nach oben
Meine Merkliste
Ihre Merklisteneinträge speichern
Wenn Sie weitere Inhalte zu Ihrer Merkliste hinzufügen möchten, melden Sie sich bitte an. Wenn Sie noch kein Benutzerkonto haben, registrieren Sie sich bitte im Hanser Kundencenter.

» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.
Ihre Merklisten
Wenn Sie Ihre Merklisten bei Ihrem nächsten Besuch wieder verwenden möchten, melden Sie sich bitte an oder registrieren Sie sich im Hanser Kundencenter.
» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.

« Zurück

Ihre Vorteile im Überblick

  • Ein Login für alle Hanser Fachportale
  • Individuelle Startseite und damit schneller Zugriff auf bevorzugte Inhalte
  • Exklusiver Zugriff auf ausgewählte Inhalte
  • Persönliche Merklisten über alle Hanser Fachportale
  • Zentrale Verwaltung Ihrer persönlichen Daten und Newsletter-Abonnements

Jetzt registrieren
Merken Gemerkt
HANSER automotive 07/2020

Algorithmische Kontaminationsbereinigung von Bilddaten

algorithmische Bildrestauration

Algorithmische Kontaminationsbereinigung von Bilddaten

Um die Robustheit der optischen Sensorik zu gewährleisten, muss die Informationsgüte der zentralen sensorischen Einheit, der Kamera, sichergestellt werden. In den meisten Fällen ist eine physische Reinigung der Linse aus wirtschaftlichen und technischen Gründen nicht sinnvoll, weshalb digitale Bildrestaurationsalgorithmen entscheidende Vorteile bieten.

Dokument downloaden
Literaturhinweis

Bibliography

1 S. You, R. Tan, K. Rei, and K. Ikeuchi, “Adherent raindrop modeling, detection and removal in video,” vol. 38, pp. 1035-1042, 06 2013.

2 D. G. Lowe, “Object recognition from local scale-invariant features,” ICCV, pp. 1150-1157, 1999.

3 C. Liu, J. Yuen, and A. Torralba, “Sift flow: Dense correspondence across scenes and its applications,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 33, 2011.

4 N. Einecke, H. Ghandi, and J. Deigmöller, “Detection of camera artifacts from camera images,” IEEE International Conference on Intelligent Transportation Systems, vol. 17, 2014.

5 H. Hirschmüller and D. Scharstein, “Evaluation of stereo matchingcosts on images with radiometric differences,” IEEE Transactions onPattern Analysis and Machine Intelligence, vol. 31, 2009.

6 N. Einecke and J. Eggert, “A two-stage correlation method forstereoscopic depth estimation,” International Conference on DigitalImage Computing: Techniques and Applications (DICTA), 2010.

7 A. Telea, “An image inpainting technique based on the fast marching method,” Journal of graphics tools, vol. 9.1, pp. 23-34, 2004.

8 M. Beralmio, A. L. Bertozzi, and G. Sapiro, “Navier-stokes, fluid dynamics, and image and video inpainting,” Computer Vision and Pattern Recognition, vol. 1, pp. I-355, 2001.

9 A. Telea, “An image inpainting technique based on the fast marching method,” Journal of Graphics Tools, vol. 9, 01 2004.

10 P. Pérez, M. Gangnet, and A. Blake, “Poisson image editing,” ACM Trans. Graph., vol. 22, pp. 313-318, July 2003.

11 S. Iizuka, E. Simo-Serra, and H. Ishikawa, “Globally and locally consistent image completion,” ACM Trans. Graph., vol. 36, pp. 107:1-107:14, July 2017.

12 G. Liu, F. A. Reda, K. J. Shih, T.-C. Wang, A. Tao, and B. Catanzaro, “Image inpainting for irregular holes using partial convolutions,” 2018.

13 O. Ronneberger, P. Fischer, and T. Brox, “U-net: Convolutional networks for biomedical image segmentation,” 2015.

14 K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” 2015.

15 J. Johnson, A. Alahi, and L. Fei-Fei, “Perceptual losses for real-time style transfer and super-resolution,” 2016.

16 L. A. Gatys, A. S. Ecker, and M. Bethge, “A neural algorithm of artistic style,” 2015.

17 K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” 2014.

18 C. Barnes, E. Shechtman, A. Finkelstein, and D. B. Goldman, “PatchMatch: A randomized correspondence algorithm for structural image editing,” ACM Transactions on Graphics (Proc. SIGGRAPH), vol. 28, Aug. 2009.

Service

Ihre Ansprechpartnerin

Frau Kristin Franke
Tel.: +49 89 99830-111
Fax: +49 89 984809
abo-service@hanser.de


Lieferadresse ändern

Sie möchten die Zeitschrift HANSER Automotive oder die Rechnung an eine andere Adresse geschickt bekommen?

Teilen Sie uns Ihre neue Anschrift mit

Kurzcharakteristik
HANSER automotive

HANSER automotive ist die praxisorientierte Informationsquelle für alle Einsatzgebiete der Automobilelektronik. Die Leser sind namentlich bekannte Entwicklungs-, Projekt- und Applikationsingenieure mit direktem Produkt- und Beschaffungsinteresse sowie Führungskräfte, die sich einen Überblick über Produkte, Komponenten und Systeme verschaffen wollen. Die Zeitschrift berichtet deshalb in Form von Fachartikeln, Interviews und Kurzbeiträgen über Produkte, Systeme, Trends und das aktuelle Geschehen in der Kfz-Elektronik sowie über Produkte und Lösungen aus Branchen wie Telecom/Datacom, Consumer und Industrial, die für den Einsatz im Automobil geeignet sind. Darüber hinaus ergänzen Beiträge über Elektromobilität und Elektronik in Mobilen Maschinen das Informationsangebot.