Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

BIT I SoSem 2015 | Basisinformationstechnologie II - 06_Algorithmen der Bildverarbeitung II: Punktoperationen und Filter

752 views

Published on

BIT I SoSem 2015 | Basisinformationstechnologie II - 06_Algorithmen der Bildverarbeitung II: Punktoperationen und Filter

Published in: Education
  • Be the first to comment

  • Be the first to like this

BIT I SoSem 2015 | Basisinformationstechnologie II - 06_Algorithmen der Bildverarbeitung II: Punktoperationen und Filter

  1. 1. Universität zu Köln. Historisch-Kulturwissenschaftliche Informationsverarbeitung Dr. Jan G. Wieners // jan.wieners@uni-koeln.de Basisinformationstechnologie II Sommersemester 2015 20. Mai 2015 – Algorithmen der Bildverarbeitung II: Punktoperationen und Filter
  2. 2.  Zwei Herausforderungen um OCR und Merkmalsextraktion  Vorverarbeitung: Verbesserung des Quellmaterials  Punktoperationen  Binarisierung  Histogrammausgleich  Binarisierung, Schwellwertausgleich  Filter  Medianfilter  Geometrische Operationen Themenüberblick
  3. 3. Übungsaufgaben Kompression
  4. 4. Welches Verfahren würden Sie wählen, um die Binärfolge 0000 0011 1111 0000 zu komprimieren? Erläutern Sie Ihre Wahl.
  5. 5. 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)
  6. 6. Erläutern Sie ausführlich die Funktionsweise der Huffman- Kodierung anhand der Zeichenkette „torokokorot“ (ohne Anführungszeichen).
  7. 7. Herausforderung I Optische Zeichenerkennung (OCR) in schwierigen Umgebungen
  8. 8. Herausforderung II Langzeitarchivierung / -sicherung von Computergames
  9. 9. “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
  10. 10. “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
  11. 11. https://github.com/janwieners/Puck
  12. 12. Auf dem Weg zur Merkmalsextraktion Vorverarbeitung des Quellenmateriales
  13. 13. Von der Rastergrafik zur Merkmalsextraktion – Algorithmen & Co.  Vorbereitung bzw. Vorverarbeitung  Punkt-Operationen  Histogramm  Filter  Geometrische Operationen  Drehung, Streckung, Verschiebung des Bildes  (Merkmalsextraktion)  (Clustering, z.B. Kohonen-Karte / Selbstorganisierende Karte) Maschinelles Sehen
  14. 14. Punkt-Operationen
  15. 15. 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
  16. 16. 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
  17. 17. Punkt-Operation: Betrachtung / Veränderung eines Pixels unabhängig von seinen Nachbarpixeln
  18. 18. 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.”
  19. 19. Das IHS-Farbsystem (auch HSI, HSV Farbsystem):  Leuchtstärke (Intensity): Maßeinheit der Helligkeit, resultiert aus dem Durchschnitt der Farbwerte Zu viel Information: Umwandlung in Graustufenbild
  20. 20. 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
  21. 21. 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
  22. 22. 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
  23. 23. ? ?
  24. 24. 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.
  25. 25. 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. ?
  26. 26. 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
  27. 27. 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/
  28. 28. Wie lässt sich (algorithmisch) eine Aufhellung des Graustufenbildes vornehmen? Übung: Bildaufhellung?
  29. 29. Wie lässt sich (algorithmisch) eine Aufhellung des Graustufenbildes vornehmen? Übung: Bildaufhellung?
  30. 30. Algorithmus:  Betrachte jedes Pixel des Bildes  Für jedes dunkle Pixel: Vermindere den Grauwert  Für jedes helle Pixel: Erhöhe den Grauwert Kontrastverstärkung
  31. 31. 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?
  32. 32. 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?
  33. 33. 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).
  34. 34. Übung: Binarisierung
  35. 35. Filter
  36. 36. Filter: Betrachtung / Veränderung eines Pixels in Abhängigkeit seiner Nachbarpixel Achtung: Weil Originalpixel für das Ergebnis der Filterung relevant (und unabdingbar) ist: Nutzung eines Zwischenbildes als Ausgabe- oder Eingabepuffer. Filter
  37. 37.  Lineare Filter (LSI-Filter, linear shift-invariant filters): Jedes Pixel im Verarbeitungsfenster wird mit einem vordefinierten Wert aus einer Faltungs- bzw. Filtermatrix multipliziert.  Nichtlineare Filter: U.a. heuristische Ansätze Heuristik (vgl. Prechtl / Burkard): „Lehre bzw. Theorie der Verfahren zum Finden von Neuem und Problemlösen.“ Filter
  38. 38.  Berechnet einfachen arithmetischen Mittelwert der Pixelwerte in der Nachbarschaft unter der Filtermaske  Faltungsmatrix 𝑀 = 1 9 1 1 1 1 1 1 1 1 1  Pro / Contra:  Rauschen reduziert  Glättung / „Blurring“  Kanten verwischen Einfacher Mittelwertfilter Quelle: Handels 2009: Medizinische Bildverarbeitung.
  39. 39. Einfacher Mittelwertfilter: 3x3 Pixel „Hotspot“
  40. 40. Einfacher Mittelwertfilter – so schaut‘s aus
  41. 41. 𝑀 = 1 16 1 2 1 2 4 2 1 2 1
  42. 42. Algorithmus Medianfilter (Rangordnungsfilter):  Rangordnungsfilter betrachten die Nachbarschaftspixel jedes Pixels, speichern die gefundenen Farb- bzw. Graustufenwerte und sortieren die so gewonnenen Werte in aufsteigender Reihenfolge.  Aus einer 3x3 Pixelmatrix resultiert eine Liste, bestehend aus insgesamt neun Werten. Relevant für das Medianfilter ist das Element, das sich in der Mitte der sortierten Liste der Pixelwerte befindet.  Das Medianfilter selektiert den Pixelwert des fünften Listenelements und weist dem Pixel in der Mitte der Matrix den Median, d.h. den fünften Wert der Liste zu. Beispiel Nichtlinearer Filter: Medianfilter
  43. 43. Bildnachweis: http://de.wikipedia.org/w/index.php?title=Datei:Medianfilterp.png&filetimestamp=20070810172335
  44. 44. Bildnachweis: http://de.wikipedia.org/w/index.php?title=Datei:Cydonia_medianrp.jpg&filetimestamp=20050313005105
  45. 45. Übung Medianfilter
  46. 46. ? ? ?
  47. 47. 101, 29, 29, 98, 15, 30, 10, 10, 155 10,10,15,29,29,30,98,101,155  29 15 17
  48. 48. /

×