Geschwindigkeitsmomente: Die Dynamik erfassen: Einblicke in Computer Vision
Von Fouad Sabry
()
Über dieses E-Book
Was sind Geschwindigkeitsmomente
Im Bereich des Computersehens sind Geschwindigkeitsmomente gewichtete Durchschnittswerte der Intensitäten von Pixeln in einer Bildsequenz, ähnlich wie Bildmomente, jedoch in Zusätzlich zur Beschreibung der Form eines Objekts beschreiben Sie auch seine Bewegung durch die Bildfolge. Geschwindigkeitsmomente können zur automatisierten Identifizierung einer Form in einem Bild verwendet werden, wenn Informationen über die Bewegung für deren Beschreibung von Bedeutung sind. Derzeit gibt es zwei etablierte Versionen von Geschwindigkeitsmomenten: kartesisch und Zernike.
Wie Sie profitieren
(I) Einblicke und Validierungen zu den folgenden Themen :
Kapitel 1: Geschwindigkeitsmomente
Kapitel 2: Navier-Stokes-Gleichungen
Kapitel 3: Mittlerer quadratischer Fehler
Kapitel 4: Starrer Rotor
Kapitel 5: Richtungsstatistik
Kapitel 6: Kreisförmige Verteilung
Kapitel 7: Von Mises-Verteilung
Kapitel 8: Reis Verteilung
Kapitel 9: Verpackte Normalverteilung
Kapitel 10: Varianz-Gamma-Prozess
(II) Beantwortung der häufigsten öffentlichen Fragen zu Geschwindigkeitsmomenten.
(III) Beispiele aus der Praxis für die Verwendung von Geschwindigkeitsmomenten in vielen Bereichen.
Für wen sich dieses Buch eignet
Berufstätige, Studenten und Absolventen Studenten, Enthusiasten, Hobbyisten und diejenigen, die über das Grundwissen oder die Informationen für Velocity Moments jeglicher Art hinausgehen möchten.
Mehr von Fouad Sabry lesen
Neue Technologien in der Landwirtschaft [German]
Ähnlich wie Geschwindigkeitsmomente
Titel in dieser Serie (100)
Bildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenFilterbank: Einblicke in die Filterbanktechniken von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbanpassungsfunktion: Spektrale Empfindlichkeit in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbmanagementsystem: Optimierung der visuellen Wahrnehmung in digitalen Umgebungen Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenGemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenHomographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenLevel-Set-Methode: Weiterentwicklung der Computer Vision, Erforschung der Level-Set-Methode Bewertung: 0 von 5 Sternen0 BewertungenAdaptiver Filter: Verbesserung der Computer Vision durch adaptive Filterung Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVisuelle Wahrnehmung: Einblicke in die computergestützte visuelle Verarbeitung Bewertung: 0 von 5 Sternen0 BewertungenModell des menschlichen visuellen Systems: Wahrnehmung und Verarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenBildkompression: Effiziente Techniken zur visuellen Datenoptimierung Bewertung: 0 von 5 Sternen0 BewertungenFarbraum: Erkundung des Spektrums von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbprofil: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarberscheinungsmodell: Wahrnehmung und Darstellung in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenHadamard-Transformation: Enthüllung der Leistungsfähigkeit der Hadamard-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLeast Squares: Optimierungstechniken für Computer Vision: Methoden der kleinsten Quadrate Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Optischer Fluss: Erforschung dynamischer visueller Muster in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBewegungsfeld: Erkundung der Dynamik von Computer Vision: Bewegungsfeld enthüllt Bewertung: 0 von 5 Sternen0 BewertungenDokumentmosaikierung: Visuelle Einblicke durch Dokumentmosaikierung erschließen Bewertung: 0 von 5 Sternen0 BewertungenKreuzkorrelation: Muster in der Computer Vision entschlüsseln Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLevel-Set-Methode: Weiterentwicklung der Computer Vision, Erforschung der Level-Set-Methode Bewertung: 0 von 5 Sternen0 BewertungenZweidimensionale Computergrafik: Erkundung des visuellen Bereichs: Zweidimensionale Computergrafiken in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenSchätzung der artikulierten Körperhaltung: Erschließung menschlicher Bewegung in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSkalieren Sie den Raum: Erforschung von Dimensionen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAktives Erscheinungsmodell: Erschließung der Leistungsfähigkeit aktiver Darstellungsmodelle in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenDirekte lineare Transformation: Praktische Anwendungen und Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildbasierte Modellierung und Rendering: Erforschung des visuellen Realismus: Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFrequenzverhalten linearer Systeme: Kompendium Simulation und Regelung technischer Prozesse, Teil 7 Bewertung: 0 von 5 Sternen0 BewertungenComputer-Vision-Grafikschnitte: Erforschung von Graphschnitten in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRaytracing-Grafiken: Erforschung des fotorealistischen Renderings in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenPhong-Reflexionsmodell: Lichtinteraktionen in der Bildverarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenZweipunkt- und Dreipunktregler: Kompendium Simulation und Regelung technischer Prozesse, Teil 9 Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenSynthese anzeigen: Erkundung von Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenKollisionserkennung: Visuelle Schnittpunkte in der Bildverarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenDreidimensionale Multi-View-Rekonstruktion: Fortgeschrittene Techniken zur räumlichen Wahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenKontextuelle Bildklassifizierung: Visuelle Daten für eine effektive Klassifizierung verstehen Bewertung: 0 von 5 Sternen0 BewertungenLineare Systeme: Kompendium Simulation und Regelung technischer Prozesse, Teil 3 Bewertung: 0 von 5 Sternen0 BewertungenJetzt lerne ich analytische Geometrie für die Oberstufe: www.alles-Mathe.de Bewertung: 0 von 5 Sternen0 BewertungenBlob-Erkennung: Aufdecken von Mustern in visuellen Daten Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
ChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenMeistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenAufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenDie KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5Chatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 BewertungenRoboter im Alltag: Maschinen (beinahe) wie Menschen Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenPsychologie des Sozialismus Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 BewertungenWissen statt Glauben!: Das Weltbild des neuen Humanismus Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Geschwindigkeitsmomente
0 Bewertungen0 Rezensionen
Buchvorschau
Geschwindigkeitsmomente - Fouad Sabry
Kapitel 1: Geschwindigkeitsmomente
Ähnlich wie bei Bildmomenten handelt es sich bei Geschwindigkeitsmomenten um gewichtete Mittelwerte der Intensitäten von Pixeln in einer Sequenz von Fotos. Geschwindigkeitsmomente definieren jedoch nicht nur die Form eines Objekts, sondern charakterisieren auch seine Beweglichkeit über die Bildsequenz hinweg. Geschwindigkeitsmomente können verwendet werden, um die automatische Identifizierung einer Form in einem Bild zu unterstützen, wenn die Beschreibung der Bewegung signifikant ist. Derzeit gibt es zwei akzeptierte Versionen von Geschwindigkeitsmomenten: Kartesisch
Berechnung des kartesischen Moments eines einzelnen Bildes
{\displaystyle m_{pq}=\sum _{x=1}^{M}\sum _{y=1}^{N}x^{p}y^{q}P_{xy}}wobei M N und die Dimensionen des Bildes sind, {\displaystyle P_{xy}} ist die Intensität des Pixels an der Stelle (x,y) im Bild und {\displaystyle x^{p}y^{q}} ist die Basisfunktion.
Diese kartesischen Momente sind die Grundlage für kartesische Geschwindigkeitsmomente.
Ein kartesisches Geschwindigkeitsmoment {\displaystyle vm_{pq\mu \gamma }} ist definiert durch
{\displaystyle vm_{pq\mu \gamma }=\sum _{i=2}^{images}\sum _{x=1}^{M}\sum _{y=1}^{N}U(i,\mu ,\gamma )C(i,p,g)P_{i_{xy}}}wobei M und N wiederum die Abmessungen des Bildes sind, {\displaystyle images} ist die Anzahl der Bilder in der Sequenz und {\displaystyle P_{i_{xy}}} ist die Intensität des Pixels an der Stelle (x,y) im Bild i .
{\displaystyle C(i,p,q)} wird aus Zentralmomente entnommen und hinzugefügt, um die Gleichungsübersetzung invariant zu machen, definiert als
{\displaystyle C(i,p,q)=(x-{\overline {x_{i}}})^{p}(y-{\overline {y_{i}}})^{q}}wobei \overline {x_{i}} die x Koordinate des Massenschwerpunkts für das Bild i und ähnlich für y ist.
{\displaystyle U(i,\mu ,\gamma )} führt die Geschwindigkeit in die Gleichung ein, da
{\displaystyle U(i,\mu ,\gamma )=({\overline {x_{i}}}-{\overline {x_{i-1}}})^{\mu }({\overline {y_{i}}}-{\overline {y_{i-1}}})^{\gamma }}wobei {\displaystyle {\overline {x_{i-1}}}} die x Koordinate des Massenschwerpunkts für das vorherige Bild ist, i-1 und wieder ähnlich für y .
Nach der Berechnung des kartesischen Geschwindigkeitsmoments kann es wie folgt normalisiert werden:
{\displaystyle {\overline {vm_{pq\mu \gamma }}}={\frac {vm_{pq\mu \gamma }}{A*I}}}Dabei A ist die durchschnittliche Fläche des Objekts in Pixeln und I die Anzahl der Bilder.
Jetzt ist der Wert unabhängig von der Anzahl der Fotos in einer Sequenz und der Größe des Elements.
Da sowohl kartesische Momente als auch kartesische Geschwindigkeitsmomente nicht-orthogonal sind, können unterschiedliche Momente eng miteinander verbunden sein. Diese Geschwindigkeitsmomente bieten jedoch Translation und Skaleninvarianz (es sei denn, die Skala ändert sich innerhalb der Bildsequenz).
Der Zernike-Moment eines einzelnen Bildes wird berechnet durch
{\displaystyle A_{mn}={\frac {m+1}{\pi }}\sum _{x}\sum _{y}[V_{mn}(r,\theta )]^{*}P_{xy}}wobei ^{*} das komplexe Konjugat bezeichnet, m eine ganze Zahl zwischen {\displaystyle 0} und ist \infty , und n eine ganze Zahl ist, die {\displaystyle m-|n|} gerade und ist {\displaystyle |n|
Um Zernike-Momente zu bestimmen, wird das Bild, Ein relevanter Teil des Bildes wird auf die Einheitsscheibe abgebildet, dann {\displaystyle P_{xy}} ist die Intensität des Pixels an dem Punkt (x,y) auf der Scheibe und {\displaystyle x^{2}+y^{2}\leq 1} ist eine Einschränkung der Werte von x und y .
Die Koordinaten werden dann in die Polarform umgewandelt und r \theta sind die Polarkoordinaten des Punktes (x,y) auf der Einheitsscheibenkarte.
{\displaystyle V_{mn}(r,\theta )} leitet sich von Zernike-Polynomen ab und ist definiert durch
{\displaystyle V_{mn}(r,\theta )=R_{mn}(r)e^{jn\theta }}{\displaystyle R_{mn}(r)=\sum _{s=0}^{\frac {m-|n|}{2}}(-1)^{s}F(m,n,s,r)}{\displaystyle F(m,n,s,r)={\frac {(m-s)!}{s!({\frac {m+|n|}{2}}-s)!({\frac {m-|n|}{2}}-s)!}}r^{m-2s}}Momente der Zernike-Geschwindigkeit basieren auf diesen Zernike-Momenten.
Ein Zernike-Geschwindigkeitsmoment {\displaystyle A_{mn\mu \gamma }} ist definiert durch
{\displaystyle A_{mn\mu \gamma }={\frac {m+1}{\pi }}\sum _{i=2}^{images}\sum _{x=1}\sum _{y=1}U(i,\mu ,\gamma )[V_{mn}(r,\theta )]^{*}P_{i_{xy}}}wobei {\displaystyle images} wiederum die Anzahl der Bilder in der Sequenz und {\displaystyle P_{i_{xy}}} die Intensität des Pixels an dem Punkt (x,y) auf der Einheitsscheibe ist, der aus dem Bild abgebildet ist i .
{\displaystyle U(i,\mu ,\gamma )} führt die Geschwindigkeit auf die gleiche Weise wie in den kartesischen Geschwindigkeitsmomenten in die Gleichung ein und {\displaystyle [V_{mn}(r,\theta )]^{*}} stammt aus der obigen Zernike-Momente-Gleichung.
Ähnlich wie die kartesischen Geschwindigkeitsmomente können die Zernike-Geschwindigkeitsmomente mit der gleichen Formel normalisiert werden.
{\displaystyle {\overline {A_{mn\mu \gamma }}}={\frac {A_{mn\mu \gamma }}{A*I}}}Dabei A ist die durchschnittliche Fläche des Objekts in Pixeln und I die Anzahl der Bilder.
Aufgrund der Tatsache, dass Zernike-Geschwindigkeitsmomente von orthogonalen Zernike-Momenten abgeleitet werden, bieten sie weniger korrelierte und kompaktere Beschreibungen als kartesische Geschwindigkeitsmomente. Darüber hinaus bieten Zernike-Geschwindigkeitsmomente Translation und Skaleninvarianz (auch wenn sich die Skala innerhalb der Sequenz ändert).
{Ende Kapitel 1}
Kapitel 2: Navier-Stokes-Gleichungen
Die Navier-Stokes-Gleichungen (/nævˈjeɪ stoʊks/ nav-YAY STOHKS) sind partielle Differentialgleichungen, die die Bewegung viskoser flüssiger Substanzen beschreiben, die Namensgeber waren Claude-Louis Navier und George Gabriel Stokes. Beide waren französische Ingenieure und Physiker.
Sie sind das Ergebnis jahrzehntelanger Forschung und schrittweiser Theorieentwicklung, die sich von 1822 (Navier) bis 1842-1850 (Stokes) erstreckten.
Impulserhaltung und -ausgleich werden quantitativ durch die Navier-Stokes-Gleichungen für Newtonsche Flüssigkeiten ausgedrückt. Eine Zustandsgleichung, die Druck, Temperatur und Dichte miteinander verbindet, wird manchmal daneben gestellt. Unter der Annahme, dass die Spannung im Fluid gleich dem Produkt aus einer diffundierenden viskosen Komponente (proportional zum Geschwindigkeitsgradienten) und einem Druckterm ist, ergeben sie sich aus der Anwendung des zweiten Gesetzes von Isaac Newton auf die Bewegung des Fluids. Die Navier-Stokes-Gleichungen ähneln den Euler-Gleichungen, aber die Euler-Gleichungen modellieren nur die viskose Strömung, während die Navier-Stokes-Gleichungen auch die Viskosität berücksichtigen. Mit diesem Kompromiss in der mathematischen Struktur gehen die verbesserten analytischen Eigenschaften der Navier-Stokes-Gleichung einher, die eine parabolische Gleichung sind (d.h. sie sind nie vollständig integrierbar).
Die Physik vieler Phänomene von wissenschaftlichem und technischem Interesse kann durch die Navier-Stokes-Gleichungen beschrieben werden, was sie zu einem nützlichen Werkzeug macht. Sie können sie verwenden, um alles zu simulieren, vom Wetter über Meeresströmungen bis hin zur Wasserströmung in einer Leitung und Luftströmung über einen Flügel. Flugzeug- und Automobilbau, Blutflussforschung, Kraftwerksbau, Umweltverträglichkeitsprüfung und viele weitere Bereiche profitieren alle von den vollständigen und vereinfachten Navier-Stokes-Gleichungen. Sie können verwendet werden, um die Magnetohydrodynamik zu modellieren und zu analysieren, wenn sie mit den Maxwell-Gleichungen gekoppelt sind.
Auch im rein mathematischen Sinne sind die Navier-Stokes-Gleichungen von enormem Interesse. Die Existenz von glatten Lösungen in drei Dimensionen, d.h. Lösungen, die an allen Standorten in der Domäne endlos differenzierbar (oder auch nur