IN 2023 BV I

Karteikarten und Zusammenfassungen für IN 2023 BV I an der TU München

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs IN 2023 BV I an der TU München.

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

Sie machen mit Ihrer Kamera eine Aufnahme eines Hubschraubers, bei dem sich der Rotor dreht und erhalten das rechts zu sehende Bild. Welche Art von Sensor verwendet Ihre Kamera? Was verursacht die Artefakte?

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

Welches Qualitätsmerkmal kann verbessert werden, indem die Blendenöffnunf des Obejktivs verkleinert wird?

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

Beschreiben Sie die Schritte die zur robusten Kontrastnormalisierung eines Bildes durchgeführt werden.

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

16) Bohrloch in Klammern, Durchmesser bestimmen.

a) Welche Belichtung, Kameraposition, etc. soll genutzt werden und warum?

b) Verfahren zur Bestimmung des Bohrlochs


c) Messen des Durchmessers (auf Korrektheit)
Bei

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

15) Limodeckel „limit“ mit Tamponverfahren. Deckel kann rotieren, kleine Variationen erlaubt.

a) Positions- und Rotationbestimmung

b) Fehlerbestimmung, auch wie welche Art von Fehlern bestimmbar?

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

14) Wie können innere Kanten in einer Region mithilfe der 8er-Nachbarschaft ermittelt werden?

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

13) Wie kann die Genauigkeit der Kantenextraktion im Bezug auf Sensor und framegrabber verbessert werden?

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

Wie kann die Präzision bei Bildaufnahmen und beim Canny Filter verbessert werden?

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

11) Erkläre Präzision und Genauigkeit bei Kantenextraktionen.

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

10) Erkläre die Verfahren Binärbild und Lauflängenkodierung

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

9) Wann ist ein linearer Filter separierbar? Was hat das für Vorteile?

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

8) Wie kann man die Standardabweichung vom Rauschen herausfinden?

Kommilitonen im Kurs IN 2023 BV I an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für IN 2023 BV I an der TU München auf StudySmarter:

IN 2023 BV I

Sie machen mit Ihrer Kamera eine Aufnahme eines Hubschraubers, bei dem sich der Rotor dreht und erhalten das rechts zu sehende Bild. Welche Art von Sensor verwendet Ihre Kamera? Was verursacht die Artefakte?

CMOS-Sensor mit Rolling Shutter

Das sequenzielle Auslesen einzelner Bildzeilen -> Sensor mit global Shutter verwenden

IN 2023 BV I

Welches Qualitätsmerkmal kann verbessert werden, indem die Blendenöffnunf des Obejktivs verkleinert wird?

Schärfentiefe

IN 2023 BV I

Beschreiben Sie die Schritte die zur robusten Kontrastnormalisierung eines Bildes durchgeführt werden.

Problem:  Oft gibt es einige, wenige Pixel,
die sehr hell oder sehr dunkel sind, z.B. Glanzlichter oder Schatten.

Lösung: Berechnung des Histogramms der Grauwerte, d.h. der
relativen Häufigkeit ( Wahrscheinlichkeit) der im Bild
vorkommenden Grauwerte und des kumulativen Histogramms
( Dichte)

gmin und g max werden bestimmt, indem die untersten und obersten % der Grauwerte (quantil) ignoriert werden häufig pl = 5 und pu = 10

IN 2023 BV I

16) Bohrloch in Klammern, Durchmesser bestimmen.

a) Welche Belichtung, Kameraposition, etc. soll genutzt werden und warum?

b) Verfahren zur Bestimmung des Bohrlochs


c) Messen des Durchmessers (auf Korrektheit)
Bei

Loch = Silhouette & hohe Genauigkeit → gerichtete Hellfeld-Durchlichtbeleuchtung mit telezentrischem Objektiv & Beleuchtung Kostengünstig: diffus statt gerichtet → billiger

b) Verfahren zur Bestimmung des Bohrlochs
– Subpixelgenaue Kantenextraktion, z.B. mittels Canny-Filter oder Sobel-Operation – Anpassung von Kreisbögen: Robuste Varianten

c) Messen des Durchmessers (auf Korrektheit) durch Gewichtung der Abstände

Bei Anpassung von Kreisbögen hast du automatisch radius und Mittelpunkt aus der Mininimierung von Epsilon zur verfügung: Epsilon^2 < Varianz damit Anpassung Korrekt ist.

IN 2023 BV I

15) Limodeckel „limit“ mit Tamponverfahren. Deckel kann rotieren, kleine Variationen erlaubt.

a) Positions- und Rotationbestimmung

b) Fehlerbestimmung, auch wie welche Art von Fehlern bestimmbar?

a) Positions- und Rotationbestimmung
Mithilfe der Berechnung der Momente einer Region – Position = erste normalisierte Momente (Schwerpunkt) – Rotation = zweiten zentralen Momente bestimmen Richtung der Region (Hauptträgheitsachsen)

b) Fehlerbestimmung, auch wie welche Art von Fehlern bestimmbar?
Bestimmung über Dynamische Schwellwertoperation mit lokaler Schwelle aus Referenzbilder → Berechnung des Mittelwertes und der Standardabweichung der Pixel der n Trainingsbilder → Die Tampons können sich relativ zueinander und relativ zum Hintergrund verschieben

IN 2023 BV I

14) Wie können innere Kanten in einer Region mithilfe der 8er-Nachbarschaft ermittelt werden?

Kann näherungsweise mit Erosion und Dilatation berechnet werden:
• Innerer Rand: Erosion: 𝜕𝑅 = 𝑅 ( 𝑅 ⊖ 𝑆 )
• Äußerer Rand: Dilatation: 𝜕𝑅= ( 𝑅 ⨁ 𝑆)𝑅
• Als S: Element 4er/8er Nachbarschaft

IN 2023 BV I

13) Wie kann die Genauigkeit der Kantenextraktion im Bezug auf Sensor und framegrabber verbessert werden?

Das Antwortverhalten des Systems Kamera+Framegrabber muss linear sein → Kamera darf keine Gamma-Korrektur machen
– Sensor: Hoher Füllfaktor im Sensor → vermeidet „blinde Flecken“ und damit einhergehende Ungenauigkeit

IN 2023 BV I

Wie kann die Präzision bei Bildaufnahmen und beim Canny Filter verbessert werden?

– Vermeidung von Line-Jitter durch synch von Pixel-Clock in Kamera & Framegrabber – Gamma-Korrektur um Nicht-linearität der Grauwertantwort auszugleichen – Canny: Rauschunterdrückung durch Bildglättung Canny & Genauigkeit: subpixelgenaue Extraktion

IN 2023 BV I

11) Erkläre Präzision und Genauigkeit bei Kantenextraktionen.

– Genauigkeit: Wie nahe liegt die extrahierte Kante an der wahren Kantenposition?
– Präzision: Wie sehr streut die Kantenposition um ihren Mittelwert?
12)

IN 2023 BV I

10) Erkläre die Verfahren Binärbild und Lauflängenkodierung

Binärbild: Bitmap = digitale Rastergrafik, deren Pixel nur die zwei Farben Schwarz und Weiß annehmen können. Jedes Pixel kann also mit einem Bit gespeichert werden.
Charakteristische Funktion:
Lauflängenkodierung: Region zeilenweise & Anfang/Ende von Sehnen sortiert abspeichern →Besser als Binärbild

IN 2023 BV I

9) Wann ist ein linearer Filter separierbar? Was hat das für Vorteile?

Linearer Filter: Berechnung durch Faltung
Linearer filter h ist separierbar, falls ℎ(𝑟,𝑐)= 𝑠(𝑟)𝑡(𝑐) r = row, c=column
Vorteil: wesentlich effizientere Implementierung der Faltung möglich: → Komplexität: 𝑂(𝑛𝑘2) statt 𝑂(𝑛2𝑘2) (k = Bildgröße, n=Maskengröße)
ABER: Nicht jeder lineare Filter kann separiert werden

IN 2023 BV I

8) Wie kann man die Standardabweichung vom Rauschen herausfinden?

Aufnahme von mehreren Bildern und Mittelung aller Aufnahmen: Mittelung über Zeit oder Ort→ Standardabweichung berechnen

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für IN 2023 BV I an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Robotics; Cognition; Intelligence an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

IN2222 CogSys

Management von Geschäftsstrategien

Humanoid Cognitive Reasoning

Computer Vision III: Detection, Tracking, Segmentation

Bildverstehen II

Methoden der Produktentwicklung

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für IN 2023 BV I an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback