Merombilderogvideo. Fra bilder til video. Fra Edison til moderne kino. Luminans-variasjon
|
|
- Johanna Victoria Tollefsen
- 7 år siden
- Visninger:
Transkript
1 Merombilderogvideo Fra bilder til video Når vi lukker øynene, tar det litt tid før etter - bildet forsvinner, spesielt hvis intensiteten er høy (i deler av) bildet. Bildet forsvinner gradvis (eksponensielt) fra retina. Video - mer kommer i neste forelesning (kompresjon) Litt om objektgjenkjenning i bilder Litt om vektor-grafikk Etter pausen: Kort repetisjon om lyd og bilder Det er en kort periode da vi ikke kan ta inn ny informasjon -- selv om øynene er åpne. Dette kan vi teste med periodiske lysblink. Det viser seg at critical flicker fusion frequency øker logaritmisk med økende luminans. Den er så lav som 4 s -1 for lave lysstyrker, der bare stavene er virksomme. Den er ca 60 s -1 for kraftig lysstyrke, der bare tappene er virksomme, og konvergerer mot 80 s -1 INF1040-Bilde 3-1 INF1040-Bilde 3-2 Luminans-variasjon Fra Edison til moderne kino Når lysblinkene kommer tett nok etter hverandre i tid, vil de oppfattes som et jevnt lys, uten flicker. Den effektive oppfattede luminans vil være gjennomsnittet over belysnings-sykelen, som jo egentlig består av en lys og en mørk del. Dette betyr at vi kan variere den effektive luminans ved å holde den fysiske intensiteten til lyskilden konstant, og bare variere lengden av den mørke delen mellom lysblinkene. Thomas Alva Edison laget filmfremvisere med 10 bilder/sekund. Dette var (nesten) tilstrekkelig til å gi en illusjon om kontinuerlig bevegelse. Problemet med at tilskuerne ble slitne av luminance flicker (se foil 2) ble løst ved å vise fram hvert bilde 3 ganger, altså en 30 flash-per-second presentasjon. Filmindustrien videreutviklet dette til 24 bilder/sekund, som gir en mye bedre illusjon om kontinuerlig bevegelse. For å fjerne opplevelsen av flimmer blir bildene vist 2 ganger, noe som gir en illusjon om 48 bilder/sekund. INF1040-Bilde 3-3 INF1040-Bilde 3-4
2 TV og video Interlacing På en TV-skjerm benytter man seg av interlacing. TV og video er i virkeligheten en sekvens av stillbilder. Et nytt stillbilde sendes så ofte at øyet vårt oppfatter det som et kontinuerlig signal/kontinuerlig film i tid. Vi ser ikke skiftene mellom stillbildene. Hvis neste bilde viser et objekt som har flyttet seg litt, oppfatter øyet det som om vi ser bevegelse. Skal vi se TV-bilder med naturlig bevegelse, må de skifte med en frekvens på minst 50 Hz. Hvert bilde deles i to separate felter Det første består av linjene 1,3,5,7,9, (oddetalls linjer) Det andre består av linjene 2,4,6,8,10, (partalls linjer) 30 ganger i sekundet skifter linje 1,3,5,... og midt mellom hvert av disse skiftene skifter linje 2,4,6.... Tilsammen skiftes bildet 60 ganger i sekundet, men man trenger ikke å overføre mer enn 30 bilder pr sekund til TV-skjermen. Dette er en teknikk for flimmerfri framvisning med halv båndbredde. Hvert felt kan splittes I odde- og partalls kolonner ( double interlace ). Bruk ikke klær med fiskebeins-mønster på TV! INF1040-Bilde 3-5 INF1040-Bilde 3-6 Optimal digital video Digital video består av en tids-sekvens av digitale still-bilder. Hvert bilde er digitalisert i henhold til de regler som gjelder for digitale bilder. Geometrisk oppløsning: Husk Nyquist-teoremet og Rayleighkriteriet! Fargekamera: For hvert piksel måles lysintensitet i tre separate bånd i det elektromagnetiske spekteret. Husk at for hvert bånd (red, green, blue) skal vi : 1. beregne gjennomsnittsverdien i hver rute 2. skalere slik at den passer innenfor det tall-området vi skal bruke 3. kvantiserer verdiene til nærmeste heltalls verdi i tall-området Bilde-frekvensen må være høy nok (60 Hz) til å fange opp all den tids-informasjon som vi er i stand til å oppfatte. Et overslag over datamengder Anta vi har en skjerm med 512x512 piksler det er ikke stort, og 3 bit for hver av fargene R, G, B (tilsammen 9 bit pr. piksel det er ikke mye!). Vi skal ha 60 bilder i sekundet og lagre en film på 1 time: 512x512x9x60x3600 = bit Med 24 bits/pixel vil en 512x512 pixels film på 3 timer vil ta 512x512x24x60x3600x3/1024x1024x1024x8 = 475 GB Dette blir så store datamengder at vi må bruke kompresjon og koding for å lagre dem smart! INF1040-Bilde 3-7 INF1040-Bilde 3-8
3 Litt om digitale kart Digitale kart ligger lagret på vektorform: Regioner ligger som flater Objektgjenkjenning i bilder Motivasjon: det vi egentlig trenger å lagre fra et bilde, er ofte informasjon om akkurat hva det inneholder. Veier ligger som linjer Bygninger o.l. ligger som punkter med en viss størrelse. Stedsnavn ligger som tekst Høydekurver ligger som linjer Vann ligger som konturer Kartene ligger med mange lag, f.eks. for M711-serien: Stedsnavn, bygg og anlegg, høydepunkt, bygg og anlegg, veier, markslagsgrenser, samferdsel, høydedata, kommunegrenser, fylkesgrenser, vannkontur, elver, etc. Steg i et enkelt system for objektgjenkjenning: Filtering for å fjerne støy Segmentering av objekter og bakgrunn Kantdeteksjon Terskling Beregne egenskaper fra objektene Klassifisere objektene som ulike typer INF1040-Bilde 3-9 INF1040-Bilde 3-10 Filtrering av bilder To enkle metoder for å filtrere et bilde: Middelverdifilter: erstatt pikselverdien i et punkt med gjennomsnittet av pikselverdiene til nabopikslene. Medianfilter: erstatt pikselverdien i et punkt med medianen av pikselverdiene til nabopikslene. Original Terskling for å finne objektene i bildet Terskling: sett alle piksler med pikselverdi<t til 0, og alle >=T til 255. Utfordring: bestemme den beste verdien av T automatisk Globale metoder bruker samme terskel for hele bildet. Lokale metoder bruker en terskel som varierer etter kontrasten lokalt i bildet. I begge tilfeller brukes histogrammet til å finne terskelen T. Bevarer kanter i bildet bedre enn middelverdifilteret. Medianfiltrert med vindu på 5x5 piksler Terskelen T settes gjerne i lokale minimumspunkter i histogrammet INF1040-Bilde 3-11 INF1040-Bilde 3-12
4 Terskling med og uten støyfjerning Terskling uten filtering Kantdeteksjon i bilder Vi vet at vårt (og mange andre dyrs) syns-system er basert på deteksjon av kanter og linjer i bilder. Kanter i bildet gir oss ofte overganger mellom objekter. Kanter beregnes ved operatorer som ser på den deriverte i x- og y-retningen. Terskling etter medianfiltering Den deriverte approksimeres ved differanser, f.eks. f(x-1,y) - f(x+1,y) i x-retningen og f(x,y-1) - f(x,y+1) i y-retningen. Slike enkle operatorer er følsomme for tilfeldig støy i bildet. De vil medføre at vi finner falske kanter som ikke har noe med objektene å gjøre. INF1040-Bilde 3-13 INF1040-Bilde 3-14 Kantdeteksjon Fra segmentert bilde til objekter Lag et objekt for hver region i bildet. Kantdeteksjon uten støyfjerning først Vi lager oss en datastruktur som inneholder en liste over objekter. Kantdeteksjon etter medianfiltrering For hvert objekt har vi en liste over alle piksler dette inneholder. Hvis vi vet noe om størrelsen på objektene, kan vi fjerne små objekter som vi regner med er støy. INF1040-Bilde 3-15 INF1040-Bilde 3-16
5 Egenskapsuttrekking for objekter For hvert objekt, må vi beregne egenskaper som skiller det fra andre objekter, og som er felles for alle objekter av samme type. Stikkordet er er: hvordan beskriver vi formen til et objekt? F.eks. Hva skiller en B fra en D, eller E fra F? Enkle form-egenskaper er areal, omkrets, krumning, bounding-box (minste rektangel som inneholder objektet). Andre eksempler er tyngdepunkt og høyere ordens momenter. Vi kan også beskrive kanten f.eks. med splines eller Fourierkoeffisienter. Klassifikasjon av objekter Fra et sett kjente objekter, bygger vi en database med beskrivelse for hver objekttype (en beskrivelse for hver bokstav). Typisk må databasen inneholde tusenvis av objekter av hver klasse. Basert på egenskapene for hvert objekt, matcher vi mot databasen og finner den objektklassen (bokstaven) det ligner mest på. Enkle metoder for å finne den klassen det ligner mest på: Finn de 5 objektene den ligner mest på, velg objektklassen som forekommer oftest blant disse 5. Regn ut korrelasjonen mellom objektet og alle objektene i databasen (lite robust) Tilpass en statistisk sannsynlighetsfordeling (f.eks. normalfordeling) til hver klasse. Velg klassen med størst sannsynlighet. INF1040-Bilde 3-17 INF1040-Bilde 3-18 Tekstgjenkjenning Tekstgjenkjenning - ulike fonter La oss si at vi skal kjenne igjen bokstaver i et bilde. En bokstav kan jo se helt ulik ut i ulike fonter: Vi har segmentert bildet i objekter vha. terskling. Små og store bokstaver er forskjellige, vi må bruke en av delene eller trene systemet på begge deler. A a B b C c Hvordan matcher vi bokstaver med ulik fontstørrelse? A A A A Ulik stil, samme font A A AAA A A A A A A A A A A A A Ulike fonter Matcher vi piksel for piksel, vil vi få dårlig gjenkjenningsrate. Håndskrevne symboler gjør det enda vanskeligere Vi kan trene systemet på bokstaver i alle størrelser. Vi kan skalere objektet slik at objektet har en viss størrelse Skalering av objektet slik at det passer i en boks på 32x32 piksler INF1040-Bilde 3-19 INF1040-Bilde 3-20
6 Tekstgjenkjenning - flere utfordringer Ofte vil en bokstav ikke være helt sammenhengende etter segmentering, men fragmentert i flere delobjekter. To bokstaver kan også henge sammen. Noen bokstaver består av flere objekter, f.eks. å og i Tekstgjenkjenning i praksis Moralen er: robust tekstgjenkjenning er vanskelig å programmere. Maskinen kan ikke konkurrere med øyet. Men mennesket gjør også feil når vi blir trøtte. Dette er et veldig viktig anvendelsesområde. Tekst som skal maskinavleses kan erstattes av strek-koder, men må da ofte gis som kombinert strekkode og tekst. Automatisk mønstergjenkjenning er vanskelig, men gøy: For de som vil gå i dybden: INF 2310 Digital bildebehandling, INF 3300 Digital bildeanalyse INF1040-Bilde 3-21 INF1040-Bilde 3-22 To representasjoner for bilder Det er to fundamentalt forskjellige måter å representere et bilde på: 1. Lagre alle pikselverdiene (gråtoneverdi, eller fargekomponenter) 2. Lagre en parametrisert beskrivelse av bildets innhold Den siste metoden krever at bildet deles opp i objekter, og at hvert objekt beskrives ved en rekke parametre. Dette forutsetter 1. Enten at bildet er forholdsvis enkelt (skisser, tegninger, CAD, kart, ) 2. Eller at det brukes veldig mange parametre for å generere noe som ligner på et naturlig bilde ( virtual reality ). I det siste tilfellet er det naturlig å la objekter ha overflate-egenskaper (varierende farge, refleksjonsegenskaper, tekstur, etc.). INF1040-Bilde 3-23 Scalable Vector Graphics (SVG) XML vektorgrafikk Hva produseres som output av filen example.svg? <?xml version="1.0" standalone="no"?> <!DOCTYPE svg PUBLIC "-//W3C//DTD SVG //EN" " <svg width="20cm" height="15cm" xmlns=" <title>example - simple use of SVG</title> <text x="20" y="20" font-family="verdana" font-size="15" fill="blue" > Example - simple use of SVG </text> <line x1="100" y1="300" x2="300" y2="100 stroke = "black" stroke-width="10" /> <line x1="100" y1="100" x2="300" y2="300 stroke = "red" stroke-width="10" /> <circle cx="100" cy="300" r="50" fill = "none"stroke = "black" stroke-width="10" /> <rect x="320" y="100" width="130" height="200" fill="green" stroke="blue" strokewidth="1" /> </svg> INF1040-Bilde 3-24
7 SVG resultat SVG SVG er et språk for å beskrive 2-D grafikk i XML. SVG tillater tre typer grafiske objekter : Vektor-grafikk Bilder Tekst Grafiske objekter kan grupperes og transformeres. Transformasjoner kan nestes, man kan ha delvis transparente masker, filtre og templater. INF1040-Bilde 3-25 INF1040-Bilde 3-26 Animasjon Når objektene er beskrevet som vektor-grafikk, kan man flytte på øye-punktet, og få fram et nytt bilde av objektene. Hvis øyet beveger seg langs en parametrisert bane, vil man få en sekvens av resultat-bilder. Man kan legge på fade-in og fade-out effekter. Objekter kan endre størrelse, form og farge underveis. Objekter kan bevege seg i forhold til hverandre, og rotere. Netto-effekten er en animasjon. Er animasjonen tilstrekkelig kompleks, kan bilde - sekvensen se ganske virkelighetsnær ut, uten at det er lagret noen bilder. SVG vær oppmerksom på For at en nettleser skal kunne vise fram en svg-fil, må den ha en plug-in for dette Koordinatsystemet har origo øverst til venstre y-aksen peker nedover Koordinater kan regnes i piksler, typografiske punkter og centimeter For detaljer, se INF1040-Bilde 3-27 INF1040-Bilde 3-28
Fra bilder til video. INF 1040 Digital video digital bildeanalyse. Fra Lumiere og Edison til moderne kino. Luminans-variasjon
INF 1040 Digital video digital bildeanalyse Tema i dag : 1. Fra stillbilder til videosekvenser 2. Digital video 3. Hvorfor kan video komprimeres? 4. Digitale videostandarder, lagring på DVD 5. Digital
DetaljerINF 1040 Digital video digital bildeanalyse
INF 1040 Digital video digital bildeanalyse Tema i dag : 1. Fra stillbilder til videosekvenser 2. Digital video 3. Hvorfor kan video komprimeres? 4. Digitale videostandarder, lagring på DVD 5. Digital
DetaljerINF 1040 Digital video digital bildeanalyse. Fra bilder til video. Fra Lumiere og Edison til moderne kino. Digital Light Processing og DMD
INF 040 Digital video digital bildeanalyse Tema i dag :. Fra stillbilder til videosekvenser 2. Digital video 3. Hvorfor kan video komprimeres? 4. Digitale videostandarder, lagring på DVD 5. Digital bildebehandling
DetaljerFra bilder til video. INF 1040 Digital video digital bildeanalyse. Fra Lumiere og Edison til moderne kino. Luminans-integrasjon
INF 1040 Digital video digital bildeanalyse Tema i dag : 1. Fra stillbilder til videosekvenser 2. Digital video 3. Hvorfor kan video komprimeres? 4. Digitale videostandarder, lagring på DVD 5. Digital
DetaljerINF 1040 Digital video digital bildeanalyse
INF 1040 Digital video digital bildeanalyse Tema i dag : 1. Fra stillbilder til videosekvenser 2. Digital video 3. Hvorfor kan video komprimeres? 4. Digitale videostandarder, lagring på DVD 5. Digital
DetaljerFra bilder til video. INF 1040 Digital video digital bildeanalyse. Fra Lumiere og Edison til moderne kino. Digital Light Processing og DMD
INF 040 Digital video digital bildeanalyse Tema i dag :. Fra stillbilder til videosekvenser 2. Digital video 3. Hvorfor kan video komprimeres? 4. Digitale videostandarder, lagring på DVD 5. Digital bildebehandling
DetaljerINF 1040 Digital video digital bildeanalyse
INF 1040 Digital video digital bildeanalyse Tema i dag : 1. Fra stillbilder til videosekvenser 2. Digital video 3. Hvorfor kan video komprimeres? 4. Digitale videostandarder, lagring på DVD 5. Digital
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
DetaljerUt i rommet. Læringsmål. Punkter i endimensjonalt rom Skalarer. Punkt i todimensjonalt rom. Geometrier, tid, kart, bilder, animasjoner, CAD/CAM,
Ut i rommet Geometrier, tid, kart, bilder, animasjoner, CAD/CAM, Læringsmål Forstå koordinater og koordinatsstemer Forstå geometrier I rommet Forstå forskjellen mellom vektor- og rasterrepresentasjon,
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
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.
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
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:
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
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
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
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
DetaljerLokale operasjoner. Omgivelser/naboskap/vindu. Bruksområder - filtrering. INF 2310 Digital bildebehandling FILTRERING I BILDE-DOMÈNET I
Lokale operasjoner INF 30 Digital bildebehandling FILTRERING I BILDE-DOMÈNET I Naboskaps-operasjoner Konvolusjon og korrelasjon Kant-bevarende filtre Ikke-lineære filtre GW Kap. 3.4-3.5 + Kap. 5.3 Vi skal
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
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
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 28. mars 2007 Tid for eksamen : 13:30 16:30 Oppgavesettet er på : 4 sider
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 : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 25. mars 2014 Tid for eksamen : 15:00 19:00 Oppgavesettett er på : 6 sider
DetaljerMidtveiseksamen Løsningsforslag
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Midtveiseksamen Løsningsforslag INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Tirsdag 21. mars 2017 Tidspunkt
DetaljerINF1040-Video-2. Institutt for informatikk Martin Giese 28. oktober INF1040-Video-1. Institutt for informatikk Martin Giese 28.
INF 1040 Digital video digital bildeanalse Tema i dag : 1. Fra stillbilder til videosekvenser 2. Digital video 3. Hvorfor kan video komprimeres? 4. Digitale videostandarder, lagring på DVD 5. Digital bildebehandling
DetaljerMidtveiseksamen. INF Digital Bildebehandling
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Midtveiseksamen INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Tirsdag 21. mars 2017 Tidspunkt for eksamen:
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
DetaljerUNIVERSITETET I OSLO
Bokmål UNIVERSIEE I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : irsdag 29. mars 2011 id for eksamen : 15:00 19:00 Oppgavesettet er på : 5
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 :
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
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
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
DetaljerMotivasjon. Litt sett-teori. Eksempel. INF Mesteparten av kap i DIP Morfologiske operasjoner på binære bilder.
1 Motivasjon INF 2310 Mesteparten av kap 9.1-9.5 i DIP Morfologiske operasjoner på binære bilder Basis-begreper Fundamentale operasjoner på binære bilder Sammensatte operasjoner Eksempler på anvendelser
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
DetaljerInf109 Programmering for realister Uke 5. I denne leksjonen skal vi se på hvordan vi kan lage våre egne vinduer og hvordan vi bruker disse.
Inf109 Programmering for realister Uke 5 I denne leksjonen skal vi se på hvordan vi kan lage våre egne vinduer og hvordan vi bruker disse. Før du starter må du kopiere filen graphics.py fra http://www.ii.uib.no/~matthew/inf1092014
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
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:
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF-Digital bildebehandling Eksamensdag: Tirsdag. mars 5 Tid for eksamen: 5:-9: Løsningsforslaget er på: sider Vedlegg: Ingen
DetaljerMotivasjon. INF 2310 Morfologi. Eksempel. Gjenkjenning av objekter intro (mer i INF 4300) Problem: gjenkjenn alle tall i bildet automatisk.
INF 230 Morfologi Morfologiske operasjoner på binære bilder:. Basis-begreper 2. Fundamentale operasjoner på binære bilder 3. ammensatte operasjoner 4. Eksempler på anvendelser flettet inn GW, Kapittel
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
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
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSIEE I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : irsdag 9. mars id for eksamen : 5: 9: Oppgavesettet er på : 5 sider
Detaljer"Dette skjer når jeg trykker på denne knappen" "Når jeg skriver i dette feltet, ser jeg at det andre forandrer seg"
Tegning med SVG Skrevet av: Teodor Heggelund Kurs: Elm Tema: Tekstbasert, Nettside Fag: Programmering, Teknologi Klassetrinn: 8.-10. klasse, Videregående skole Introduksjon I denne oppagaven skal vi lære
DetaljerLogo med FXML. Introduksjon. Skrevet av: Hallvard Trætteberg
Logo med FXML Skrevet av: Hallvard Trætteberg Kurs: Javafx Introduksjon En viktig del av det å lage app-er er å utforme skjerminnholdet, dvs. alt app-en inneholder av grafikk, knapper, lister, osv. Formålet
Detaljerd. Utviklingssteg for å utforme animasjonssekvenser:
Oppgave 1: Generelt a. Logisk inndeling av inputdata: Locator En enhet for å spesifisere en koordinatposisjon. Stroke En enhet for å spesifisere et sett med koordinatposisjoner. String En enhet for å spesifisere
DetaljerMorfologiske operasjoner på binære bilder
Digital bildebehandling Forelesning 13 Morfologiske operasjoner på binære bilder Andreas Kleppe Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på anvendelser
DetaljerINF 1040 løsningsforslag til kapittel 17
INF 1040 løsningsforslag til kapittel 17 Oppgave 1: Bilder og histogrammer Her ser du pikselverdiene i et lite bilde. Kan du regne ut histogrammet til bildet, dvs. lage en tabell over hvor mange piksler
DetaljerLokale operasjoner. Omgivelser/naboskap/vindu. Bruksområder - filtrering. INF 2310 Digital bildebehandling FORELESNING 6 FILTRERING I BILDE-DOMÈNET I
Lokale operasjoner INF 30 Digital bildebehandling FORELESNING 6 FILTRERING I BILDE-DOMÈNET I Fritz Albregtsen Naboskaps-operasjoner Konvolusjon og korrelasjon Kant-bevarende filtre Ikke-lineære filtre
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
DetaljerMorfologiske operasjoner på binære bilder
Digital bildebehandling Forelesning 15 Morfologiske operasjoner på binære bilder Fritz Albregtsen Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på anvendelser
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
DetaljerMultimediapresentasjon for amatørmurere
Multimediapresentasjon for amatørmurere Hjemmeeksamen, INF1040 Universitetet i Oslo Institutt for informatikk høsten 2004 Kandidatnummer 126 Oppgave 1 Forutsetninger Vi skal avblide en murer som legger
DetaljerOm plotting. Knut Mørken. 31. oktober 2003
Om plotting Knut Mørken 31. oktober 2003 1 Innledning Dette lille notatet tar for seg primitiv plotting av funksjoner og visualisering av Newtons metode ved hjelp av Java-klassen PlotDisplayer. Merk at
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
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
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
DetaljerMotivasjon. Litt sett-teori. Eksempel. INF Kap. 11 i Efford Morfologiske operasjoner. Basis-begreper
Basis-begreper INF 2310 08.05.2006 Kap. 11 i Efford Morfologiske operasjoner Fundamentale operasjoner på binære bilder Sammensatte operasjoner Morfologisk filtrering Morfologiske operasjoner på gråtonebilder
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
DetaljerOppgave 1A. Kapittel 1 >> OPPGAVER. Oppgave 1B
Kapittel 1 Oppgave 1A Lag et nytt dokument i Flash CS6 og gjør deg kjent med skjermbildet. Prøv å åpne og lukke paneler, og å flytte dem rundt på skjermen. Husk at du alltid kan komme tilbake standard
DetaljerKodetime for Nordstrand barneskole
Kodetime for Nordstrand barneskole av Veronika Heimsbakk og Lars Erik Realfsen 1 Hva er Processing? Processing er et programmeringsspråk som er gratis, og tilgjengelig for alle! Man kan programmere i Processing
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
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: INF30-Digital bildebehandling Eksamensdag: Tirsdag 5. mars 06 Tid for eksamen: 09:00-3:00 Løsningsforslaget er på: 4 sider Vedlegg:
DetaljerKantsegmentering NTNU
Kantsegmentering Lars Aurdal Norsk regnesentral aurdal@nr.no 19. april 24 Oversikt, kantsegmentering Litt praktisk informasjon. Motivasjon. Hva er en kant i et bilde? Hva er segmentering? Hva er kantsegmentering?
DetaljerMorfologi i Gråskala-Bilder II
Morfologi i Gråskala-Bilder II Lars Vidar Magnusson April 4, 2017 Delkapittel 9.6 Gray-Scale Morphology Top-Hat (Topphatt) Transformasjon Et eksempel på bruk av top-hat transformasjonen Top-Hat (Topphatt)
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
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
DetaljerINF Kap og i DIP
INF 30 7.0.009 Kap..4.4 og.6.5 i DIP Anne Solberg Geometriske operasjoner Affine transformer Interpolasjon Samregistrering av bilder Geometriske operasjoner Endrer på pikslenes posisjoner o steg:. Finn
DetaljerCSS: Animasjon Nybegynner
CSS: Animasjon Nybegynner Web Introduksjon I denne oppgaven skal du lære å animerer HTML-objekter ved hjelp av CSS. Under ser du hvordan resultatet vil bli til slutt: Men før vi starter å lage animasjonen
DetaljerFiltrering. Konvolusjon. Konvolusjon. INF2310 Digital bildebehandling FORELESNING 6 FILTRERING I BILDEDOMENET I
Filtrering INF30 Digital bildebehandling FORELESNING 6 FILTRERING I BILDEDOMENET I Andreas Kleppe Naboskaps-operasjoner Konvolusjon og korrelasjon Lavpassfiltrering og kant-bevaring G&W:.6., 3., 3.4-3.5,
DetaljerGrunnleggende om Digitale Bilder (ITD33515)
Grunnleggende om Digitale Bilder (ITD33515) Lars Vidar Magnusson January 13, 2017 Delkapittel 2.2, 2.3, 2.4 og 2.5 Lys og det Elektromagnetiske Spektrum Bølgelengde, Frekvens og Energi Bølgelengde λ og
DetaljerTemaer i dag. Mer om romlig oppløsning. Optisk avbildning. INF 2310 Digital bildebehandling
Temaer i dag INF 2310 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål i bilder Pensum: Kap.
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 25. mars 2014 Tid for eksamen : 15:00 19:00 Løsningsforslaget
DetaljerKanter, kanter, mange mangekanter. Introduksjon: Steg 1: Enkle firkanter. Sjekkliste. Skrevet av: Sigmund Hansen
Kanter, kanter, mange mangekanter Skrevet av: Sigmund Hansen Kurs: Processing Tema: Tekstbasert, Animasjon Fag: Matematikk, Programmering, Kunst og håndverk Klassetrinn: 8.-10. klasse, Videregående skole
DetaljerØyet og synssystemet vårt. INF 1040 Syn, avbildning og digitale bilder. Øyets linsesystem. Iris og pupillen. Motivasjon for å kunne noe om dette:
INF 4 Syn, avbildning og digitale bilder Temaer i dag :. Synssystemet vårt 2. Avbildning. Digitalisering av bilder Pensumlitteratur: Læreboka, kapittel 2, og 4. Øyet og synssystemet vårt Motivasjon for
DetaljerINF 1040 Syn, avbildning og digitale bilder
INF 1040 Syn, avbildning og digitale bilder Temaer i dag : 1. Synssystemet vårt 2. Avbildning 3. Digitalisering av bilder Pensumlitteratur: Læreboka, kapittel 12, 13 og 14. INF1040-Bilde1-1 Øyet og synssystemet
DetaljerLøpende strekmann Erfaren Videregående Python PDF
Løpende strekmann Erfaren Videregående Python PDF Introduksjon I denne oppgaven skal du lage et spill der du styrer en strekmann som hopper over hindringer. Steg 1: Ny fil Begynn med å lage en fil som
DetaljerSteg 1: Hente grafikk fra nettet
Scratch King Kong Skrevet av: Samuel Erik Abildsø og Geir Arne Hjelle Kurs: Scratch Tema: Blokkbasert, Spill, Animasjon Fag: Engelsk, Kunst og håndverk, Matematikk, Programmering Klassetrinn: 1.-4. klasse,
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF 160 Digital bildebehandling Eksamensdag: Mandag 13. mai - mandag 27. mai 2002 Tid for eksamen: 13. mai 2002 kl 09:00 27. mai
DetaljerINF2310 Digital bildebehandling
INF230 Digital bildebehandling Forelesning 6 Filtrering i bildedomenet I Fritz Albregtsen Naboskaps-operasjoner Konvolusjon og korrelasjon Lavpassfiltrering og kant-bevaring G&W: 2.6.2, 3., 3.4-3.5, deler
DetaljerØyet og synssystemet vårt. INF 1040 Syn, avbildning og digitale bilder. Øyets linsesystem. Iris og pupillen. Motivasjon for å kunne noe om dette:
INF 040 Syn, avbildning og digitale bilder Temaer i dag :. Synssystemet vårt hvordan fungerer det 2. Avbildning. Digitalisering av bilder Pensumlitteratur: Læreboka, kapittel 2, og 4. Øyet og synssystemet
DetaljerINF Stikkord over pensum til midtveis 2017 Kristine Baluka Hein
INF2310 - Stikkord over pensum til midtveis 2017 Kristine Baluka Hein 1 Forhold mellom størrelse i bildeplan y og "virkelighet"y y y = s s og 1 s + 1 s = 1 f Rayleigh kriteriet sin θ = 1.22 λ D y s = 1.22
DetaljerSteg 1: Animasjons-attributtet
CSS: Animasjon Skrevet av: Lars Klingenberg Kurs: Web Tema: Tekstbasert, Nettside, Animasjon Fag: Matematikk, Programmering, Kunst og håndverk Klassetrinn: 5.-7. klasse, 8.-10. klasse, Videregående skole
DetaljerKing Kong Erfaren Scratch PDF
King Kong Erfaren Scratch PDF Introduksjon I dette spillet inspirert av historien om King Kong, skal vi se hvor lett det er å bruke grafikk som ikke allerede ligger i Scratchbiblioteket. I spillet styrer
DetaljerKanter, kanter, mange mangekanter
Kanter, kanter, mange mangekanter Nybegynner Processing PDF Introduksjon: Her skal vi se på litt mer avansert opptegning og bevegelse. Vi skal ta utgangspunkt i oppgaven om den sprettende ballen, men bytte
DetaljerINF februar 2017 Ukens temaer (Hovedsakelig fra kap. 3.1 og 3.2 i DIP) (Histogrammer omtales i kap. 3.3)
8. februar 2017 Ukens temaer (Hovedsakelig fra kap. 3.1 og 3.2 i DIP) (Histogrammer omtales i kap. 3.3) Histogrammer Lineære gråtonetransformer Standardisering av bilder med lineær transform Ikke-lineære,
DetaljerMer om Histogramprosessering og Convolution/Correlation
Mer om Histogramprosessering og Convolution/Correlation Lars Vidar Magnusson January 30, 2017 Delkapittel 3.3 Histogram Processing Delkapittel 3.4 Fundementals of Spatial Filtering Lokal Histogramprosessering
DetaljerHistogramprosessering
Histogramprosessering Lars Vidar Magnusson January 22, 2018 Delkapittel 3.3 Histogram Processing Histogram i Bildeanalyse Et histogram av et digitalt bilde med intensitet i intervallet [0, L) er en diskret
DetaljerSnake Expert Scratch PDF
Snake Expert Scratch PDF Introduksjon En eller annen variant av Snake har eksistert på nesten alle personlige datamaskiner helt siden slutten av 1970-tallet. Ekstra populært ble spillet da det dukket opp
Detaljer( x+ π 2) Bakgrunn: Sinus og cosinus. Bakgrunn: Samplet sinus i 1D. Bakgrunn: Samplet sinus i 2D. Bakgrunn: Sinus i 2D. sin( x)=cos.
Bakgrunn: Samplet sinus i 1D Bakgrunn: Sinus og cosinus En generell samplet sinusfunksjon kan skrives som: y(t) = A sin(2πut/n + φ) t : tid; 0, 1,..., N-1 A : amplitude u : antall hele perioder* N : antall
DetaljerIntroduksjon. Litt mengdeteori. Eksempel: Lenke sammen objekter. Morfologiske operasjoner på binære bilder. INF2310 Digital bildebehandling
Digital bildebehandling Forelesning 3 Morfologiske operasjoner på binære bilder Andreas Kleppe Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på anvendelser
DetaljerOm du allerede kjenner Scratch og har en Scratchbruker kan du gå videre til Steg 1.
Pingviner på tur Skrevet av: Geir Arne Hjelle Kurs: Scratch Tema: Blokkbasert, Spill Fag: Programmering Klassetrinn: 1.-4. klasse, 5.-7. klasse, 8.-10. klasse Introduksjon Velkommen til Scratch. Vi skal
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
DetaljerFilter-egenskaper INF Fritz Albregtsen
Filter-egenskaper INF 60-04.03.2002 Fritz Albregtsen Tema: Naboskaps-operasjoner Del 2: - Lineær filtrering - Gradient-detektorer - Laplace-operatorer Linearitet H [af (x, y) + bf 2 (x, y)] ah [f (x, y)]
DetaljerINF2310 Digital bildebehandling
Filtrering INF30 Digital bildebehandling FORELESNING 6 FILTRERING I BILDEDOMENET I Fritz Albregtsen Naboskaps-operasjoner Konvolusjon og korrelasjon Lavpassfiltrering og kant-bevaring G&W:.6., 3., 3.4-3.5,
DetaljerHØGSKOLEN I BERGEN Avdeling for ingeniørutdanning
HØGSKOLEN I BERGEN Avdeling for ingeniørutdanning Eksamen i SOD 165 Grafiske metoder Klasse : 3D Dato : 15. august 2000 Antall oppgaver : 4 Antall sider : 4 Vedlegg : Utdrag fra OpenGL Reference Manual
Detaljerdg = ( g P0 u)ds = ( ) = 0
NTNU Institutt for matematiske fag TMA4105 Matematikk 2, øving 8, vår 2011 Løsningsforslag Notasjon og merknader Som vanlig er enkelte oppgaver kopiert fra tidligere års løsningsforslag. Derfor kan notasjon,
DetaljerSteg 1: Opprette app-pakke, app-klasse og FXML-fil
Logo med FXML Introduksjon En viktig del av det å lage app-er er å utforme skjerminnholdet, dvs. alt app-en inneholder av grafikk, knapper, lister, osv. Formålet til denne leksjonen er å lære hvordan du
DetaljerIntroduksjon. «Diskret» sinus/cosinus i 1D. Funksjonen sin(θ) INF april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4
Introduksjon INF 2310 13. april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4 Fourier: Vi kan uttrykke ethvert bilde som en vektet sum av sinus- og cosinus-signaler med ulik frekvens og orientering
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
Detaljer