SlideShare ist ein Scribd-Unternehmen logo
Basisinformationstechnologie II – Sommersemester 2016 – 06. Juni 2016
Dr. Jan G. Wieners
Algorithmen der Bildverarbeitung
Punktoperationen
 Zwei Herausforderungen um OCR und
Merkmalsextraktion
 Vorverarbeitung: Verbesserung des Quellmaterials
 Punktoperationen
 Binarisierung
 Histogrammausgleich
 Filter
 Medianfilter
 Geometrische Operationen
Themenüberblick
Erörtern Sie die Begriffe Punktoperation und Filter.
Grenzen Sie die beiden Konzepte voneinander ab und
erläutern Sie die Verfahrensweise des Medianfilters.
Sitzungsaufgabe
Übungsaufgaben Kompression
Welches Verfahren würden Sie
wählen, um die Binärfolge
0000 0011 1111 0000
zu komprimieren?
Erläutern Sie Ihre Wahl.
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)
Erläutern Sie ausführlich die
Funktionsweise der Huffman-Kodierung
anhand der Zeichenkette
„torokokorot“
(ohne Anführungszeichen).
Herausforderung I
Optische Zeichenerkennung (OCR) in schwierigen Umgebungen
Herausforderung II
Langzeitarchivierung / -sicherung von Computergames
“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
“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
https://github.com/janwieners/Puck
Auf dem Weg zur Merkmalsextraktion
Vorverarbeitung des Quellenmateriales
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
Punkt-Operationen
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
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
Punkt-Operation: Betrachtung / Veränderung eines Pixels
unabhängig von seinen Nachbarpixeln
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.”
Das IHS-Farbsystem (auch HSI, HSV Farbsystem):
 Leuchtstärke (Intensity): Maßeinheit der Helligkeit,
resultiert aus dem Durchschnitt der Farbwerte
Zu viel Information: Umwandlung in Graustufenbild
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
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
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
? ?
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.
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.
?
Schreiben Sie einen Algorithmus (Pseudocode), der aus
einem Graustufenbild (256 Farb- bzw. Graustufenwerte)
ein Histogramm erstellt.
Tipps: Schleife, Array, Index
Übungsaufgabe
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
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/
Exkurs: Google Scholar
https://scholar.google.de
Aufhellung
Wie lässt sich (algorithmisch) eine Aufhellung des
Graustufenbildes vornehmen?
Übung: Bildaufhellung?
Wie lässt sich (algorithmisch) eine Aufhellung des
Graustufenbildes vornehmen?
Übung: Bildaufhellung?
Schreiben Sie einen Algorithmus (Pseudocode), der ein
Graustufenbild (256 Farb- bzw. Graustufenwerte)
aufhellt.
Tipps: Schleife, Array, Index
Übungsaufgabe
Algorithmus:
 Betrachte jedes Pixel des Bildes
 Für jedes dunkle Pixel: Vermindere den Grauwert
 Für jedes helle Pixel: Erhöhe den Grauwert
Kontrastverstärkung
Informationsreduktion
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?
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?
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
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).
Übung: Binarisierung
/
 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

Weitere ähnliche Inhalte

Andere mochten auch

El telescopio.
El telescopio.El telescopio.
El telescopio.
anamaralar
 
El sistema solar 2 (2)
El sistema solar 2 (2)El sistema solar 2 (2)
El sistema solar 2 (2)
Flor urbina
 
la nueva estructura del sistema solar
la nueva estructura del sistema solarla nueva estructura del sistema solar
la nueva estructura del sistema solar
CursoVirtualAstronomiaCotidiana
 
El telescopio
El telescopioEl telescopio
El telescopio
Sebastian Henao
 
Telescopio
TelescopioTelescopio
Telescopio
fisica2c
 
Historia de la penicilina
Historia de la penicilinaHistoria de la penicilina
Historia de la penicilina
Bryan Avellaneda
 
Infecciones bacterianas de piel
Infecciones bacterianas  de pielInfecciones bacterianas  de piel
Infecciones bacterianas de piel
CríízTíán Angarita
 
Telescopios
TelescopiosTelescopios
Telescopios
AIDA_UC
 
El Telescopio
El  TelescopioEl  Telescopio
El Telescopio
Mariana Garcia
 
El telescopio
El telescopioEl telescopio
El telescopio
danielrinconlopez
 
Qué es la ciencia
Qué es la cienciaQué es la ciencia
Qué es la ciencia
José Antonio Lupión Lorenzo
 
Linea del tiempo del telescopio.
Linea del tiempo del telescopio.Linea del tiempo del telescopio.
Linea del tiempo del telescopio.
DMBZ
 
Historia de la penicilina
Historia de la penicilinaHistoria de la penicilina
Historia de la penicilina
cinthiamoya20
 
Telescopios
TelescopiosTelescopios
Penicilina
PenicilinaPenicilina
Historia de la Penicilina
Historia de la PenicilinaHistoria de la Penicilina
Historia de la Penicilina
Karoly Portero
 
El Sistema Solar
El Sistema SolarEl Sistema Solar
La penicilina
La penicilinaLa penicilina
La penicilina
Gonzalo Camus
 
Bacterias
BacteriasBacterias
Història del llibre, paper i impremta
Història del llibre, paper i impremtaHistòria del llibre, paper i impremta
Història del llibre, paper i impremtaEduardo CONNOLLY
 

Andere mochten auch (20)

El telescopio.
El telescopio.El telescopio.
El telescopio.
 
El sistema solar 2 (2)
El sistema solar 2 (2)El sistema solar 2 (2)
El sistema solar 2 (2)
 
la nueva estructura del sistema solar
la nueva estructura del sistema solarla nueva estructura del sistema solar
la nueva estructura del sistema solar
 
El telescopio
El telescopioEl telescopio
El telescopio
 
Telescopio
TelescopioTelescopio
Telescopio
 
Historia de la penicilina
Historia de la penicilinaHistoria de la penicilina
Historia de la penicilina
 
Infecciones bacterianas de piel
Infecciones bacterianas  de pielInfecciones bacterianas  de piel
Infecciones bacterianas de piel
 
Telescopios
TelescopiosTelescopios
Telescopios
 
El Telescopio
El  TelescopioEl  Telescopio
El Telescopio
 
El telescopio
El telescopioEl telescopio
El telescopio
 
Qué es la ciencia
Qué es la cienciaQué es la ciencia
Qué es la ciencia
 
Linea del tiempo del telescopio.
Linea del tiempo del telescopio.Linea del tiempo del telescopio.
Linea del tiempo del telescopio.
 
Historia de la penicilina
Historia de la penicilinaHistoria de la penicilina
Historia de la penicilina
 
Telescopios
TelescopiosTelescopios
Telescopios
 
Penicilina
PenicilinaPenicilina
Penicilina
 
Historia de la Penicilina
Historia de la PenicilinaHistoria de la Penicilina
Historia de la Penicilina
 
El Sistema Solar
El Sistema SolarEl Sistema Solar
El Sistema Solar
 
La penicilina
La penicilinaLa penicilina
La penicilina
 
Bacterias
BacteriasBacterias
Bacterias
 
Història del llibre, paper i impremta
Història del llibre, paper i impremtaHistòria del llibre, paper i impremta
Història del llibre, paper i impremta
 

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

Digitale Bilder
Digitale BilderDigitale Bilder
Digitale Bilderhcycon
 
Computergrafik
ComputergrafikComputergrafik
Computergrafik
Wolf Spalteholz
 
Visually Lossless Kompression für die Digitalisierung an Bibliotheken
Visually Lossless Kompression für die Digitalisierung an BibliothekenVisually Lossless Kompression für die Digitalisierung an Bibliotheken
Visually Lossless Kompression für die Digitalisierung an Bibliotheken
Ralf Stockmann
 
WebPlausch Fotogrundlagen und Fotonachbearbeitung in Gimp
WebPlausch Fotogrundlagen und Fotonachbearbeitung in GimpWebPlausch Fotogrundlagen und Fotonachbearbeitung in Gimp
WebPlausch Fotogrundlagen und Fotonachbearbeitung in GimpAndreas Hafenscher
 
Vorlesung Computergrafik
Vorlesung ComputergrafikVorlesung Computergrafik
Vorlesung Computergrafik
Wolf Spalteholz
 
Photoshop Einführung Teil 1
Photoshop Einführung Teil 1Photoshop Einführung Teil 1
Photoshop Einführung Teil 1
Nils Peters
 

Ähnlich wie Bit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationen (6)

Digitale Bilder
Digitale BilderDigitale Bilder
Digitale Bilder
 
Computergrafik
ComputergrafikComputergrafik
Computergrafik
 
Visually Lossless Kompression für die Digitalisierung an Bibliotheken
Visually Lossless Kompression für die Digitalisierung an BibliothekenVisually Lossless Kompression für die Digitalisierung an Bibliotheken
Visually Lossless Kompression für die Digitalisierung an Bibliotheken
 
WebPlausch Fotogrundlagen und Fotonachbearbeitung in Gimp
WebPlausch Fotogrundlagen und Fotonachbearbeitung in GimpWebPlausch Fotogrundlagen und Fotonachbearbeitung in Gimp
WebPlausch Fotogrundlagen und Fotonachbearbeitung in Gimp
 
Vorlesung Computergrafik
Vorlesung ComputergrafikVorlesung Computergrafik
Vorlesung Computergrafik
 
Photoshop Einführung Teil 1
Photoshop Einführung Teil 1Photoshop Einführung Teil 1
Photoshop Einführung Teil 1
 

Mehr von Institute for Digital Humanities, University of Cologne

Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Institute for Digital Humanities, University of Cologne
 
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Institute for Digital Humanities, University of Cologne
 
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Institute for Digital Humanities, University of Cologne
 
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Institute for Digital Humanities, University of Cologne
 
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-13_ki-in-games
Bit sosem 2016-wieners-sitzung-13_ki-in-gamesBit sosem 2016-wieners-sitzung-13_ki-in-games
Bit sosem 2016-wieners-sitzung-13_ki-in-games
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-visionBit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-11_bild-iii-filter
Bit sosem 2016-wieners-sitzung-11_bild-iii-filterBit sosem 2016-wieners-sitzung-11_bild-iii-filter
Bit sosem 2016-wieners-sitzung-11_bild-iii-filter
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompressionBit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-webBit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-web
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-iiBit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikationBit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conwayBit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatikBit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmenBit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmen
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturenBit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischungBit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischung
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblickBit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblick
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung IIBit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung IBit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Institute for Digital Humanities, University of Cologne
 

Mehr von Institute for Digital Humanities, University of Cologne (20)

Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
 
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
 
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
 
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
 
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
 
Bit sosem 2016-wieners-sitzung-13_ki-in-games
Bit sosem 2016-wieners-sitzung-13_ki-in-gamesBit sosem 2016-wieners-sitzung-13_ki-in-games
Bit sosem 2016-wieners-sitzung-13_ki-in-games
 
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-visionBit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
 
Bit sosem 2016-wieners-sitzung-11_bild-iii-filter
Bit sosem 2016-wieners-sitzung-11_bild-iii-filterBit sosem 2016-wieners-sitzung-11_bild-iii-filter
Bit sosem 2016-wieners-sitzung-11_bild-iii-filter
 
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompressionBit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
 
Bit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-webBit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-web
 
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-iiBit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
 
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikationBit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
 
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conwayBit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
 
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatikBit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
 
Bit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmenBit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmen
 
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturenBit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
 
Bit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischungBit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischung
 
Bit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblickBit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblick
 
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung IIBit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
 
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung IBit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung I
 

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
  • 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).
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14. Herausforderung I Optische Zeichenerkennung (OCR) in schwierigen Umgebungen
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22. Herausforderung II Langzeitarchivierung / -sicherung von Computergames
  • 23.
  • 24.
  • 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
  • 27.
  • 29. Auf dem Weg zur Merkmalsextraktion Vorverarbeitung des Quellenmateriales
  • 30.
  • 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
  • 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.”
  • 37.
  • 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
  • 42.
  • 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/
  • 50.
  • 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
  • 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).
  • 61.
  • 63.
  • 64. /

Hinweis der Redaktion

  1. Zur Erweiterungsfähigkeit bestehender OCR Verfahren auf den Bereich extrem früher Drucke (2008)
  2. Anwendungsfall: PLANETS
  3. Zu viel Information: Umwandlung von RGB-Bild in Graustufenbild
  4. Polarkoordinatensystem -> Winkel
  5. Polarkoordinatensystem -> Winkel
  6. Polarkoordinatensystem -> Winkel
  7. Alle Pixelwerte um einen Wert n erhöhen
  8. Punktoperation