Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Von Anne Schmidt, Cathleen Scharfe, Denny Kuckei und Tino Mager.

Ähnliche Präsentationen


Präsentation zum Thema: "Von Anne Schmidt, Cathleen Scharfe, Denny Kuckei und Tino Mager."—  Präsentation transkript:

1 von Anne Schmidt, Cathleen Scharfe, Denny Kuckei und Tino Mager

2 1. Ergebnisse Entzerrung 2. Probleme nach Entzerrung Welche? Wodurch? Was tun? 3. Weißabgleich Wozu? Womit? Wie? Wann? 4. Aneinanderfügen 4.1 Ausrichten 4.2 Überblenden 5. Beispielserie 6. Quellen

3 Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Durch Fischaugen-Linse verzerrte AufnahmeAufnahme nach Entzerrung 3/35

4 Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Fisheye-Algorithmus entzerrt horizontal und vertikal Ergebnis: perspektivische Information geht verloren 4/35

5 Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Neuer Entzerrungsalgorithmus [1] nur horizontale Verzerrung korrigieren: Perspektive bleibt erhalten Vertikale Verzerrungen leider auch 5/35

6 Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Probleme, entzerrte Bilder aneinanderzufügen Überlappungen, da Field-of-View der Linse nicht genau 90°, sondern größer (97,4°) Durch Verzerrungen Probleme mit Kanten an Bildrändern 6/35

7 Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Probleme mit Kanten und Krümmungen an Bildrändern Phänomen in aufgenommenen Bildern 7/35

8 Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Entzerrungsalgorithmus = Mathematik! Verlangt absolute Genauigkeit Jedoch Fehler durch Ungenauigkeit Position/Ausrichtung der Linse Ungenauigkeit Position/Ausrichtung CCD Chip Ausrichtung des Roboter (unebener Untergrund) Angewandte Formeln können daher keine perfekten Ergebnisse liefern 8/35

9 Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Fehlerquellen ermitteln und Roboter lernen lassen, diese automatisch zu korrigieren über polynomiale Gleichungssysteme möglich, aber sehr aufwendig Ausrichtung der Bilder vor Aneinanderfügen notwendig Einzelbilder ineinander Überblenden, um Überlappungen zu beheben 9/35

10 Durch unterschiedliche Beleuchtungssituationen unterschiedliche Farbtemperatur der Bilder Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Linkes Teilbild kühlere Farbtemperatur als rechtes Teilbild 10/35

11 Abgleich der Farbtemperaturen notwendig: besserer visueller Eindruck kräftigere Kontraste bessere Detektion von Kanten o.Ä. einheitlicher Bildeindruck nach Aneinanderfügen Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Gleiche Farbtemperaturen in beiden Teilbildern 11/35

12 Weißabgleich in Roboterbildern einfach, da weißer Rand als Fläche mit Referenzweiß vorhanden in allen Bildern Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Cyan markierte Fläche für Referenzweiß 12/35

13 Ermitteln der Maximalwerte je Farbkanal im Referenzbereich liefert Rmax, Gmax, Bmax Werte für volles Weiß gegeben: Wr = Wg = Wb = 255 Berechnen der Korrekturfaktoren pro Farbkanal: Cr = Wr / Rmax Cg = Wg / Gmax Cb = Wb / Bmax Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen13/35

14 Farbkorrektur im Eingangsbild E mit Korrekturfaktor C zu Ausgabebild A: Ar = Cr * Er Ag = Cg * Eg Ab = Cb * Eb Alle Pixel des Eingangsbildes durchlaufen und Korrektur anwenden Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen14/35

15 Vor der Entzerrung sicher, dass dann im Referenzbereich auch wirklich weiße Fläche vorhanden ist Durch Entzerrung möglich dass Referenzweiß-Fläche aus Referenzbereich gezerrt wird Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Referenzfläche links im verzerrten und rechts im entzerrten Bild 15/35

16 Durch Überbelichtung viele Bildbereiche bereits weiß Korrektur bringt nichts Licht/Schatten in Teilbildern liefern kein einheitliches Ergebnis im Gesamtbild Überblenden der Teilbilder nötig Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Überbelichtung irreversibel 16/35

17 Ziele: Selektion und Zusammensetzung der Pixel, welche zum Ergebnisbild gehören Überblenden der Pixel mit Minimum an sichtbaren Übergängen, Unschärfe und Artefakten/Aliasing (Ghosting) Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen17/35

18 Nur einige Bilder sind zusammenzufügen Ein Bild ist Referenzbild & alle Anderen auf das Referenzkoordinatensystem abbilden Wenn größeres Sichtfeld (>90 Grad) jedes Pixel vom Ergebnisbild in 3D-Punkt konvertieren auf Grundlage der Projektionsmatrix zurück auf Ausgangsbild mappen Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen18/35

19 Ziel: Erstellen eines großen Bildes aus mehreren kleineren Einzelaufnahmen Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen19/35

20 Ermitteln des Überlappungsbereiches zweier Bilder per Hand, z.B. durch: Ausrechnen Abmessen Definieren Bereich im Programm statisch festlegen Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen20/35

21 Pixelbasierte Methoden Bilder relativ zueinander verschieben Größtmögliche Übereinstimmung der Pixel suchen Direkter Vergleich von Pixeln oder Pixelblöcken Methoden Error Metrics Hierarchical Motion Estimation Fourier-Based Alignment Incremental Refinement Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen21/35

22 Durch Verschieben Platzierung der Bilder ermitteln Jede Pixelkombination miteinander vergleichen Bei Farbbildern Vergleich der einzelnen Farbwerte oder der Bildhelligkeit Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen22/35

23 Beispiele: Robust Error Metrics Spatially Varying Weights Bias and Gain Korrelation Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen23/35

24 Erstellen einer Image Pyramide -> hierarchischer Vergleich von groben bis hin zu feinen Mustern/Blöcken Innerhalb eines Levels: Full Search Block mit geringster Abweichung: Initialwert für nächstdarunterliegendes Level Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen24/35

25 Vorteil: Viel schneller Nachteil Ineffektiv Signifikante Bilddetails können verloren gehen Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen25/35

26 Eigenschaftenbasierte Methoden Beiden Bildern markante Eigenschaften entnehmen Vergleichen Übereinstimmungen ermitteln -> geometrische Transformation der Bilder abschätzbar Methoden Keypoint Detectors Feature Matching Geometric Registration Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen26/35

27 Keypoint Detectors Feature Matching Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen27/35

28 Aufgabe Belichtungsunterschiede und Ausrichtungsunstimmigkeiten kompensieren ohne zu sehr an Schärfe zu verlieren Übergang soll nahezu unsichtbar werden Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen28/35

29 Laplace-Pyramiden-Überblendung sich anpassende Breite anhand Frequenz (verschiedene Level) Band-Pass Pyramide (Laplace) aus jedem Eingangsbild Interpolation und Zusammensetzen aller Level der Pyramide ergibt Ergebnisbild Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen29/35

30 Mittelwert Region of Difference Pyramiden-Überblendung Gewichtung (Feathering ) Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen30/35

31 Entzerrte Einzelbilder Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen31/35

32 Weißabgleich Einzelbilder Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen32/35

33 Ausrichten und Aneinanderfügen Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen33/35

34 Blenden Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen Guter ÜbergangProblem durch Aliasing 34/35

35 Weißabgleich: Digitale_bildgebende_Verfahren:_Digitale_Bilder# Wei.C3.9Fabgleich Aneinanderfügen Quellen verfügbar unter: [1] fisheye-images.pdf 35/35Generierung von Omni-Bildern – Weißabgleich & Aneinanderfügen


Herunterladen ppt "Von Anne Schmidt, Cathleen Scharfe, Denny Kuckei und Tino Mager."

Ähnliche Präsentationen


Google-Anzeigen