierungZwei Pixelklassen:Algorithmus: Betrachte jedes Pixel P der Rastergrafik Vergleiche ...
Punkt-Operation: Binarisierung mit globalem Schwellenwert
Übung: Binarisierung
Filter: Betrachtung / Veränderung eines Pixels inAbhängigkeit seiner NachbarpixelAchtung: Weil Originalpixel für das Ergeb...
 Lineare Filter (LSI-Filter, linear shift-invariantfilters): Jedes Pixel im Verarbeitungsfenster wirdmit einem vordefinie...
Einfacher MittelwertfilterQuelle: Handels 2009: Medizinische Bildverarbeitung.
Einfacher Mittelwertfilter: 3x3 Pixel „Hotspot“
Einfacher Mittelwertfilter – so schaut‘s aus
Was tun bei Bildrauschen?
Algorithmus Medianfilter (Rangordnungsfilter): Rangordnungsfilter betrachten die Nachbarschaftspixeljedes Pixels, speiche...
Medianfilter: AnwendungsbeispieleBildnachweis: http://de.wikipedia.org/w/index.php?title=Datei:Medianfilterp.png&filetimes...
Medianfilter: AnwendungsbeispieleBildnachweis: http://de.wikipedia.org/w/index.php?title=Datei:Cydonia_medianrp.jpg&fileti...
Übung Medianfilter
Merkmalsextraktion:Kantendetektion
Laplace-Operator / -Filter
Sobel-OperatorVgl.:http://de.wikipedia.org/wiki/Sobel-Operatorhttp://old.hki.uni-koeln.de/teach/ws0405/VIP/tag7/index.html
http://www.euromed2010.eu/e-proceedings/content/full/140.pdfEin Anwendungsfall: PLANETS
 Künstliche Neuronale Netze, z.B. Hopfield-Netz ClusteringBeispiel: Selbstorganisierende Karte…eine Portion KI…
 Filter & Co. Mit HTML5 und JavaScript:http://www.html5rocks.com/en/tutorials/canvas/imagefilters/?redirect_from_locale=d...
/
Aufgabe 1 (1 Punkt)Welche Verfahrensweisen in der Vorverarbeitung von Rastergrafiken sind mit „Punkt-Operation“ und „Filte...
SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung
SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung
SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung
SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung
SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung
SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung
SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung
SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung
Nächste SlideShare
Wird geladen in …5
×

SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung

704 Aufrufe

Veröffentlicht am

Veröffentlicht in: Bildung
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
704
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
272
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung

  1. 1. Universität zu Köln. Historisch-Kulturwissenschaftliche InformationsverarbeitungJan G. Wieners // jan.wieners@uni-koeln.deBasisinformationstechnologie ISommersemester 201315. Mai 2013 – Algorithmen der Bildverarbeitung II: Computervision – Vorverarbeitung
  2. 2. Maschinelles Sehen / Computer Vision Problemstellung: Algorithmische sinnlicheWahrnehmung? Vorverarbeitung: Verbesserung des Quellmaterials Punktoperationen Binarisierung Histogrammausgleich Binarisierung, Schwellwertausgleich Filter Medianfilter Geometrische Operationen Merkmalsextraktion: Kantendetektion Algorithmische „kognitive“ Wahrnehmung: Künstliche Neuronale NetzeThemenüberblick
  3. 3. Bildverarbeitung undmaschinelles Sehen
  4. 4. http://www.graffitiresearchlab.de
  5. 5. Sinnliche WahrnehmungPhotorezeptorenschicht derNetzhaut:~ 6 Millionen Zapfen~ 120 Millionen Stäbchen
  6. 6. Struktur /form?
  7. 7. Struktur /form?
  8. 8. Bedeutung?
  9. 9. „Alles […], was ich bisher am ehesten für wahrangenommen, habe ich von den Sinnen oder durchVermittelung der Sinne empfangen. Nun aber binich dahinter gekommen, daß diese uns bisweilentäuschen, und es ist ein Gebot der Klugheit, niemalsdenen ganz zu trauen, die auch nur einmal unsgetäuscht haben.“(Descartes, René: Meditationen über die Grundlagen der Philosophie mit den sämtlichen Einwänden undErwiderungen. Hamburg: meiner, 1994. S. 12)Wahrnehmung
  10. 10. …und Computer / Rechner?
  11. 11. 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
  12. 12. 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
  13. 13. Woher wissenSuchmaschinen, was in einerRastergrafik dargestellt ist?Annotation:Metainformationen, ausgefülltesalt-Attribut des <img> TagsBildanalyse
  14. 14. Maschinelles Sehen
  15. 15. Von der Rastergrafik zur Merkmalsextraktion –Algorithmen & Co. Vorbereitung bzw. Vorverarbeitung Punkt-Operationen Histogramm Filter Geometrische Operationen Drehung, Streckung, Verschiebung des Bildes Merkmalsextraktion ClusteringMaschinelles Sehen
  16. 16. Betrachtung / Veränderung eines Pixels unabhängigvon seinen NachbarpixelnVorverarbeitung I: Punkt-Operationen
  17. 17. Gonzalez und Woods, 2008: „We can summarize by saying that RGB is idealfor image color generation (as in image capture by a color camera or imagedisplay in a monitor screen), but its use for color description is much morelimited.”Zu viel Information: Umwandlung in Graustufenbild
  18. 18. Das IHS-Farbsystem (auch HSI, HSV Farbsystem): Leuchtstärke (Intensity): Maßeinheit derHelligkeit, resultiert aus dem Durchschnitt derFarbwerte Sättigung (Saturation): Beschreibt die Farbreinheit Farbton (Hue): Proportional zur durchschnittlichenWellenlänge der Farbe; basiert auf Abbildung derFarben in einem Polarkoordinatensystem:Zu viel Information: Umwandlung in Graustufenbild
  19. 19. Zu viel Information: Umwandlung in Graustufenbild
  20. 20. Zu viel Information: Umwandlung in Graustufenbild
  21. 21. HistogrammDas Histogramm eines Bildes dokumentiert über eine Liste von 256Elementen (8-Bit Graustufenbild) die Anzahl der Pixel des Bildes, diemit dem entsprechenden Farb- bzw. Graustufenwert belegt sind.
  22. 22. HistogrammDas Histogramm eines Bildes dokumentiert über eine Liste von 256Elementen (8-Bit Graustufenbild) die Anzahl der Pixel des Bildes, diemit dem entsprechenden Farb- bzw. Graustufenwert belegt sind.?
  23. 23. Algorithmus: Betrachte jedes Pixel P der Rastergrafik Speichere den Graustufenwert des Pixels in einemassoziierten Array:// Initialisiere jede Speicherstelle des Arrays mit 0array histogram[0-255] = 0;// Iteriere über jedes Pixel des Bildesarray histogram[ PR ] += 1;Histogramm
  24. 24. Histogrammausgleich (automatisch)Z.B.: Lisani, Petro, Sbert 2012: Color andContrast Enhancement by ControlledPiecewise Affine Histogram EqualizationVgl. http://www.ipol.im/pub/art/2012/lps-pae/
  25. 25. Wie lässt sich (algorithmisch) eine Aufhellung desGraustufenbildes vornehmen?Übung: Bildaufhellung?
  26. 26. Wie lässt sich (algorithmisch) eine Aufhellung desGraustufenbildes vornehmen?Übung: Bildaufhellung?
  27. 27. Algorithmus: Betrachte jedes Pixel des Bildes Für jedes dunkle Pixel: Vermindere den Grauwert Für jedes helle Pixel: Erhöhe den GrauwertKontrastverstärkung
  28. 28. Zu viel Information II: BinarisierungGrundfrage dieses (und der vergangenen Verfahren): Wie lässt sichBildinformation verwerfen, ohne die Bildcharakteristika (i.e. die Formdes Elephanten) zu zerstören?
  29. 29. Zu viel Information II: BinarisierungGrundfrage dieses (und der vergangenen Verfahren): Wie lässt sichBildinformation verwerfen, ohne die Bildcharakteristika (i.e. die Formdes Elephanten) zu zerstören?
  30. 30. Zu viel Information II: BinarisierungZwei Pixelklassen:Algorithmus: Betrachte jedes Pixel P der Rastergrafik Vergleiche den Farb-/Grauwert jedes Pixels mit demSchwellenwert T. Ist der Wert kleiner als der Schwellenwert, so wird esschwarz eingefärbt (a). Ist der Wert größer oder gleich dem Schwellenwert, so wirdes weiß eingefärbt (b).
  31. 31. Punkt-Operation: Binarisierung mit globalem Schwellenwert
  32. 32. Übung: Binarisierung
  33. 33. Filter: Betrachtung / Veränderung eines Pixels inAbhängigkeit seiner NachbarpixelAchtung: Weil Originalpixel für das Ergebnis derFilterung relevant (und unabdingbar) ist: Nutzung einesZwischenbildes als Ausgabe- oder Eingabepuffer.Filter
  34. 34.  Lineare Filter (LSI-Filter, linear shift-invariantfilters): Jedes Pixel im Verarbeitungsfenster wirdmit einem vordefinierten Wert aus einer Faltungs-bzw. Filtermatrix multipliziert. Nichtlineare Filter: U.a. heuristische AnsätzeHeuristik (vgl. Prechtl / Burkard): „Lehre bzw. Theorie der Verfahren zum Finden von Neuem und Problemlösen.“Filter
  35. 35. Einfacher MittelwertfilterQuelle: Handels 2009: Medizinische Bildverarbeitung.
  36. 36. Einfacher Mittelwertfilter: 3x3 Pixel „Hotspot“
  37. 37. Einfacher Mittelwertfilter – so schaut‘s aus
  38. 38. Was tun bei Bildrauschen?
  39. 39. Algorithmus Medianfilter (Rangordnungsfilter): Rangordnungsfilter betrachten die Nachbarschaftspixeljedes Pixels, speichern die gefundenen Farb- bzw.Graustufenwerte und sortieren die so gewonnenen Wertein aufsteigender Reihenfolge. Aus einer 3x3 Pixelmatrix resultiert eine Liste, bestehendaus insgesamt neun Werten. Relevant für dasMedianfilter ist das Element, das sich in der Mitte dersortierten Liste der Pixelwerte befindet. Das Medianfilter selektiert den Pixelwert des fünftenListenelements und weist dem Pixel in der Mitte derMatrix den Median, d.h. den fünften Wert der Liste zu.Beispiel Nichtlinearer Filter: Medianfilter
  40. 40. Medianfilter: AnwendungsbeispieleBildnachweis: http://de.wikipedia.org/w/index.php?title=Datei:Medianfilterp.png&filetimestamp=20070810172335
  41. 41. Medianfilter: AnwendungsbeispieleBildnachweis: http://de.wikipedia.org/w/index.php?title=Datei:Cydonia_medianrp.jpg&filetimestamp=20050313005105
  42. 42. Übung Medianfilter
  43. 43. Merkmalsextraktion:Kantendetektion
  44. 44. Laplace-Operator / -Filter
  45. 45. Sobel-OperatorVgl.:http://de.wikipedia.org/wiki/Sobel-Operatorhttp://old.hki.uni-koeln.de/teach/ws0405/VIP/tag7/index.html
  46. 46. http://www.euromed2010.eu/e-proceedings/content/full/140.pdfEin Anwendungsfall: PLANETS
  47. 47.  Künstliche Neuronale Netze, z.B. Hopfield-Netz ClusteringBeispiel: Selbstorganisierende Karte…eine Portion KI…
  48. 48.  Filter & Co. Mit HTML5 und JavaScript:http://www.html5rocks.com/en/tutorials/canvas/imagefilters/?redirect_from_locale=de OpenCV (Open Source Computer Vision):http://opencv.org/ OCRopus(tm) open source document analysis andOCR system: www.code.google.com/p/ocropus/ Framework (PC) für Playstation „Move“:http://code.google.com/p/moveframework/ Kinect for Windows SDK:http://www.microsoft.com/en-us/kinectforwindows/develop/developer-downloads.aspxWeiterführendes
  49. 49. /
  50. 50. Aufgabe 1 (1 Punkt)Welche Verfahrensweisen in der Vorverarbeitung von Rastergrafiken sind mit „Punkt-Operation“ und „Filter“ signifiziert? Stellen Sie die unterschiedlichen Ansätze vor.Aufgabe 2 (0.5 Punkte)Lässt sich eine 24-Bit RGB Rastergrafik in ein Graustufenbild umwandeln? Wenn ja: wie?Aufgabe 3 (0.5 Punkte)Was ist ein „Histogramm“ und wie lässt sich das Histogramm einer Rastergrafik generieren?Aufgabe 4 (1 Punkt)Was ist mit dem Begriff „Salz und Pfeffer Rauschen“ bezeichnet? Welches Verfahren würdenSie anwenden, um ein durch „Salz und Pfeffer Rauschen“ beeinflusstes Bild aufzubereiten?Erläutern Sie die Arbeitsweise des Verfahrens.Aufgabe 5 (0.5 Punkte)Welches Verfahren lässt sich dazu verwenden, um Rastergrafiken weichzuzeichnen?Aufgabe 6 (0.5 Punkte)Wozu dienen die Sobel- und Laplace- (und Prewitt-, Roberts-, Canny-, …) Operatoren?Hausaufgaben

×