Pattern Recognition and
Image Processing Group
Institute of Visual Computing and Human-Centered Technology
PRIP
TU Wien Informatics

186.841 UE Einführung in die Digitale Bildverarbeitung (EDBV) - Projekte WS 2020/2021

Hall of Fame - Best of WS 2020/2021

Analyse und Visualisierung des Naturflächenanteils eines Großstadtgebietes

Team: Dimitrova Ralitsa, Gan Linda, Radojevic Sofija, Weilgony Barbara, Widmann Ilja

Ziel unseres Projektes ist es, anhand eines Satellitenbildes den Anteil an Grünflächen dieses Stadtteils zu bestimmen und visuell hervorzuheben.

  1. Gauß-Pyramide: Um Rechenzeit zu sparen soll auf einem Bild kleiner Skalierung gearbeitet werden. Der Gauß-Kernel wird insoweit angepasst, dass Grünflächen eine höhere Gewichtung zukommt.
    Eingabe: RGB Bild großer Skalierung.
    Ausgabe: RGB Bild in kleiner Skalierung.
  2. Otsu Thresholdfunktion auf dem Grünkanal um mögliche Grünflächen von anderen Flächen zu separieren.
    Eingabe: RGB Bild kleiner Skalierung.
    Ausgabe: Binärbild.
  3. Opening um die Größeneinschränkung der Grünflächen zu realisieren. Grünflächen kleiner des maßstabsabhängigen Strukturelements werden herausgefiltert.
  4. Connected Component Labeling zur Identifikation und Markierung (Labeling) der einzelnen Grünflächen.
    Eingabe: Binärbild.
    Ausgabe: Grünflächenmaske.
  5. Hochskalierung des Bildes mit Markierung mittels der Gaußpyramide
    Eingabe: Bild mit Markierung kleiner Skalierung.
    Ausgabe: Bild mit Markierung großer Skalierung.
  6. Visualisierung mit Hilfe der Grünflächenmaske.
  7. Anteilbestimmung der als Grünfläche gelabelten Pixel zu der Gesamtpixelanzahl.

Ergebnisse:

Ergebnisse der Visualisierung des Naturflächenanteil, Schloss Schönbrunn.
Ergebnisse der Visualisierung des Naturflächenanteil.
Poster der Gruppe

Erkennung und Unterscheidung von geöffneten bzw. geschlossenen Flaschen

Team: Kianek Thomas, Lenz Philipp, Hofstätter Daniel, Fahringer Jakob, Briem Lukas

Ziel ist es, Glasflaschen und Aluminiumdosen auf einem Bild zu zählen und erkennen, ob diese geöffnet oder noch geschlossen sind.

  1. Skalierung des Eingabebildes um einheitliche Pixelwerte zu erreichen.
  2. Bildaufhellung (bei sehr dunklen Bildern).
  3. Graustufenbild erzeugen und Kanten erkennen (Sobel).
  4. Kreiserkennung mittels Hough-Transformation.
  5. Eliminieren von doppelten Kreisen.
  6. Lokalen Ausschnitt für jeden Kreis auswählen.
  7. Binärbild pro Ausschnit erstellen.
  8. Ausgabe.

Ergebnisse:

Ergebnisse des Offen/Geschlossen-Algorithmus.
Ergebnisse des Offen/Geschlossen-Algorithmus.
Poster der Gruppe

Alle Projekte des WS 2020/2021

Wahlzettel-Erkennung (Binder Richard, Hinkel Markus, Huber Michael, Wiedhalm Marie-Therese)

Unser Programm soll auf Basis eines Fotos eines Wahlzettels von der Wien-Wahl 2020 feststellen, für welche Partei eine Stimme abgegeben wurde oder ob der Stimmzettel ungültig ist.

  1. Preprocessing
  2. Transformation
  3. Kreiserkennung
  4. Kreuzerkennung
  5. Ausgabe
Beispiel für die Wahlzettel-Erkennung.
Beispiel für die Wahlzettel-Erkennung.
Poster der Gruppe
RecreaText (Schallhart Alexander, Hammer Constantin, Karajica Martina, Eickmeyer Michael, Buchberger Silke)

Das Programm soll einen handgeschriebenen Text eines Eingabe-Textbilds aus segementierten Objekten eines Eingabe-Objektbilds rekonstruieren.

Objekt-Bild:
  1. Preprocessing
  2. Umwandlung in Binärbild
  3. Region Growing
  4. Segmentierte Objekte ausschneiden
  5. Krümmung berechnen
Text-Bild:
  1. Umwandlung in Binärbild
  2. Skeletonization & Entfernung der Branchpoints
  3. Krümmung berechnen (und wenn nötig zu stark gekrümmte Kurven aufteilen)
Kombination:
  1. Krümmungswerte vergleichen
  2. Objekte rotieren und skalieren
  3. Objekte an die Zielposition im Ausgabebild translieren
Beispiel für RecreaText.
Beispiel für RecreaText.
Poster der Gruppe
Euronotenerkennung (Natter Georg, Hofbauer Simon, Decker Jakob, Cui Yizhou, Steiner Florian)

Das Ziel des Projektes ist es, automatisiert den Wert von verschiedenen Euro-Geldscheinen zu erkennen und die Werte der erkannten Scheine auszugeben.

  1. Gaußfilter
  2. Umwandlung RGB-Bild zu Graustufen-Bild
  3. Threshold nach Otsu + Füllen von Löchern
  4. Kantenfilter (Sobel)
  5. Eckpunkt-Erkennung
  6. Extrahierung einzelner Scheine
  7. Geometrische Transformation (Rotation)
  8. Connected Component Labeling
  9. Template Matching
Datenbeispiel für die Euronotenerkennung.
Beispiel für die Euronotenerkennung.
Poster der Gruppe
Quality Measurement for Pyramid Based Compression Algorithms (Raidl Tobias, Hengsberger Florian, Fortin Marcel, Pogrzebacz Viktor, Henriksson Anna)

Unser Ziel ist es, herauszufinden, welcher Kompressionsalgorithmus für ein gewisses Bild am geeignetesten ist. Dies wird durch eine Anzahl von Bildähnlichkeits-Metriken festgestellt.

  1. Kompression durch Bildpyramiden und JPEG-Algorithmus
  2. Vergleich der komprimierten Bilder und der Originale (MSE, PSNR, SSIM, FSIM, FSIMc, HDR-VDP und Histogramm-Vergleich)
  3. Kombinierte Metrik generieren
  4. Ausgabe
Beispiel für die Qualitätsmessung.
Beispiel für die Qualitätsmessung.
Poster der Gruppe
Mindestabstandsmessung (Olar Gabriela Anamaria, Wagner Florian, Spörker Paul, Kügler Tamara, Paterno Gregor)

Das Programm soll einen handgeschriebenen Text eines Eingabe-Textbilds aus segementierten Objekten eines Eingabe-Objektbilds rekonstruieren.

  1. Zuschneiden von Bildern
  2. Maske für Hautbilder berechnen
  3. Integralbilder berechnen
  4. Bildnormalisierung
  5. Haar-Like Features finden
  6. Potentielle Gesichter klassifizieren
  7. Augenpaare mittels Heuristiken ausfindig machen
  8. Labelbereinigung mittels Clustering und Heuristiken
  9. Lokalisierung des Mundes/MNS
  10. Ausgabe der Statistik
Beispiel für die Mindestabstandmessung.
Beispiel für die Mindestabstandmessung.
Poster der Gruppe
Analyse und Visualisierung des Naturflächenanteils eines Großstadtgebietes (Dimitrova Ralitsa, Gan Linda, Radojevic Sofija, Weilgony Barbara, Widmann Ilja)

Ziel unseres Projektes ist es, anhand eines Satellitenbildes den Anteil an Grünflächen dieses Stadtteils zu bestimmen und visuell hervorzuheben.

  1. Gauß-Pyramide
  2. Otsu Thresholdfunktion
  3. Opening
  4. Connected Component Labeling
  5. Hochskalierung des Bildes mit Markierung mittels der Gaußpyramide
  6. Visualisierung mit Hilfe der Grünflächenmaske.
  7. Anteilbestimmung der als Grünfläche gelabelten Pixel zu der Gesamtpixelanzahl.
Beispiel für die Visualisierung des Naturflächenanteil, Schloss Schönbrunn.
Beispiel für die Visualisierung des Naturflächenanteil.
Poster der Gruppe
Erkennung von Fahrzeugherstellern (Delen Lucio, Baur Kevin, Lautschacher Manuel, Zoechling Vincent, König Jan)

Auf Grundlage einer Videosequenz sollen die Hersteller jener Fahrzeuge erfasst werden, welche im Eingabe-Video zu sehen sind.

  1. Videoumwandlung
  2. Optical Flow
  3. Bildauswahl mittels Blobanalyse
  4. Preprocessing
  5. Logoposition erkennen
  6. Template Matching
Beispiel für die Erkennung von Fahrzeugherstellern.
Beispiel für die Erkennung von Fahrzeugherstellern.
Poster der Gruppe
Mittelfinger-Erkennung (Weber Benedikt, Mußner Maria, Meyer Christoph, Yurechko Maksym, Azizovic Enisa)

Das Programm soll einen handgeschriebenen Text eines Eingabe-Textbilds aus segementierten Objekten eines Eingabe-Objektbilds rekonstruieren.

  1. Analyse der Handfarbe
  2. Region Growing
  3. Morphologische Operationen
  4. Erkennung der Geste
  5. Glättungsfilter
Beispiel für die Mittelfinger-Erkennung.
Beispiel für die Mittelfinger-Erkennung.
Poster der Gruppe
Whose Shoe? (Antes Sebastian, Arab Linda, Irger Alexandra, Rippl Andreas, Tüchler Christina)

Unser Programm nimmt das Foto eines rechten Schuhabdruckes und mehrere Bilder von Schuhsohlen als Input. Anschließend sucht es automatisiert nach dem besten Match zwischen Abdruck und Sohle und gibt dieses aus.

  1. Objekterkennung mittels Segmentierung
  2. Morphologische Operationen
  3. Feature Detection
  4. Rotation, Skalierung und Ausschnitt
  5. Bildglättung und Kantendetektion
  6. Ähnlichkeitsbestimmung
Beispiel für den Whose Shoe-Algorithmus.
Beispiel für den Whose Shoe-Algorithmus.
Poster der Gruppe
Circuit Tool (Gierlachowski Maximilian, Haller Nicolas, Holzer René, Obermann Fabian, Piegler Keving)

Das Ziel ist eine automatisierte Erkennung und Digitalisierung einer elektrischen Schaltung auf einem Steckbrett zu verwirklichen.

  1. Preprocessing
  2. Morphologische Operationen
  3. Rotation
  4. Leitungen erkennen (Blob Detection)
  5. Lochentfernung (Blob Detection)
  6. Histogrammvergleich & Template Matching
  7. Morphologische Operationen
Beispiel für die Steckbrett-Erkennung.
Beispiel für das Circuit Tool.
Poster der Gruppe
Dartspiel-Auswertung (Bointner Markus, Bubich Wolfgang Helmut, Hörmann Leonhard Martin, Leeb Philipp, Scheffknecht Samuel)

Das fertige Programm soll ein Foto von einer Dartscheibe mit geworfenen Darts als Input aufnehmen und die erzielte Punktzahl der Darts als Output liefern.

  1. Gauss-Filter
  2. RGB zu HSV umwandlung
  3. Morphologische Operationen
  4. Connected Component Labeling
  5. Ausgabe
Beispiel für die Dartspiel-Auswertung.
Beispiel für die Dartspiel-Auswertung
Poster der Gruppe
WandFlächenErkennung (Pardatscher Michael, Cobzaru Luca Marius, Schmalzer David, Kern Patrick, Baumgartner Fabian)

Das Ziel des Projekts ist das Erkennen und Vermessen der Fläche einer Wand anhand eines Fotos. Damit lediglich die Wand erkannt wird, welche tatsächlich vermessen werden soll, befindet sich auf dieser als Hilfsmittel ein einfaches Referenzobjekt, konkret ein A4 Blatt mit einem aufgedrucktem schwarzen Rechteck und dem Schriftzug "EDBV".

  1. Connected Component Labeling
  2. Preprocessing
  3. Kantenerkennung & Morphologische Operationen
  4. Connected Component Labeling
Beispiel für die Wandflächenerkennung.
Beispiel für die Wandflächenerkennung.
Poster der Gruppe
Billarderkennung (Peura Niklas, Tsvetkov Tsvetan, Gerdenich Martin, Pramstaller Jakob, Lorenz Fabian)

Das Ziel ist es, aus einem Bild eines Billardtisches aus der Vogelperspektive, die Ränder und Taschen des Tisches, sowie die Kugeln darauf zu erkennen, um dann den leichtesten Schuss für jeweils die vollen und halben Kugeln zu berechnen.

  1. Kantenerkennung
  2. Lineare Hough-Transformation
  3. Kreiserkennung (Hough)
  4. Farbfilter
Beispiel für die Billarderkennung.
Beipsiel für die Billarderkennung.
Poster der Gruppe
Halt Stop, ist Ihr TÜV-Pickerl gültig? (Bauer Moritz, Bernhart Costin, Feldmann Stefanie, Gerstenmayer Sonja, Steinmann Johannes)

Unser Vorhaben mit diesem Projekt ist es, ein Programm zur Erkennung von TÜV-Pickerln und der Ausgabe des jeweiligen Ablaufdatums zu erstellen.

  1. Feauture Detection (SURF)
  2. Feature Matching
  3. Geometrische Transformation
  4. Template Matching
  5. Morphologische Operationen
Beispiel für die TÜV-Pickerl Algorithmus.
Beispiel für den TÜV-Pickerl Algorithmus.
Poster der Gruppe
Wahlplakatklassifizierung (Gantner Myriam, Kalin Lena Marie, Turner Sonja, Seidl Marvin, Brunner Sebastian)

Das Ziel ist es auf einem Foto ein Wahlplakat zu erkennen und den jeweiligen werbenden Parteien zuzuweisen.

  1. Kantenfilter
  2. Rangordnungsfilter
  3. Hough-Transformation
  4. Flächen-Erkennung
  5. Geometrische Transformation
  6. Template Matching
Datenbeispiel für die Wahlplakatklassifizierung.
Beispiel für die Wahlplakatklassifizierung.
Poster der Gruppe
Dokumenten-Rekonstruktion (Mokrova Alina, Petersen Viktoria, Weninger Helene, Zezulka Matthias)

Das Ziel dieses Projekts ist, aus Rissstücken eines zerstörten Dokuments das vollständige Originaldokument wiederherzustellen.

  1. Connected Component Labeling
  2. Morphologische Operationen
  3. Hough-Transformation
  4. Distanz-Transformation
  5. Randstücke zusammensetzen
  6. Projektion und Analyse
  7. Einfügen der Innenteile mittels Faltung
  8. Gegebenenfalls nicht einsetzbare Randstücke mittels Projektion und Faltung einsetzen
Beispiel für die Dokumenten-Rekonstruktion.
Beispiel für die Dokumenten-Rekonstruktion.
Poster der Gruppe
Jigsaw-Solver (Rahman Benedikt Shakil, Pillwax Wolfgang, Kraus Cornelia, Schmid Maximilian, Szabo Patrik)

Das Ziel des Projekts war, ein Tool zu entwickeln, welches das Puzzlen vereinfacht. Mithilfe verschiedener Computer Vision Methoden werden Teilmengen von fotografierten Puzzleteilen analysiert, normiert und letztendlich zusammengelegt, wobei dieser Prozess von einer Step-by-Step Anleitung innerhalb eines grafischen Interfaces begleitet wird.

  1. Preprocessing
  2. Connected Component Labeling
  3. Hough-Transformation
  4. Farbraumumwandlung & Histogrammvergleich
  5. Konvexe Hülle
Beispiel für den Jigsaw-Solver-Algorithmus.
Beispiel für den Jigsaw-Solver-Algorithmus.
Poster der Gruppe
Erkennung und Unterscheidung von geöffneten bzw. geschlossenen Flaschen (Kianek Thomas, Lenz Philipp, Hofstätter Daniel, Fahringer Jakob, Briem Lukas)

Ziel ist es, Glasflaschen und Aluminiumdosen auf einem Bild zu zählen und erkennen, ob diese geöffnet oder noch geschlossen sind.

  1. Skalierung
  2. Bildaufhellung
  3. Graustufenbild erzeugen & Kantenerkennung
  4. Kreiserkennung (Hough-Transformation).
  5. Lokalen Ausschnitt für jeden Kreis auswählen.
  6. Binärbild pro Ausschnit erstellen.
  7. Ausgabe.
Beispiel des Offen/Geschlossen-Algorithmus.
Beispiel des Offen/Geschlossen-Algorithmus.
Poster der Gruppe
Note-O-Programm (Kofler Michael, Pluciennik Raphael, Übermaßer Paul, Stolz Florian, Komon Patrick Michael)

Ziel des Projektes ist das Einlesen eines Notenblattes und die Darstellung der zu betätigenden Tasten auf einem abfotografierten Klavier.

  1. Binärbild erstellen
  2. Feature-Erkennung (SURF)
  3. Hough-Transformation
  4. Template Matching
Beispiel des Note-O-Algorithmus.
Beispiel des Note-O-Algorithmus.
Poster der Gruppe
Mask Control (Zhelyazkov Georgi, Djoric Milan, Herczeg Daniel, Lutz Philipp, Schmitt Adrian)

Unser Projekt soll erkennen ob ein Mund-Nasen-Schutzmaske (MNS Maske) korrekt angelegt ist, wobei wir besonderen Wert darauf legen wollen, dass die Maske sowohl den Mund einer Person, als auch die Nase vollständig bedeckt. Das System soll mit Situationen umgehen können, in denen die Maske komplett fehlt oder ganz falsch angelegt ist.

  1. Umwandlung in Graustufenbild
  2. Verarbeitung mittels drei Pfaden:
    1. Histogram of Gradients & Training einer Support Vector Machine.
    2. Viola-Jones-Algorithmus.
    3. Local Binary Pattern.
  3. Ausgabe
Ergebnisse des Mask Control Algorithmus.
Ergebnisse des Mask Control Algorithmus.
Poster der Gruppe
Contact: Mail: webmaster(at)prip.tuwien.ac.at | Tel: +43.1.58801.193301 | Fax : no longer available
2014-2020 PRIP, Impressum / Datenschutzerklärung
This page is maintained by Webmaster ( webmaster(at)prip.tuwien.ac.at ) and was last modified on 27. February 2021 08:04