Computational Visual Perception - Cheatsheet

Grundlagen der digitalen Bilddarstellung

Definition:

Digitale Bilder werden durch diskrete Werte (Pixel) repräsentiert. Jeder Pixel enthält Farb- oder Helligkeitsinformationen und wird durch Koordinaten in einem Raster angeordnet.

Details:

• Pixeldarstellung: Raster von Bildpunkten
• Farbräume: RGB, CMYK, YUV
• Bittiefe: Anzahl der Bits pro Pixel (z.B. 8 Bit, 24 Bit)
• Bildauflösung: Anzahl der Pixel in Höhe und Breite (z.B. 1920x1080)
• Kompression: verlustbehaftet (JPEG) vs. verlustfrei (PNG)
• Bildformate: BMP, GIF, JPEG, PNG
• Filter und Transformationen: z.B. Fourier-Transformation
• Bildmetadaten: Informationen über das Bild (EXIF)

Bildvorverarbeitungsmethoden wie Filterung und Normalisierung

Definition:

Bildvorverarbeitungstechniken zur Verbesserung und Vorbereitung von Bildern für weitere Analysen.

Details:

• Filterung: Anwendung von Filtern zur Rauschreduzierung und Kantenerkennung.
• Beispiele: Tiefpassfilter, Hochpassfilter, Medianfilter.
• Normalisierung: Anpassung der Helligkeits- und Kontrastwerte, um Bilder zu standardisieren.
• Mathematisch: \(\frac{x - \text{min}(x)}{\text{max}(x) - \text{min}(x)}\) für Skalierung auf [0, 1].

Feature-Extraktion und -Selektion

Definition:

Prozess zur Identifikation und Auswahl relevanter Merkmale aus Bilddaten für maschinelle Lernmodelle.

Details:

• Feature-Extraktion: Umwandlung von Rohdaten in messbare Informationen.
• Techniken: SIFT, SURF, HOG, Farb- und Texturanalyse.
• Feature-Selektion: Auswahl der wichtigsten Merkmale zur Reduzierung der Modellkomplexität.
• Methoden: Filter (wie Chi-Quadrat), Wrapper (wie RFE), Embedded (wie Lasso).
• Ziel: Verbesserung der Modellleistung und Reduktion von Overfitting.

Verwendung von Klassifikatoren wie k-NN, SVM und neuronalen Netzen

Definition:

Verwendung von Klassifikatoren wie k-NN, SVM und neuronalen Netzen in der Vorlesung Computational Visual Perception ein zentraler Aspekt zur Lösung von Klassifikationsaufgaben.

Details:

• \textbf{k-NN (k-Nearest Neighbors)}: Einfache Methode zur Klassifikation basierend auf Ähnlichkeit ohne explizites Modell.
• \textit{Hauptidee}: Klassifiziere ein Beispiel basierend auf den Klassen der k nächsten Nachbarn im Merkmalsraum.
• \textit{Vor- und Nachteile}: Einfach zu implementieren, aber rechenaufwändig für große Datensätze.
• \textbf{SVM (Support Vector Machines)}: Findet die optimale Trennlinie (Hyperebene) im Merkmalsraum, die die Datenklassen trennt.
• \textit{Hauptidee}: Maximierung des Abstands (Margin) zwischen den nächsten Punkten beider Klassen.
• \textit{Kernel-Trick}: Transformation der Eingangsdaten in einen höherdimensionalen Raum zur besseren Trennung.
• \textbf{Neuronale Netze (NN)}: Modellieren komplexer nichtlinearer Beziehungen durch Schichten von Neuronen.
• \textit{Hauptidee}: Verwendung von gewichteten Verbindungen und Aktivierungsfunktionen zur Mustererkennung.
• \textit{Deep Learning}: Mehrere Schichten (Tiefenstrukturen) führen zu höherer Modellkapazität und flexiblerem Lernen.

Tiefenschätzung und 3D-Rekonstruktion

Definition:

Schätzung der Tiefe in einem Bild und Rekonstruktion einer dreidimensionalen Struktur aus zweidimensionalen Bilddaten.

Details:

• Methoden: Stereovision, Tiefenkameras, Struktur aus Bewegung (SfM).
• Grundformel für Tiefenschätzung: \[d = \frac{f \times B}{x_l - x_r}\]
• Kalibrierung von Kameras notwendig (intrinsische und extrinsische Parameter).
• Triangulation zur Berechnung der 3D-Punkte
• Fehlerquellen: Bildrauschen, unzureichende Textur, schlechte Kalibrierung.
• Anwendung: Robotik, autonome Fahrzeuge, AR/VR.

Mathematische Morphologie

Definition:

Mathematische Morphologie: Theorie zur Analyse und Verarbeitung geometrischer Strukturen in Bilddaten basierend auf Mengenoperationen.

Details:

• Grundoperationen: Dilatation, Erosion, Öffnung, Schließung
• Dilatation: \( A \oplus B = \bigcup_{b \in B} A_b \), erweitert Mengen um Struktur-Element.
• Erosion: \( A \ominus B = \{ z \in E | B_z \subseteq A \} \), verkleinert Mengen um Struktur-Element.
• Öffnung: \( A \circ B = (A \ominus B) \oplus B \), glättet Konturen, entfernt kleine Objekte.
• Schließung: \( A \bullet B = (A \oplus B) \ominus B \), glättet Konturen, füllt kleine Lücken.

Modellierung der menschlichen visuellen Wahrnehmung

Definition:

Modellierung der menschlichen visuellen Wahrnehmung in Computational Visual Perception beschäftigt sich mit der Nachbildung der Prozesse, die das menschliche Gehirn bei der Verarbeitung visueller Informationen durchläuft.

Details:

• Modelle basieren auf neurobiologischen Erkenntnissen
• Berücksichtigen neuronale und kognitive Prozesse
• Anwendung: Bildverarbeitung, maschinelles Sehen
• Verwendung von Algorithmen zur Simulation visueller Wahrnehmungsprozesse
• Zentrale Konzepte: Retina, visuelle Kortexverarbeitung, Tiefenwahrnehmung
• Mathematische Modellierung: z.B. Convolutional Neural Networks (CNNs), Fourier-Transformationen
• Performance Metriken: Genauigkeit, Konsistenz mit menschlicher Wahrnehmung

Sensoren und ihre Charakteristika

Definition:

Sensoren wandeln physikalische Größen in elektrische Signale um.

Details:

• Beispiel für physikalische Größen: Licht, Temperatur, Druck
• Wichtige Charakteristika: Sensitivität, Genauigkeit, Auflösung, Dynamikbereich
• Sensitivität: Änderung des Sensorsignals pro Änderung der Messgröße \( \frac{ \triangle y }{ \triangle x } \)
• Genauigkeit: Abweichung des Messwertes vom tatsächlichen Wert
• Auflösung: Kleinste messbare Änderung der Messgröße
• Dynamikbereich: Bereich der Messwerte, innerhalb dessen der Sensor genau arbeitet