Computer vision - Cheatsheet

Rauschunterdrückung und Bildglättung

Definition:

Rauschunterdrückung: Reduzierung von Bildrauschen. Bildglättung: Verringerung von Unregelmäßigkeiten in Bildern.

Details:

• Rauschunterdrückung: Anwendung von Filtertechniken zur Verringerung von zufälligem Bildrauschen
• Gängige Filter: Medianfilter, Gauß-Filter
• Bildglättung: Verwendung von Methoden zur Reduktion von hoher Frequenzkomponenten
• Wichtige Methoden: Low-pass Filter
• Mathematische Grundlagen: Faltungstheorie, Fourier-Transformation
• Gauß-Filter: \[\text{G}(x,y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2 + y^2}{2\sigma^2}}\]
• Medianfilter: Ersatz eines jeden Pixels durch den Median der Nachbarschaft

Kantendetektionen (wie Canny und Sobel)

Definition:

Erkennung und Hervorhebung von Kanten in Bildern.

Details:

• Sobel: Berechnet Gradienten in horizontaler und vertikaler Richtung
• Verwendet Sobel-Operatoren: \[ G_x = \begin{bmatrix} -1 & 0 & 1 \ -2 & 0 & 2 \ -1 & 0 & 1 \end{bmatrix}, G_y = \begin{bmatrix} -1 & -2 & -1 \ 0 & 0 & 0 \ 1 & 2 & 1 \end{bmatrix} \]
• Canny: Mehrstufiger Algorithmus (1. Glättung, 2. Gradientenberechnung, 3. Non-Maximum-Suppression, 4. Doppel-Schwellenwert)
• Enthält die Schritte: Rauschentfernung mit Gaussian-Filter, Sobel-Berechnung, dünne Kanten hervorheben, Schwellenwertmethode zur Kantensegmentierung

SIFT und SURF Merkmale für Merkmalsextraktion

Definition:

SIFT und SURF sind Algorithmen zur Merkmalsextraktion in der Bildverarbeitung.

Details:

• SIFT: Skaleninvariante Merkmals-Transformation
• Detektion von Schlüsselpunkten (keypoints)
• Berechnung von Deskriptoren: Histograms of Gradient Orientations
• Invariant gegen Skalierung und Rotation
• SURF: Speeded-Up Robust Features
• Schneller als SIFT
• Verwendet Hessian-Matrix zur Schlüsselpunktdetektion
• Berechnung des Deskriptors mittels Haar-Wavelets
• Invarianz gegen Skalierung und Rotation

Convolutional Neural Networks (CNNs) zur Objekterkennung

Definition:

Convolutional Neural Networks (CNNs) sind eine spezielle Klasse von künstlichen neuronalen Netzen, die besonders gut für die Verarbeitung von Bilddaten geeignet sind. Sie werden häufig zur Objekterkennung verwendet.

Details:

• Kernkomponenten: Faltungs- und Pooling-Schichten
• Faltungsschicht (Conv Layer): Anwenden von Filtern/Kernels, um Merkmale zu extrahieren
• Pooling-Schicht (meist Max-Pooling): Reduzierung der dimensionalen Daten, Erhöhung der Rechenleistungseffizienz
• Aktivierungsfunktion: ReLU (Rectified Linear Unit), um Nicht-Linearitäten einzuführen
• Architektur: Typische architekturen wie LeNet, AlexNet, VGG, ResNet
• Backpropagation: Gewichtsaktualisierung durch Fehlerausbreitung
• Verlustfunktion: Meist Cross-Entropy-Loss bei Klassifizierungsproblemen
• Mathematische Notationen: \textit{Faltung} als diskrete Kreuzkorrelation: \[ (I*K)(x, y) = \sum_{u} \sum_{v} I(u, v) K(x-u, y-v) \] \textit{Pooling-Funktion}: \[ P_{max}(i, j) = \max_{m, n \in R(i, j)} I(m, n) \]

Super-Resolution-Algorithmen in der Bildrekonstruktion

Definition:

Verfahren zur Verbesserung der räumlichen Auflösung von Bildern durch Einsatz verschiedener mathematischer und algorithmischer Techniken.

Details:

• Ziel: Verbesserung der Bildqualität und Detailgenauigkeit
• Methoden:
  • Interpolationstechniken (bicubic, bilinear)
  • Modellbasierte Ansätze (Sparse Coding, Markov Random Fields)
  • Tiefes Lernen (CNN, GAN)
• Beispiele: Single Image Super-Resolution (SISR), Multi-Frame Super-Resolution (MFSR)
• Metriken: Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM)
• Anwendungen: Medizinische Bildgebung, Satellitenbilder, Überwachungskameras, Fotografie

Unüberwachtes Lernen in der Computer Vision

Definition:

Unüberwachtes Lernen: keine gelabelten Daten; Algorithmen entdecken Muster/Strukturen.

Details:

• Clustering: Datenpunkte in Gruppen einteilen (z.B. k-means)
• Dimensionalitätsreduktion: Daten visualisieren/vereinfachen (z.B. PCA)
• Feature Learning: Extraktion relevanter Merkmale (z.B. Autoencoder)
• Wichtige Algorithmen: GANs, Variational Autoencoders

Transfer Learning für spezialisierte Aufgaben

Definition:

Transfer Learning bezieht sich auf das Wiederverwenden eines vortrainierten Modells für eine neue, verwandte Aufgabe. Spart Trainingszeit, besonders nützlich bei begrenzten Daten.

Details:

• Modell auf großer, verwandter Datensatz vortrainieren
• Feintuning auf spezieller Aufgabe mit spezifischen Daten
• Netzwerkstruktur oft teilweise eingefroren
• Verringert Overfitting durch Nutzung vorhandener Features
• Wichtige Methode in Computer Vision: CNNs und ResNet
• Erhöht Modellgenauigkeit und -effizienz

Anwendungen von Computer Vision in selbstfahrenden Autos

Definition:

Verwendung von Computer-Vision-Algorithmen und -Techniken zur Wahrnehmung, Analyse und Interpretation der Umgebung von autonomen Fahrzeugen.

Details:

• Objekterkennung: Identifizierung und Klassifizierung von Fußgängern, Fahrzeugen, Verkehrsschildern und Fahrbahnmarkierungen.
• SLAM (Simultaneous Localization and Mapping): Echtzeit-Bestimmung der Fahrzeugposition und Kartenerstellung der Umgebung.
• Spurerkennung: Erkennung und Verfolgung von Fahrspuren zur Fahrbahnhaltung.
• Tiefenwahrnehmung: Verwendung von Stereo-Kameras oder LIDAR zur Ermittlung von Distanzen zu Objekten.
• Optischer Fluss: Bestimmung der Bewegungsrichtung und -geschwindigkeit von Objekten.