Kompresjon. Noen begreper. Plass og tid. Kompresjon. Digitale data kan ta stor plass. Eksemper : Overføring av data tar tid: Dekompresjonsalgoritme
|
|
- Rikard Borge
- 7 år siden
- Visninger:
Transkript
1 Kompresjon Noen egreper Kompresjonsalgoritme Dekompresjonsalgoritme Litteratur : Cyganski kap. 7 Compressing Information kap. 8 Image Compression kap. 9 Digital Video Data Kompresjon Lagring eller oversending Dekompresjon Temaer : Hvor mye informasjon inneholder en melding? Hvor mange it trenger vi for å lagre meldingen? Overflødig/redundant informasjon Kompresjon estår i å pakke informasjonsinnholdet i dataene (tekst, ilde, lydsignale etc.) på en så kompakt måte at redundant informasjon ikke lagres. Hvordan fjerne overflødig informasjon? Dataene komprimeres, så lagres de. Huffman-koding Når de senere skal leses, må vi dekomprimere dem. Universell koding Kompresjon av ilder og video (og litt lyd) Koding er en del av kompresjon, men vi koder for å lagre effektivt, ikke for å hemmeligholde eller skjule informasjon. INF4-Kompresjon- INF4-Kompresjon- Kompresjon Plass og tid Kompresjon kan deles inn i tre steg: Transform - representer sekvensen på en mer kompakt måte. Kvantisering Koding Kompresjons kan gjøres eksakt/tapsfri ( loss-less ), eller ikke-tapsfri ( lossy ). Ved tapsfri kompresjon kan vi rekonstruere den originale meldingen eksakt. Dette kan vi ikke ved ikke-tapsfri kompresjon. Resultatet kan likevel være godt nok. Det finnes en mengde ulike metoder for egge kategorier kompresjon. Mange av disse er asert på å representere en tekst/ilde/lydsignal på en annen måte, altså transformer av original-dataene. Eks. kjedekode, løpelengder/run-length, differansetransform. Hvis vi kvantiserer original-dataene, så kan ikke dette reverseres. Koding ygger ofte på sannsynlighetsfordelinger, dvs histogrammer. Vi gjentar: Vi ruker koding for kompresjon, ikke for kryptering! Digitale data kan ta stor plass Spesielt lyd, ilder og video Eksemper :. Digitalt ilde: 5 x 5 x 8 it x 3 farger = it. Røntgenilde: 7 x 8636 x it pr. piksel = it 3. Powerpoint-fil med lydforelesning: ca. 5 it. Overføring av data tar tid: Linje med 64 kits/sek:. ca. min. 38 s.. ca. 3 timer min. 3. ca. 3 min 6 s. Linje med Mits/sek:. ca. 6 s.. ca. min. 3. ca. 5 s. INF4-Kompresjon-3 INF4-Kompresjon-4
2 Overføringskapasitet og ps Melding, data og informasjon En linje kan overføre en estemt mengde it i sekundet. Linjens kapasitet uttrykkes som ps (its per second), kps = 4 ps = 4 it i sekundet Mps = 4 kps = it i sekundet Kapasitet for noen typer linjer: Analogt modem: f.eks. 56 kps ADSL (Asymmetric Digital Suscrier Line): - Mps GSM-telefonlinje: 9.6 kps Vi skiller mellom data og informasjon: Melding: teksten, ildet eller lydsignalet som vi skal lagre. Data: strømmen av it som ligger lagret på fil eller sendes. Informasjon (matematisk egrep): gjennomsnittlig mengde overraskelse/uventethet i en melding. Himmelen er lå har lavt informasjonsinnhold, mens Himmelen er gul er mer uventet og har høyere informasjonsinnhold. INF4-Kompresjon-5 INF4-Kompresjon-6 Redundans Ulike typer redundans Vi kan ruke ulike mengder data til å lagre/overføre samme melding. Metodene forklares mer detaljert senere i forelesningen. Et ilde av et 5-tall (5 x 5 piksler a 8 its = its) Teksten fem i 8 its ISO (4 its) ISO tegnet 5 (8 its) Et inært heltall (3 its) Begrepet redundans sier noe om hvor stor del av datamengden vi kan fjerne uten at vi mister informasjonen i dataene. Eks: vi skal lagre tallet, men hvordan lagres det faktisk: Binært i en yte: - 8 it med Standard 7 its ASCII kode for Vet vi at vi are skal lagre tallet, trenger vi are it. Ved smart komprimering og dekomprimering kan vi fjerne redundante its. Kodings-redundans Eks: Huffman-koding ruker færrest it på å kode 5-tallet, som forekommer ofte, og flere it for 6-tallet. Intersampel redundans Eks: 66 kan run-length kodes som (,4),(,3),(6,),(,) Psykovisuell/psykoakustisk redundans Fjern informasjon vi ikke kan se eller høre. Interilde redundans For videokoding: En video estår av en sekvens av stillilder. Vi kan kode første ilde i sekvensen, og deretter are endringene fra ett ilde til det neste. INF4-Kompresjon-7 INF4-Kompresjon-8
3 Informasjonsteori og koding Litt om sannsynligheter Kompresjon/koding ygger på informasjonsteori og sannsynligheter. Hvis et symol forekommer ofte, ør vi lagre det med et lite antall it for å ruke minst mulig lagerplass tilsammen. Et symol som forekommer sjeldent, kan vi tillate oss å ruke mange it på å lagre. Vi ruker da et variaelt antall it pr. symol. Dette skiller seg fra lagring med like mange it pr symol. Informasjonsteori ygger på sannsynligheten for at ulike egivenheter skal forekomme. Sannsynligheten for en egivenhet x skal skje skrives som p(x) og ligger mellom og. p(x)= hvis en egivenheten aldri vil skje, og p(x)= hvis noe alltid er tilfelle. Eksempel: vi kaster en terning. Tallene -6 er like sannsynlige. Hver verdi har sannsynlighet /6 = Kaster vi en terning uendelig mange ganger, vil vi få 6 i 6.7% av tilfellene. Kaster vi terningen 6 ganger, vil ikke resultatet nødvendigvis li seksere. Kaster vi en terning to ganger etter hverandre, er resultatene uavhengige. Selv om vi kjenner første utfall, så hjelper ikke dette oss til å tippe det neste. Det er selvsagt are tull at nå kommer sikkert tallet 8, for det er så lenge siden det har forekommet i Lotto-rekka, eller at tallet er nå inne i en god periode. INF4-Kompresjon-9 INF4-Kompresjon- Kompresjonsrate og redundans Koding Vi vil lagre en gitt informasjonsmengde ved ruk av færre data. Redundante data må ort. Kompresjonsraten angis som CR = i/c, der i er antall it pr. sampel originalt, og c er antall it pr. sampel i det komprimerte datasettet. Relativ redundans: c R = = CR i percentage removed = (-c/i) % Hva er et alfaet? Hva er et kode-ord, og hva er en kode-ok? Koding skal være reversiel. (Fra koden skal vi kunne rekonstruere det originale symolet). Unikt dekodare koder har den egenskap at en mottatt sekvens av kode-ord kan dekodes på en og are en måte. Naturlig inær-koding: Alle kode-ord er like lange. Kjenner vi noen eksempler på dette? INF4-Kompresjon- INF4-Kompresjon-
4 Naturlig inær-koding Eks: vi har 8 mulige verdier Symol nr. Symol Kode c i s s Naturlig inærkoding er are optimal hvis alle verdiene i sekvensen er like sannsynlige. For ulike sannsynligheter er koder med variael lengde på kodeordene edre Hyppigere symoler kortere kode-ord. Sjeldne symoler lengere kode-ord. Dette var forretnings-ideen til Samuel Morse. 3 s 3 4 s 4 5 s 5 6 s 6 7 s 7 8 s 8 Morse-alfaetet ruker kortere kode-ord for de vanligste symolene Entropi en liten forsmak Entropi er et matematisk mål på gjennomsnittlig informasjonsmengde i en sekvens av tegn eller tall. Har vi en sekvens av N tall eller tegn som lagres med it pr. sampel, så kan vi si vi har et alfaet med mulige symoler. Vi kan finne sannsynligheten for hvert symol i alfaetet: P(s i )= n i /N Vi er interessert i gjennomsnittlig informasjon pr. symol. Intuitivt har vi at en mindre sannsynlig hendelse gir mer informasjon enn en mer sannsynlig hendelse Informasjon er relatert til mengden redundans eller overraskelse. INF4-Kompresjon-3 INF4-Kompresjon-4 Gjennomsnittlig antall it pr. symol Gjennomsnittlig antall it pr. symol Vi har N symoler. Hvert symol s i har sannsynlighet p i. Vi konstruerer en kode c,...c N slik at symol s i kodes med c i. Tell opp antall ganger symol s i forekommer og la n i være dette antallet. Dette er det samme som histogrammet til sekvensen. Sannsynligheten til symolene finnes da som: p i = n i /N Altså det normaliserte histogrammet i er lengden i it av kodeordet c i. Gjennomsnittlig antall it pr. symol for denne koden er: N R= p + p N pn = i pi Entropien H er en nedre grense for R. Entropien H kan gi oss en nedre grense for hvor mange it vi gjennomsnittlig trenger pr. sampel (hvis vi are ser på hvert symol for seg, altså are kodingsredundans). INF4-Kompresjon-5 INF4-Kompresjon-6
5 Mer entropi for den matematikkglade Definer informasjonsinnholdet I(s i ) i hendelsen s i ved I ( si ) = log p( si ) log (x) er -er logaritmen til x Hvis log (x)= så er x= Eks: log (64)=6 fordi 64= 6 (=*****) log (8)=3 fordi 8=**= 3 Har ikke log på kalkulatoren, hjelp! log (tall) = log (tall) / log () log (/p(s i )) gir oss informasjonsinnholdet i den hendelsen det er at symolet s i forekommer en gang, uttrykt i it. Mer matematikk om entropi Hvis vi tar gjennomsnittet over alle symoler s i i alfaetet, får vi gjennomsnittlig informasjon pr. symol. Entropi H: H = p( si ) I( si ) = p( si )log( p( si )) Entropien setter en nedre grense for hvor kompakt sekvensen kan representeres Dette gjelder hvis vi are ser hvert symol for seg, altså are ser på kodingsredundans INF4-Kompresjon-7 INF4-Kompresjon-8 Øvre og nedre grense for entropi Hvis alle symoler like sannsynlige => entropi lik antall it. Det er symoler, og sannsynligheten for hvert av dem er p(s i )=/. Da lir entropien H = i = log ( ) = log Husk at: Hvis det er symoler som alle er like sannsynlige, så kan vi ikke representere dem mer kompakt enn med its pr symol. Hvis alle pikslene er like => entropi lik. Hvis are ett symol forekommer, er sannsynligheten for dette symolet lik, og alle andre sannsynligheter er lik. H = log () = ( ) = INF4-Kompresjon-9 its of data its of information Et inært ilde med N*M pikseler inneholder it per piksel. Det er N*M its data i ildet, men hvor mye informasjon er det i ildet? Hvis det er like mange som i ildet, så er det like stor sannsynlighet for at neste piksel er som. Informasjonsinnholdet i hver mulig hendelse er da like stort, og entropien til et nytt symol er it. H = log ( ) + log( ) = *+ * / / = Hvis det er 3 ganger så mange som i ildet, så er det mindre overraskende å få en, og det skjer oftere. Entropien er da mindre: 3 3 H = log ( ) + log ( ) = *+ *.45=.5 +.3=.8 4 /4 4 3/4 4 4 I et gråtoneilde med G gråtoner er det på samme måte det normaliserte histogrammet som estemmer entropien, dvs det gjennomsnittlige informasjonsinnholdet pr piksel, målt i its. H = G p i log p i ( ) INF4-Kompresjon-
6 Huffman-koding Framgangsmåte - Huffman-koding Huffman-koding er en algoritme for optimal koding med variael-lengde koder. Huffman-koding er asert på at vi kjenner sannsynligheten for at hvert av symolene forekommer. Huffman-koden er unikt dekodar. Gitt en sekvens med N symoler:. Sorter symolene etter sannsynlighet, slik at de minst sannsynlige kommer sist.. Slå sammen de to minst sannsynlige symolene i en gruppe, og sorter igjen etter sannsynlighet. 3. Gjenta til det are er to grupper igjen. 4. Gi kodene og til de to gruppene. Kode til den mest og til den minst sannsynlige av de to 5. Traverser akover, og legg til og i kodeordet for de to minst sannsynlige gruppene i hvert steg. INF4-Kompresjon- INF4-Kompresjon- Eksempel - Huffman-koding Eksempel - Huffman-koding Gitt 6 egivenheter A, B, C, D, E, F med sannsynligheter Gitt 6 egivenheter A, B, C, D, E, F med sannsynligheter Begivenhet A B C D E F Begivenhet A B C D E F Sannsynlighet Slå sammen de to minst sannsynlige, slå også sammen sannsynligheten deres Finn så de to som nå er minst sannsynlige, og slå dem sammen på samme måte Fortsett til det er are to igjen Sannsynlighet.3 Gå aklengs gjennom strukturen og tilordne eller til hver gruppe. (F. eks. kode til den mest sannsynlig og kode til den minst sannsynlige).3.6 Kode Kode.5.5 INF4-Kompresjon-3 INF4-Kompresjon-4
7 Kodeoken Om Huffman-koding Dette gir følgende kodeok Begivenhet Kode Med sannsynlighetene lir gjennomsnittlig antall it pr. symol (R) for denne koden: (se foil 6) R= p + p N pn = i pi = =.4 Entropien H er her mindre enn R (se foil 8): H = A B N C p( s ) log ( p( )) =.34 i s i D E F Ingen kode-ord danner prefiks i en annen kode Dette sikrer at en sekvens av kodeord kan dekodes entydig, uten at man trenger ende-markører. Dette etyr at mottatt kode er instantant (øyelikkelig) dekodar. Lengden av en Huffman kodeok er G = Merk at kodeoken må overføres! Det lengste kodeordet kan ha opptil G its. INF4-Kompresjon-5 INF4-Kompresjon-6 Huffman-koding i praksis Universell koding Den ideelle inære kode-ord lengden for symol s i er i = - log (p(s i )) Huffman-koding ygger på at man finner antall forekomster av hvert symol i teksten, og lager kodene utfra dette. Siden are heltalls ordlengder er mulig, er det are p( s i ) = k for heltall k som tilfredsstiller dette. Kodene må lages fra gang til gang, og kodeoken må også oversendes. Er det mulig å finne en universell kode for hvor mange ganger et symol forekommer? Eksempel: hvis vi har Symol s s s 3 s 4 s 5 s 6 Vi kan f.eks. se på forekomster av ulike okstaver i norsk eller engelsk tekst. e forekommer oftest, Sannsynlighet Kode.5.5 lir gjennomsnittlig ordlengde R=.9375 = H z, x og q er sjeldne Eller vi kan ygge opp kodestrenger etterhvert som vi ser gjentatte mønstere. Lempel-Ziv koding er et eksempel på universell koding av symoler (f.eks. en itsekvens). INF4-Kompresjon-7 INF4-Kompresjon-8
8 Lempel-Ziv-koding Premierer mønstre i dataene, ser på samforekomster av symoler. Bygger opp en symolstreng-liste åde under kompresjon og dekompresjon. Eksempel på Lempel-Ziv Anta at alfaetet er a, og c som tilordnes kodene, og 3. La dataene være aacaaaaaaaa sender: ny frase = sendt streng pluss neste usendte symol mottaker: ny frase = nest siste streng pluss første symol i sist tilsendte streng Ser Sender Senders liste a=,=,c=3 Mottar Tolker Mottakers liste a=, =, c=3 Denne listen skal ikke lagres eller sendes, for mottakeren kan ygge listen av den symolstrengen han mottar. a a=4 a=5 a a=4 Det eneste man trenger er et standard alfaet (f.eks ASCII). a c 4 3 ac=6 c=7 4 3 a c a=5 ac=6 Mottaker kjenner are alfaetet, og lagrer nye fraser ved å ta nest siste streng pluss første symol i sist tilsendte streng, inntil listen er full (det er en praktisk grense her!). En ulempe er at man av og til lager kodeord som man ikke får ruk for. a a a aa aa 5 8 a=8 aa=9 aa= aaa= aa= 5 8 a a a aa aa c=7 a=8 aa=9 aa= aaa= a 8 8 a aa= INF4-Kompresjon-9 INF4-Kompresjon-3 Kompresjon av ilder Hvorfor ehandles kompresjon av ilder spesielt: Generelt så er det større mengde redundant informasjon i ilder, åde Mellom piksler på samme linje Mellom ulike linjer i ildet Løpelengde-transform (run-length) Ofte inneholder ildet ojekter med lignende gråtoner, f.eks. svarte okstaver på hvit akgrunn. Vi kan enytte oss av kompresjonsteknikker som tar hensyn til at naopiksler på samme linje ofte er like. Løpelengde-transform er reversiel. Først et eksempel: (4 yte) Ofte inneholder ilder ojekter som kan representeres mer kompakt. Vi kan også ta i etraktning psykovisuelle effekter. Når tallet 3 forekommer 6 ganger etter hverandre, trenger vi are lagre tallparet (3,6). Tilsammen trenger vi her 4 tallpar, (3,6), (5,), (4,), (7,6) altså 8 tall til å lagre hele sekvensen 4 tall ovenfor. Hvor mange it vi ruker pr. tall, avhenger av den videre koding. Vi kan for eksempel ruke Huffman-koding på tallparene. (se ukeoppgaven) INF4-Kompresjon-3 INF4-Kompresjon-3
9 Mer om løpelengder Differansetransform Generell formulering: Anta at x,...x N er alle piksler på en rad i ildet, og anta at ildet inneholder noen homogene ojekter. På linjen forekommer k ulike segmenter av tall, hvert segment har lengde l i,,...k. Segment i har gråtone g i. Dette representeres ved tallparene (g i,l i ),,...k Hvert tallpar kalles et gråtoneløp. Løpelengder er et eksempel på en transform, dvs. vi velger å representere tallene på en annen måte. Løpelengderepresentasjon komineres gjerne med annen koding (Huffman). Gitt en linje i ildet med gråtoner x,...x N som ligger mellom og -. Transformer ildet til x, x -x, x 3 -x,...,x N -x N-. Vi trenger nå + its hvis vi skal tilordne like lange inære koder til alle mulig verdier. Men, i differansehistogrammet vil de fleste verdiene samle seg rundt, f.eks. mellom -8 og 8. Differanserepresentasjonen kan så kodes f.eks. med Huffman-koding. INF4-Kompresjon-33 INF4-Kompresjon-34 Litt mer om differansetransform Lag f.eks. en 6 ords naturlig kode c =, c =,... c 6 = og tilordne de 4 kode-ordene c,... c 5 til differansene -7, -6,..., -,,,,..., 5, 6 Kode c og c 6 kan rukes til å indikere om differansen x < -7 eller om x 7 (to-sidet shift-kode) x = => c 6 c 6 c 3 x = - => c c c 5 Alternativt kan vi kode differansene ved hjelp av andre kodeteknikker. JPEG-koding (tapsfri) JPEG (Joint Photographic Expert Group) er et av de vanligste ildeformatene med kompresjon. JPEG-standarden har varianter åde for tapsfri og ikke-tapsfri kompresjon. JPEG kan ruke enten Huffman-koding eller en variant av universell koding kalt aritmetisk koding. Prediktiv koding rukes for å predikere at neste piksel på samme linje har lignende verdi som forrige piksel å predikere at et piksel har lignende verdi som pikselet på linjen over å predikere at neste piksel på linjen har lignende verdi som de tre nærmest pikslene Typen koding estemmes fra ilde til ilde INF4-Kompresjon-35 INF4-Kompresjon-36
10 GIF-formatet GIF (Graphics Interchange Format) er asert på Lempel-Zivkoding, men i modifisert variant. Man koder sekvenser av yte, ikke sekvenser av it og får mer kompakt kode. Samtidig drar man nytte av mønstre av gråtoner, f.eks tekstur. Ikke-tapsfri (lossy) kompresjon For å få høye kompresjonsrater, er det ofte nødvendig med ikke-tapsfri kompresjon. Ulempen er at man ikke kan rekonstruere det originale ildet, fordi et informasjonstap har skjedd. Enkle metoder for ikke-tapsfri kompresjon er rekvantisering til færre antall gråtoner, eller resampling til dårligere romlig oppløsning. Andre enkle metoder er filtering der f.eks. 3x3 piksler erstatter med ett nytt piksel som er enten middelverdien eller medianverdien av de opprinnelige pikselverdiene. MMS enytter lavere oppløsning i kromasi-komponentene. INF4-Kompresjon-37 INF4-Kompresjon-38 Ikke-tapsfri JPEG-kompresjon Bildet deles opp i lokker på 8x8 piksler, og hver lokk kodes separat. Hver lokk transformeres med DCT (Diskret Cosinus Transform), som gir reelle koeff. og transformkoeffisientene kvantiseres. Sikk-sakk-scanning ordner koeffisientene i D-rekkefølge. Mange koeffisienter vil rundes av til null. Løpelengde-transform av koeffisientene, fulgt av Huffman-koding. Ved JPEG-koding kan man velge en kvalitetsparameter som ligger mellom og (prøv xv eller gimp). For de spesielt interesserte: dette gjelder den gamle JPEGstandarden, ikke JPEG, som ruker wavelets. Digital video Koding av digitale ildesekvenser eller digital video er asert på differansekoding. Områder uten interilde evegelse kodes ikke flere ganger, kun koding i områder der endringer skjer. Med 5-6 ilder i sekundet er det mye å spare på dette. MPEG (Motion Picture Expert Group) er tilsvarende standard for videokompresjon. MPEG historie: MPEG- video og audio (99) MPEG- Digital TV og DVD (994) MPEG-4: Multimedia anvendelser (998) MPEG-7: Multimedia søking og filtering ()...MPEG-: Multimedia anywhere (xx) INF4-Kompresjon-39 INF4-Kompresjon-4
11 Men hva er MP3? MP3 = MPEG- Audio Layer 3 Basert på psykoakustikk nedre og øvre grense for hva øret kan høre terskel for hvor raske endringer vi hører terskel for hvor tette naofrekvenser vi kan skille mellom Litt fakta om MP3: Samplingsfrekvens: 6 khz - 48 khz Antall it pr. sekund: 3 kps - 9 kps CD audio tilsvarer 378 kps Les mer/lær mer om MP3 i kurset INF58 (Multimedia koding og transmisjon) - se Oppsummering - kompresjon Hensikten med kompresjon er mer kompakt lagring eller rask oversending av informasjon. Kompresjon er asert på informasjonsteori. Antall it. pr. sampel er sentralt, og varierer med kompresjonsmetodene og dataene. Sentrale metoder: Huffman-koding lag sannsynlighetstaell, send kodeok Universell koding utnytter mønstre sender ikke kodeok For ilder: løpelengde-koding og differansekoding. INF4-Kompresjon-4 INF4-Kompresjon-4
INF 1040 Digital video digital bildeanalyse. Noen begreper. Kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Digital video digital ildeanalyse Tema i dag :. Hvor mye informasjon inneholder en melding?. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding
DetaljerINF 1040 Kompresjon og koding. Noen begreper. De tre stegene i kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Kompresjon og koding Noen egreper Kompresjonsalgoritme Dekompresjonsalgoritme Tema i dag :. Noen egreper. Redundans Data Kompresjon Lagring eller oversending Dekompresjon Data. Differanse- og løpelengdetransformer
DetaljerINF 1040 Kompresjon og koding. Noen begreper. De tre stegene i kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Kompresjon og koding Noen egreper Kompresjonsalgoritme Dekompresjonsalgoritme Tema i dag :. Noen egreper. Redundans Data Kompresjon Lagring eller oversending Dekompresjon Data. Differanse- og løpelengdetransformer
DetaljerAnvendelser. Noen begreper. Kompresjon
Anvendelser INF 30 Digital it ildeehandling dli 7.04.0 Kompresjon og koding Del I Tre steg i kompresjon Redundans Bildekvalitet Transformer Koding og entropi Shannon-Fano og Huffman GW: Kap. 8 unntatt
DetaljerAnvendelser. Kompresjon. Noen begreper. INF 2310 Digital bildebehandling
Anvendelser IF 3 Digital ildeehandling Kompresjon og koding Del I Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman GW: Kap. 8 unntatt 8..7, 8.., 8..6, 8.., 8.3 Kompresjon
DetaljerAnvendelser. Noen begreper. Kompresjon. INF 2310 Digital bildebehandling
Anvendelser INF 30 Digital ildeehandling Kompresjon og koding Del I Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman Kompendium: Frem t.o.m. 8.7. + Appendiks B Kompresjon
DetaljerINF 1040 Kompresjon og koding
INF 1040 Kompresjon og koding Tema i dag : 1. Hvor mye informasjon inneholder en melding? 2. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding
DetaljerFORELESNING 11. KOMPRESJON OG KODING I Andreas Kleppe. Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman
Anvendelser INF30 Digital ildeehandling FORELESNING KOMPRESJON OG KODING I Andreas Kleppe Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman Kompendium: Frem t.o.m.
DetaljerINF 1040 Kompresjon og koding
INF 1040 Kompresjon og koding Tema i dag : 1. Noen begreper 2. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding 7. Lempel-Ziv koding 8. JPEG koding
DetaljerINF 1040 Kompresjon og koding
INF 1040 Kompresjon og koding Tema i dag : 1. Noen begreper 2. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding 7. Lempel-Ziv koding 8. JPEG koding
DetaljerLøsning av øvingsoppgaver, INF2310, 2005, kompresjon og koding
Løsning av øvingsoppgaver, INF230, 2005,. Vi har gitt følgende bilde: kompresjon og koding 0 2 2 2 3 3 3 2 3 3 3 0 2 2 2 3 3 2 2 2 3 2 3 4 4 2 2 3 2 2 3 4 4 2 2 2 3 3 3 4 3 4 a. Finn Huffman-kodingen av
DetaljerLøsningsforslag, Ukeoppgaver 9 INF2310, våren kompresjon og koding del I
Løsningsforslag, Ukeoppgaver 9 INF2310, våren 2009 6. Vi har gitt følgende bilde: kompresjon og koding del I 1 0 1 2 2 2 3 3 3 1 1 1 2 1 1 3 3 3 1 0 1 1 2 2 2 3 3 2 1 2 2 3 2 3 4 4 2 1 2 3 2 2 3 4 4 2
Detaljerda INF 2310 Digital bildebehandling
Ulike typer redundans da INF 2310 Digital bildebehandling Kompresjon og koding Del II LZW-koding Aritmetisk koding JPEG-kompresjon av gråtonebilder JPEG-kompresjon av fargebilder Rekonstruksjonsfeil i
DetaljerLempel-Ziv-koding. Lempel-Ziv-koding. Eksempel på Lempel-Ziv. INF 2310 Digital bildebehandling. Kompresjon og koding Del II
Lempel-Ziv-koding INF 2310 Digital bildebehandling Kompresjon og koding Del II LZW-koding Aritmetisk koding JPEG-kompresjon av gråtonebilder JPEG-kompresjon av fargebilder Rekonstruksjonsfeil i bilder
DetaljerLøsningsforslag, Ukeoppgaver 9 INF2310, våren kompresjon og koding del I
Løsningsforslag, Ukeoppgaver 9 INF23, våren 2 6. Vi har gitt følgende bilde: kompresjon og koding del I 2 2 2 3 3 3 2 3 3 3 2 2 2 3 3 2 2 2 3 2 3 4 4 2 2 3 2 2 3 4 4 2 2 2 3 3 3 4 3 4 a. Finn Huffman-kodingen
DetaljerRepetisjon: Kompresjon
Repetisjon: Kompresjon INF 2310 Digital bildebehandling Kompresjon og koding Del II LZW-koding Aritmetisk koding JPEG-kompresjon av gråtonebilder JPEG-kompresjon av fargebilder Rekonstruksjonsfeil i bilder
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Forelesning 11 Kompresjon og koding I Andreas Kleppe Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman Kompendium: Frem t.o.m. 18.7.2
DetaljerPLASS og TID IN 106, V-2001 KOMPRESJON OG KODING 30/ Fritz Albregtsen METODER ANVENDELSER
IN 106, V-2001 PLASS og TID Digitale bilder tar stor plass Eksempler: a 512 512 8 bits 3 farger 63 10 6 bits KOMPRESJON OG KODING 30/4 2001 b 24 36 mm fargefilm digitalisert ( x = y=12µm) 2000 3000 8 3
DetaljerPLASS og TID INF Fritz Albregtsen. Tema: komprimering av bilder ANVENDELSER METODER
PLASS og TID INF 60-30042002 Fritz Albregtsen Tema: komprimering av bilder Litteratur: Efford, DIP, kap 2 Digitale bilder tar stor plass Eksempler: a 52 52 8 bits 3 farger 63 0 6 bits b 24 36 mm fargefilm
DetaljerINF 1040 Løsningsforslag til kapittel
INF 040 Løsningsforslag til kapittel 8 Oppgave : Huffmankoding med kjente sannsynligheter Gitt en sekvens av symboler som er tilstrekkelig lang, og som inneholder de 6 symbolene A, B, C, D, E, F. Symbolene
DetaljerRepetisjon: Kompresjon
Repetisjon: Kompresjon INF2310 Digital bildebehandling FORELESNING 11 KOMPRESJON OG KODING II Andreas Kleppe Differansetransform Løpelengdetransform LZW-transform JPEG-kompresjon Tapsfri prediktiv koding
DetaljerLøsningsforslag, Ukeoppgaver 10 INF2310, våren 2011 kompresjon og koding del II
Løsningsforslag, Ukeoppgaver 10 INF2310, våren 2011 kompresjon og koding del II 1. En fax-oppgave: a. Et ark med tekst og enkle strektegninger skal sendes pr digital fax over en modemlinje med kapasitet
DetaljerRepetisjon: Kompresjon
INF2310 Digital bildebehandling Ole Marius Hoel Rindal, foiler av Andreas Kleppe Differansetransform Løpelengdetransform LZW-transform JPEG-kompresjon Tapsfri prediktiv koding Kompendium: 18.4, 18.7.3
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Forelesning 11 Kompresjon og koding II Andreas Kleppe Differansetransform Løpelengdetransform LZW-transform JPEG-kompresjon Tapsfri prediktiv koding Kompendium: 18.4, 18.7.3
DetaljerINF1040 Digital representasjon
INF1040 Digital representasjon av tekster, tall, former, lyd, bilder og video Forelesere: Gerhard Skagestein Fritz Albregtsen Første forelesning: Onsdag 23. august 12:15 14:00, Sophus Lies Auditorium.
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Forelesning 12 Kompresjon og koding II Andreas Kleppe LZW-koding Aritmetisk koding JPEG-kompresjon Tapsfri prediktiv koding Kompendium: 18.7.3-18.7.4 og 18.8-18.8.1 F12
DetaljerINF 1040 høsten 2009: Oppgavesett 13 Kompresjon og koding (kapittel 18)
asitoppgaver IN høsten : Oppgavesett Kompresjon og koding (kapittel ) enne seksjonen inneholder innledende oppgaver hvor det finnes en enkel fasit bakerst i oppgavesettet. et er ikke nødvendigvis meningen
DetaljerRepetisjon: Kompresjon
Repetisjon: Kompresjon INF230 Digital bildebehandling Forelesning Kompresjon og koding II Ole Marius Hoel Rindal, foiler av Andreas Kleppe Differansetransform Løpelengdetransform LZW-transform JPEG-kompresjon
DetaljerINF 1040 høsten 2009: Oppgavesett 13 Kompresjon og koding (løsningsforslag) (kapittel 18) Tenk selv -oppgaver
IN høsten : Oppgavesett Kompresjon og koding (løsningsforslag) (kapittel ) Tenk selv -oppgaver. Heksadesimal Sudoku Vi har en kvadratisk matrise med * elementer som igjen er delt opp i * blokker på * elementer.
DetaljerFORELESNING 12. KOMPRESJON OG KODING II Andreas Kleppe
Repetisjon: Kompresjon INF2310 Digital bildebehandling FORELESNING 12 KOMPRESJON OG KODING II Andreas Kleppe LZW-koding Aritmetisk koding JPEG-kompresjon Tapsfri prediktiv koding Kompendium: 18.7.3-18.7.4
DetaljerKOMPRESJON OG KODING
KOMPRESJON OG KODING Et kapittel fra boken Fritz Albregtsen & Gerhard Skagestein Digital representasjon av tekster, tall former, lyd, bilder og video 2. utgave Unipub 2007 - Med enkelte mindre endringer
DetaljerINF1040 Digital representasjon. Oppsummering. Glyfer og tegn. Den endelige løsning UNICODE og ISO bit ulike tegn!
INF040 Digital representasjon Oppsummering Glyfer og tegn Tegn: Det bakenforliggende begrep for bestemte visualiseringer ( strektegninger ) på papir, skjerm, steintavler Et tegn kan vises fram med ulike
DetaljerINF1040 Digital representasjon Oppsummering 2008 del II
INF040 Digital representasjon Oppsummering 2008 del II Fritz Albregtsen INF040-Oppsum-FA- Lydintensitet Vi kan høre lyder over et stort omfang av intensiteter: fra høreterskelen, I 0 = 0-2 W/m 2,tilSmerteterskelen,0
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 4. juni 2013 Tid for eksamen : 09:00 13:00 Oppgavesettet er på : 7 sider
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF310 Digital bildebehandling Eksamensdag : Tirsdag 5. juni 007 Tid for eksamen : 09:00 1:00 Oppgavesettet er på : 5 sider
DetaljerINF1040 Digital representasjon Oppsummering 2008 del II
INF igital representasjon Oppsummering 8 del II Lydintensitet Vi kan høre lyder over et stort omfang av intensiteter: fra høreterskelen, I - W/m,tilSmerteterskelen, W/m Oftest angir vi ikke absolutt lydintensitet
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 2. juni 2010 Tid for eksamen : 09:00 12:00 Oppgavesettet er på : XXX sider
DetaljerTDT4105/TDT4110 Informasjonsteknologi grunnkurs:
1 TDT4105/TDT4110 Informasjonsteknologi grunnkurs: Uke 38 Digital representasjon, del 2 - Representasjon av lyd og bilder - Komprimering av data Rune Sætre satre@idi.ntnu.no 2 Digitalisering av lyd Et
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Stephan Oepen & Erik Velldal Universitetet i Oslo 22. februar, 2013 Tema 2 Forrige uke Data-abstraksjon Lister av lister Tre-rekursjon Prosedyrer som datastruktur
DetaljerUlike typer redundans. Lempel-Ziv-koding. Universell koding. INF 2310 Digital bildebehandling. Kompresjon og koding Del II
Ulike typer redundns INF 230 Digitl ildeehndling Kompresjon og koding Del II LZW-koding Aritmetisk koding JPEG-kompresjon v gråtoneilder JPEG-kompresjon v frgeilder Rekonstruksjonsfeil i ilder Tpsfri prediktiv
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Stephan Oepen & Erik Velldal Universitetet i Oslo 22. februar, 2013 Tema 2 Forrige uke Data-abstraksjon Lister av lister Tre-rekursjon Prosedyrer som datastruktur
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Ole Marius Hoel Rindal Gråtonetrasformasjoner Histogramtransformasjoner 2D diskret Fourier-transform (2D DFT Filtrering i Fourierdomenet Kompresjon og koding Segmentering
DetaljerUlike typer redundans. Et annet eksempel. Kodingsredundans et eksempel. INF 2310 Digital bildebehandling. Kompresjon og koding Del II
Ulike typer redundns INF 230 Digitl ildeehndling Kompresjon og koding Del II LZW-koding Aritmetisk koding JPEG-kompresjon v gråtoneilder JPEG-kompresjon v frgeilder Rekonstruksjonsfeil i ilder Tpsfri prediktiv
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : Onsdag. juni Tid for eksamen : 4:3 8:3 Oppgavesettet er på : 5 sider Vedlegg : Ingen
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2310 Digital bildebehandling Eksamensdag: Mandag 1. juni 2015 Tid for eksamen: 14:30 18:30 Oppgavesettett er på: 6 sider Vedlegg:
DetaljerINF2810: Funksjonell Programmering. Huffmankoding
INF2810: Funksjonell programmering INF2810: Funksjonell Programmering Huffmankoding Erik Velldal Universitetet i Oslo 20. februar 2015 Tema I går Trær som lister av lister Trerekursjon Mengder som trær
DetaljerObjekt-bilde relasjonen. Vinkeloppløsnings-kriterier. Forstørrelse. INF 2310 Digital bildebehandling
Objekt-bilde relasjonen IN 3 Digital bildebehandling Oppsummering II, våren 7: y f f s s y Avbildning Naboskapsoperasjoner og konvolusjon Segmentering Kompresjon og koding av bilder argerom og bildebehandling
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 5. juni 2007 Tid for eksamen : 09:00 12:00 Oppgavesettet er på : 5 sider
DetaljerInformasjonsteori Skrevet av Joakim von Brandis, 18.09.2003
Informasjonsteori Skrevet av Joakim von Brandis, 18.09.200 1 Bits og bytes Fundamentalt for informasjonsteori er at all informasjon (signaler, lyd, bilde, dokumenter, tekst, etc) kan representeres som
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Stephan Oepen Universitetet i Oslo 1. mars 2016 Tema 2 Sist Trær som lister av lister Trerekursjon Mengder som trær I dag Hierarkisk og symbolsk data Eksempel:
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF230 Digital bildebehandling Eksamensdag : Onsdag 6. juni 202 Tid for eksamen : 09:00 3:00 Oppgavesettet er på : 6 sider Vedlegg
DetaljerUtkast med løsningshint inkludert UNIVERSITETET I OSLO
Utkast med løsningshint inkludert UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 2. juni 2010 Tid for eksamen : 09:00
DetaljerKomprimering av bilder
Ltteratur : IF 3 Dgtal ldeehandlng Forelesnng nr 3-3.5.5 Komprmerng av lder Efford, kap. Data Kompresjon oen egreper Lagrng eller oversendng Kompresjonsalgortme Dekompresjonsalgortme Dekompresjon Temaer
DetaljerSampling, kvantisering og lagring av lyd
Litteratur : Temaer i dag: Neste uke : Sampling, kvantisering og lagring av lyd Cyganski kap 11-12 Merk: trykkfeilliste legges på web-siden Sampling av lyd Kvantisering av lyd Avspilling av samplet og
DetaljerGråtonehistogrammer. Histogrammer. Hvordan endre kontrasten i et bilde? INF Hovedsakelig fra kap. 6.3 til 6.6
Hvordan endre kontrasten i et bilde? INF 230 Hovedsakelig fra kap. 6.3 til 6.6 Histogrammer Histogramtransformasjoner Histogramutjevning Histogramtilpasning Histogrammer i flere dimensjoner Matematisk
DetaljerFiltrering i bildedomenet. Middelverdifilter (lavpass) Lavpassfiltre. INF2310 Digital bildebehandling FORELESNING 15 REPETISJON
Filtrering i bildedomenet INF3 Digital bildebehandling FORELESNING 5 REPETISJON Andreas Kleppe Filtrering i bildedomenet D diskret Fourier-transform (D DFT) Kompresjon og koding Morfologiske operasjoner
DetaljerINF2310 Digital bildebehandling
INF230 Digital bildebehandling Forelesning 5 Repetisjon Andreas Kleppe Filtrering i bildedomenet 2D diskret Fourier-transform (2D DFT) Kompresjon og koding Morfologiske operasjoner på binære bilder F5
DetaljerUNIVERSITETET I OSLO
Bokmål UNIVERSIEE I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 3. juni 2009 id for eksamen : 14:30 17:30 Oppgavesettet er på : 6 sider
DetaljerINF 1040 Kompresjon og koding. Noen begreper. Litt om de tre stegene i kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Kompresjon og koding Tem i dg :. Hvor mye informsjon inneholder en melding?. Redundns Dt Kompresjon Noen egreper Lgring eller oversending Kompresjonslgoritme Dekompresjonslgoritme Dekompresjon Dt
DetaljerFiltrering i bildedomenet. 2D-konvolusjons-eksempel. 2D-konvolusjons-eksempel. INF2310 Digital bildebehandling
Filtrering i bildedomenet INF2310 Digital bildebehandling FORELESNING 16 REPETISJON DEL I Andreas Kleppe Filtrering i bildedomenet 2D diskret Fourier-transform (2D DFT) Kompresjon og koding Morfologiske
DetaljerINF1040 Oppgavesett 6: Lagring og overføring av data
INF1040 Oppgavesett 6: Lagring og overføring av data (Kapittel 1.5 1.8) Husk: De viktigste oppgavetypene i oppgavesettet er Tenk selv -oppgavene. Fasitoppgaver Denne seksjonen inneholder innledende oppgaver
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Forelesning 10 Kompresjon og koding I Ole Marius Hoel Rindal, foiler av Andreas Kleppe. Tre steg i kompresjon Redundanser Koding og entropi Shannon-Fano-koding Huffman-koding
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Stephan Oepen Universitetet i Oslo 1. mars 2016 Tema 2 Sist Trær som lister av lister Trerekursjon Mengder som trær I dag Hierarkisk og symbolsk data Eksempel:
DetaljerDV - CODEC. Introduksjon
DV - CODEC EN KORT PRESENTASJON I INF 5080 VED RICHARD MAGNOR STENBRO EMAIL: rms@stenbro.net 21. April 2004 Introduksjon Dv-codecen ble utviklet spesielt for bruk i både profesjonelle og konsumer kamera.
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 11: Huffman-koding & Dynamisk programmering (Ifi, UiO) INF2220 H2015, forelesning 11 1 / 32 Dagens
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF23 Digital bildebehandling Eksamensdag : Fredag 7. juni 29 Tid for eksamen : 9: 3: (4 timer) Løsningsskissen er på : 8 sider
DetaljerForkunnskapskrav. Hva handler kurset om. Kontaktinformasjon. Kurset er beregnet på en student som kan
Velkommen til INF4, Digital signalbehandling Hilde Skjevling (Kursansvarlig) Svein Bøe (Java) INSTITUTT FOR INFORMATIKK Kontaktinformasjon E-post: hildesk@ifi.uio.no Telefon: 85 4 4 Kontor: 4 i 4.etasje,
Detaljer2) Redegjør for de mest brukte filformater for digitale fotografier. Diskuter fordeler, ulemper og bruksområder for de ulike formatene.
Magnus Over-Rein / 28.09.2010 T4: Digitale bilder 1) Det er i hovedsak to måter å representere digitale bilder, raster (punkter) og vektorer (linjer og flater). Redegjør for disse to typene, diskuter fordeler
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2310 Digital bildebehandling Eksamensdag: Onsdag 28. mai 2014 Tid for eksamen: 09:00 13:00 Oppgavesettet er på: 6 sider Vedlegg:
DetaljerINF 1040 høsten 2009: Oppgavesett 12 Digital video og digital bildeanalyse (løsningsforslag) (kapittel 16 og 17) 13. Lagring av video på DVD
INF 040 høsten 2009: Oppgavesett 2 Digital video og digital bildeanalyse (løsningsforslag) (kapittel 6 og 7) 3. Lagring av video på DVD a) Med en bitrate på 250 Mbit/s, hvor lang tidssekvens av en digital
Detaljer1.Raster(bitmap) versus vektorer
1.Raster(bitmap) versus vektorer Raster er oftest brukt ved fotografier. Det er et rutenett bestående av små ruter, pixler, hvor hver pixel består av en fargekode. Når man forstørrer et bitmap bilde vil
DetaljerUNIVERSITETET I OSLO. Dette er et løsningsforslag
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF231 Digital bildebehandling Eksamensdag : Onsdag 3. juni 29 Tid for eksamen : 14:3 17:3 Løsningsforslaget er på :
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 4. juni 2008 Tid for eksamen : 14:30 17:30 (3 timer) Oppgavesettet er på
DetaljerDagens plan. INF Algoritmer og datastrukturer. Koding av tegn. Huffman-koding
Grafer Dagens plan INF2220 - Algoritmer og datastrukturer HØSTEN 2007 Institutt for informatikk, Universitetet i Oslo Avsluttende om grådige algoritmer (kap. 10.1.2) Dynamisk programmering Floyds algoritme
DetaljerUNIVERSITETET I OSLO
Eksamen i UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet INF 160 Digital bildebehandling Eksamensdag: Mandag 12. mai - mandag 26. mai 2003 Tid for eksamen: 12. mai 2003 kl 09:00 26. mai
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF210 Digital bildebehandling Eksamensdag: Onsdag 28. mai 2014 Tid for eksamen: 09:00 1:00 Løsningsforslaget
DetaljerKONTINUASJONSEKSAMEN
Høgskolen i Gjøvik Avdeling for Teknologi KONTINUASJONSEKSAMEN FAGNAVN: FAGNUMMER: Algoritmiske metoder I L 189 A EKSAMENSDATO: 17. august 2000 KLASSE: 98HINDA / 98HINDB / 98HINEA ( 2DA / 2DB / 2EA ) TID:
DetaljerIN2040: Funksjonell programmering. Trær, mengder og huffmankoding
IN2040: Funksjonell programmering Trær, mengder og huffmankoding Erik Velldal Universitetet i Oslo 18. september 2019 Tema 2 Forrige uke lambda, let og lokale variabler Dataabstraksjon Lister av lister:
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : Onsdag. juni Tid for eksamen : :3 8:3 Løsningsforslaget er på : 9
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Erik Velldal Universitetet i Oslo 23. februar 2017 Tema 2 Sist Trær som lister av lister Trerekursjon Mengder som trær Dataabstraksjon I dag Hierarkisk
DetaljerMAT1030 Diskret matematikk
MAT1030 Diskret matematikk Plenumsregning 3: Ukeoppgaver fra kapittel 2 & 3 Roger Antonsen Matematisk Institutt, Universitetet i Oslo 31. januar 2008 Oppgave 2.7 - Horners metode (a) 7216 8 : 7 8+2 58
DetaljerINF1040 Digital representasjon Oppsummering
INF Digital representasjon Oppsummering Elektriske ladninger (halvlederteknologi) RAM Flash memory Hvordan lagres bitene? lagret bit sensor Magnetisme Magnetplater (disk) strøm Gerhard Skagestein, Fritz
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer HØSTEN 2017 Ingrid Chieh Yu Institutt for informatikk, Universitetet i Oslo Forelesning 4: Prioritetskø og Heap Ingrid Chieh Yu (Ifi, UiO) INF2220 H2017, forelesning
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Fredag 29. mars 2019 Tid for eksamen : 14:30 18:30 (4 timer) Oppgavesettet er
DetaljerRepetisjon: Sampling. Repetisjon: Diskretisering. Repetisjon: Diskret vs kontinuerlig. Forelesning, 12.februar 2004
Repetisjon: Diskret vs kontinuerlig Forelesning,.februar 4 Kap. 4.-4. i læreboken. Anta variabelen t slik at a < t < b, (a, b) R sampling og rekonstruksjon, i tids- og frekvensdomenet Nyquist-Shannons
DetaljerKAPITTEL 10 Flerskala-analyse og kompresjon av lyd
KAPITTEL 10 Flerskala-analyse og kompresjon av lyd Vi kan lagre dokumenter av mange forskjellige typer på en datamaskin. Vi kan for eksempel ha en datafil der innholdet er tall, vi kan ha en tekstfil,
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2310 Digital bildebehandling Eksamensdag: Onsdag 1. juni 2015 Tid for eksamen: 14:30 18:30 Løsningsforslaget
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF30 Digital bildebehandling Eksamensdag: Mandag 6. juni 06 Tid for eksamen: 4:30 8:30 Løsningsforslaget er
DetaljerEksamen i INF 1040, 5. desember Det matematisk-naturvitenskapelige fakultet. Ditt kandidatnr: DETTE ER ET LØSNINGSFORSLAG
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF1040 Digital representasjon Eksamensdag : Fredag 5. desember 2008 Tid for eksamen : 09.00 12.00 Oppgavesettet er på
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Erik Velldal Universitetet i Oslo 23. februar 2017 Tema 2 Sist Trær som lister av lister Trerekursjon Mengder som trær Dataabstraksjon I dag Hierarkisk
DetaljerEksamen Løsningsforslag
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Eksamen Løsningsforslag INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Torsdag 1. juni 2017 Tidspunkt for eksamen:
DetaljerDigitale bilder. Det er i hovedsak to måter å representere digitale bilder på: rastergrafkk (punkter) og vektorgrafkk (linjer og fater).
Høgskolen i Østfold Digital Medieproduksjon Oppgave T4/Digitale bilder Uke 38/23.09.10 Jahnne Feldt Hansen Digitale bilder Det er i hovedsak to måter å representere digitale bilder på: rastergrafkk (punkter)
DetaljerFor J kvantiseringsnivåer er mean square feilen:
Slide 1 Slide 2 Kap. 6 Bilde kvantisering Kap. 6.1 Skalar kvantisering Desisons og rekonstruksonsnivåer velges ved å minimalisere et gitt kvantiseringsfeilmål mellom f og ˆf. Kvantisering: Prosessen som
DetaljerSampling av bilder. Romlig oppløsning, eksempler. INF Ukens temaer. Hovedsakelig fra kap. 2.4 i DIP
INF 2310 22.01.2008 Ukens temaer Hovedsakelig fra kap. 2.4 i DIP Romlig oppløsning og sampling av bilder Kvantisering Introduksjon til pikselmanipulasjon i Matlab (i morgen på onsdagstimen) Naturen er
DetaljerINF 1040 høsten 2008: Oppgavesett 9 Sampling og kvantisering av lyd (kapittel 11)
INF 1040 høsten 2008: Oppgavesett 9 Sampling og kvantisering av lyd (kapittel 11) Fasitoppgaver Denne seksjonen inneholder innledende oppgaver hvor det finnes en enkel fasit bakerst i oppgavesettet. Det
DetaljerTemaer i dag. Repetisjon av histogrammer II. Repetisjon av histogrammer I. INF 2310 Digital bildebehandling FORELESNING 5.
Temaer i dag INF 231 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
DetaljerRepetisjon av histogrammer
Repetisjon av histogrammer INF 231 Hovedsakelig fra kap. 3.3 i DIP Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for billedserier Litt om histogramtransformasjoner
DetaljerDet fysiske laget, del 2
Det fysiske laget, del 2 Kjell Åge Bringsrud (med foiler fra Pål Spilling) 1 Pulsforvrengning gjennom mediet Linje g(t) innsignal Dempning A(f) v(t) utsignal A(f) 0% 50% Frekvensresponsen Ideell Frekv.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 00 Modellering og beregninger. Eksamensdag: Torsdag 6. desember 202. Tid for eksamen: 9:00 3:00. Oppgavesettet er på 8
Detaljer