• Like
  • Save
SoSe 2013 | Basisinformationstechnologie II - 05_Algorithmen der Bildverarbeitung II: Computer Vision - Vorverarbeitung
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

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

  • 413 views
Published

 

Published in Education
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
413
On SlideShare
0
From Embeds
0
Number of Embeds
1

Actions

Shares
Downloads
0
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 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. 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. Bildverarbeitung undmaschinelles Sehen
  • 4. http://www.graffitiresearchlab.de
  • 5. Sinnliche WahrnehmungPhotorezeptorenschicht derNetzhaut:~ 6 Millionen Zapfen~ 120 Millionen Stäbchen
  • 6. Struktur /form?
  • 7. Struktur /form?
  • 8. Bedeutung?
  • 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. …und Computer / Rechner?
  • 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. 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. Woher wissenSuchmaschinen, was in einerRastergrafik dargestellt ist?Annotation:Metainformationen, ausgefülltesalt-Attribut des <img> TagsBildanalyse
  • 14. Maschinelles Sehen
  • 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. Betrachtung / Veränderung eines Pixels unabhängigvon seinen NachbarpixelnVorverarbeitung I: Punkt-Operationen
  • 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. 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. Zu viel Information: Umwandlung in Graustufenbild
  • 20. Zu viel Information: Umwandlung in Graustufenbild
  • 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. 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. 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. 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. Wie lässt sich (algorithmisch) eine Aufhellung desGraustufenbildes vornehmen?Übung: Bildaufhellung?
  • 26. Wie lässt sich (algorithmisch) eine Aufhellung desGraustufenbildes vornehmen?Übung: Bildaufhellung?
  • 27. Algorithmus: Betrachte jedes Pixel des Bildes Für jedes dunkle Pixel: Vermindere den Grauwert Für jedes helle Pixel: Erhöhe den GrauwertKontrastverstärkung
  • 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. 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. 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. Punkt-Operation: Binarisierung mit globalem Schwellenwert
  • 32. Übung: Binarisierung
  • 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.  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. Einfacher MittelwertfilterQuelle: Handels 2009: Medizinische Bildverarbeitung.
  • 36. Einfacher Mittelwertfilter: 3x3 Pixel „Hotspot“
  • 37. Einfacher Mittelwertfilter – so schaut‘s aus
  • 38. Was tun bei Bildrauschen?
  • 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. Medianfilter: AnwendungsbeispieleBildnachweis: http://de.wikipedia.org/w/index.php?title=Datei:Medianfilterp.png&filetimestamp=20070810172335
  • 41. Medianfilter: AnwendungsbeispieleBildnachweis: http://de.wikipedia.org/w/index.php?title=Datei:Cydonia_medianrp.jpg&filetimestamp=20050313005105
  • 42. Übung Medianfilter
  • 43. Merkmalsextraktion:Kantendetektion
  • 44. Laplace-Operator / -Filter
  • 45. Sobel-OperatorVgl.:http://de.wikipedia.org/wiki/Sobel-Operatorhttp://old.hki.uni-koeln.de/teach/ws0405/VIP/tag7/index.html
  • 46. http://www.euromed2010.eu/e-proceedings/content/full/140.pdfEin Anwendungsfall: PLANETS
  • 47.  Künstliche Neuronale Netze, z.B. Hopfield-Netz ClusteringBeispiel: Selbstorganisierende Karte…eine Portion KI…
  • 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. /
  • 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