diff --git a/Code/Dyschromasie.py b/Code/Dyschromasie.py
index db923ac..0363b8e 100644
--- a/Code/Dyschromasie.py
+++ b/Code/Dyschromasie.py
@@ -7,7 +7,7 @@ from PIL import Image, ImageTk    #Wichtig zum Anzeigen der Bilder im GUI
 # Einlesen des Bildes
 script_dir = sys.path[0]
 path = script_dir[:-4] + "Beispielbilder\grocery_store.jpg"
-image = cv2.imread(path)  # Einlesen des Bildes (noch hardcodiert, sollte dann in GUI gehen)
+image = cv2.cvtColor(cv2.imread(path),cv2.COLOR_BGR2RGB)  # Einlesen des Bildes (noch hardcodiert, sollte dann in GUI gehen)
 
 rows = image.shape[0]  # Auslesen der Zeilenanzahl
 cols = image.shape[1]  # Auslesen der Spaltenanzahl
@@ -77,7 +77,7 @@ S_t = np.array([[1, 0, 0],                     #Simulationsmatrix fuer Tritanopi
 #Multiplikation der einzelnen Pixel
 for i in range(rows):
     for j in range(cols):
-        cb_image[i,j] = np.flipud(T_reversed.dot(S_p).dot(T).dot(np.flipud(cb_image[i,j])))
+        cb_image[i,j] = T_reversed.dot(S_p).dot(T).dot(cb_image[i,j])
         # Da OpenCV Pixelwerte in RGB speichert, aber BGR für den Algorithmus nötig ist, muss die Matrix mit flipud gedreht werden
 
 sim_image = np.copy(cb_image)
@@ -90,5 +90,5 @@ for i in range(rows):
             sim_image[i, j, x] = reverseGammaCorrection(cb_image[i, j, x])
 
 cv2.namedWindow("Display")  # Displaywindow erstellen
-cv2.imshow("Display", sim_image)  # Bild zeigen
+cv2.imshow("Display", cv2.cvtColor(sim_image,cv2.COLOR_RGB2BGR))  # Bild zeigen
 cv2.waitKey(0)  # Fenster offen halten