Hva er segmentering? INF Fritz Albregtsen. Tema: Segmentering av bilder Del 1: - Ikke-kontekstuell terskling
|
|
- Frode Gabrielsen
- 7 år siden
- Visninger:
Transkript
1 Hva er segmentering? IN ritz Albregtsen Tema: Segmentering av bilder Del 1: - Ikke-kontekstuell terskling Litteratur: Efford, DIP, kap Segmentering er en prosess som deler opp bildet i meningsfulle regioner I det enkleste tilfelle har vi bare to typer regioner orgrunn Bakgrunn Problemet blir banalt hvis vi bare har én objekt-region, og denne er homogen Vi har som regel flere objekter i bildet Objektene er sjelden helt like, selv om de er av samme type Ofte har vi flere typer (klasser) av objekter samtidig Belysningen kan variere over bildet Refleksjon etc varierer over objektet 1 Hva er god segmentering? To segmenterings-kategorier ire krav til god segmentering : 1 Regioner i et segmentert bilde bør være uniforme og homogene mht karakteristika som gråtone, tekstur, eller andre egenskaper Nabo-regioner av forskjellig klasse bør være signifikant forskjellige mht de egenskaper der regionene hver for seg er uniforme 3 Regioner bør være enkle, uten mange hull Region-grensene bør være enkle (uten mange frynser ), og må være riktig plassert Det finnes ingen grunnleggende teori for dette Mindre informasjon i segmentert bilde Mer relevant informasjon for videre analyse Segmentering er ett av de viktigste elementene i et komplett bilde-analyse system I segmenteringen får vi fram regioner og objekter som senere skal beskrives og gjenkjennes Det finnes to kategorier av metoder, basert på likhet og diskontinuitet mellom pikslene i bildet 1 Ved terskling og ved region-basert segmentering (groing, split-and-merge) får vi fram de pikslene som ligner hverandre Dermed har vi alle pikslene i objektet Ved kant-basert segmentering finner vi basalelementer kant-punkter, linje-punkter, hjørne-punkter, I neste steg: Tynner og kjeder sammen til kanter, linjer, hjørner, Dermed har vi omrisset av objektene Vi skal ikke gå videre med kant-basert segmentering i IN160 3
2 TERSKLING Kategorier av tersklings-metoder Ved terskling og ved region-basert segmentering (groing, split-and-merge) får vi fram de pikslene som ligner hverandre Dermed har vi alle pikslene i objektet Hvis vi a priori har grunn til å anta at objektene feks er lysere enn bakgrunnen, kan vi sette en terskel T, og lage oss et binært ut-bilde g(x, y) ved 0 hvis f(x, y) T 1 hvis f(x, y) > T Har vi flere klasser av objekter med forskjellig intensitet eller refleksjons-egenskaper, så kan vi utvide dette til M gråtone-intervaller ved hjelp av M 1 terskler 0 hvis 0 f(x, y) t 1 1 hvis t 1 < f(x, y) t M 1 hvis t M 1 < f(x, y) G 1 Terskling er et spesialtilfelle av klassifikasjon Jfr histogram-utjevning til noen få gråtoner Interaktive og automatiske I interaktiv terskling vises bildet fram, og brukeren prøver seg gjerne fram til hun/han finner den subjektivt beste terskel I automatisk terskling trengs ingen brukerinteraksjon, og heller ingen subjektiv vurdering Mange bruker begrepet automatisk for å implisere at brukeren ikke trenger å spesifisere parametre til tersklings-rutinen I denne forstand finnes det egentlig ingen automatiske metoder for valg av optimal terskel Det er alltid innebygde parametre i algoritmene Optimal er et ofte misbrukt ord! 5 6 Kategorier av tersklings-metoder Kategorier av tersklings-metoder Parametriske vs ikke-parametriske Parametriske metoder estimerer parametrene til fordelingene i et histogram, og velger deretter optimal terskel Dette er vanskelig, lite robust, og langsomt Ikke-parametriske metoder terskler ut fra gitte kriterier, uten å finne parametre Disse metodene er forholdsvis robuste og raske Kontekstuelle og ikke-kontekstuelle Ikke-kontekstuelle metoder benytter bare histogrammet til bildet Kontekstuelle metoder tar også hensyn til geometriske relasjoner mellom pikslene Single-pass vs multi-pass En-pass algoritmer viktige i sanntidsimplementasjoner (lesing av blanketter, strek-koder,) Iterativt konvergerende metoder benytter en søketeknikk for å finne optimal terskel i noen få steg Ekstensive metoder beregner et kriterium for alle mulige valg av terskel, og finner deretter den optimale terskelen Globale vs lokale Globale metoder finner én terskel for hele bildet Lokalt adaptive metoder finner ny terskel for hver posisjon i bildet Generelt har vi at t(x, y) = T [x, y, f(x, y), E(x, y)] der E(x, y) er en egenskap beregnet over et naboskap til (x, y) 7 8
3 En enkel tersklings-algoritme Klassifikasjons-feil ved terskling Anta at et bilde har to intensitets-områder: forgrunn og bakgrunn Histogrammet vil da vise to topper, gjerne med et dal-søkk imellom Hvor skal vi legge terskelen? Én mulig oppskrift er Algoritme 101 i boka til Efford: Start med en terskel-verdi t = middel-verdien av alle pikslene i bildet inn middelverdien (µ 1 (t)) av alle piksler som er mørkere en terskelen, og middelverdien (µ (t)) av piksler som er lysere enn terskelen La ny terskel være t = 1 (µ 1(t) + µ (t)) Gjenta de to punktene ovenfor til terskelen ikke flytter seg mer Dette kalles Ridler og Calvard s metode Hvorfor virker den? Hvilke betingelser må være oppfylt? Når vil denne metoden svikte? 9 Anta at histogrammet er en sum av to fordelinger b(z) og f(z), der b og f er normaliserte bakgrunnsog forgrunns-histogrammer, og z er gråtonen La og B være a priori sannsynlighetene for bakgrunn og forgrunn (B+=1) Det normaliserte histogrammet kan da skrives som p(z) = B b(z) + f(z) De to sannsynlighetene for å feil-klassifisere et piksel, gitt en terskel t, er da E B (t) = t f(z)dz E (t) = b(z)dz t Den totale feilen blir (E(t) [1, 1]) E(t) = E B (t) + B E (t) = t f(z)dz + B b(z)dz t Legges terskelen veldig høyt eller veldig lavt, vil feilen bli stor Det er rimelig å anta at feilen har et minimum for en viss T Denne T vil vi finne!!! 10 Optimal terskling - dvs minimum feil Hvordan deriverer vi et integral av typen b(λ) I(λ) = f(x; λ)dx a(λ) når integrasjons-grensene avhenger av den parameteren som vi deriverer mht? Leibnitz regel sier: di(λ) dλ = db(λ) f(b(λ); λ) da(λ) dλ I vårt tilfelle har vi to integraler t dλ f(a(λ); λ)+ b(λ) a(λ) E(t) = f(z)dz + B b(z)dz t som skal deriveres mht terskelverdien t : Parameteren λ svarer til t or første integral har vi: :) a(λ) (konstant derivert = 0) :) b(λ) t ( derivert = 1) :) f(x; λ) f(x) (uavhengig av t) or det andre integralet har vi: ;) a(λ) t ( derivert = 1) ;) b(λ) (konstant, derivert = 0) ;) f(x; λ) b(x) (uavhengig av t) Dermed får vi at de(t) = 0 f(t ) = B b(t ) dt Merk at dette er en generell løsning som gir minst feil Ingen restriksjoner mht fordelingene b og f!!! f(x; λ) dx λ Terskling av to Gauss-fordelinger Anta at bakgrunns-og forgrunns-intensitetene følger hver sin Gauss-fordeling, b(z) og f(z), slik at p(z) = B e (z µ B) σ B + e (z µ ) σ πσb πσ Vi har ligningen for total feil : E(t) = B t t b(z)dz + f(z)dz Vi vet at optimal løsning ligger der hvor Mer eksplisitt B b(t ) = f(t ) B e (T µ B) σ B = e (T µ ) σ πσb πσ Vi kan stryke π, og ta logaritmen : (T µ B ) B σb ln = (T µ ) σb σ ln σ Dette gir en annengrads-ligning i T : (σ B σ ) T +(µ B σ µ σb) T +σb µ σ µ B + σ B σ ln Bσ = 0 σ B Vi kan altså komme til å trenge to terskler! Hvorfor? 11 1
4 Hvor ligger terskelen? Hvor godt blir dette? Vi har en annengradsligning i T: (σ B σ ) T + (µ Bσ µ σ B) T +σb µ σ µ B + σ B σ ln Bσ = 0 σ B Hvis standard-avvikene i de to fordelingene er like σ B = σ = σ får vi en mye enklere ligning : B (µ B µ ) T (µ B + µ )(µ B µ ) + σ ln = 0 dvs T = (µ B + µ ) σ ( + (µ B µ ) ln B Det er altså bare hvis a priori sannsynlighetene og B er omtrent like, eller hvis σ = 0, at vi har T = (µ B + µ ) Men vi kjenner ikke µ B og µ, så vi itererer vha de trunkerte µ 1(t k) og µ (t k) i Algoritme 101 t k+1 = 1 [µ 1(t k ) + µ (t k )] = 1 tk tk z=0 zp(z) z=0 p(z) + ) z=tk+1 zp(z) tk+1 p(z) E T Total error 00 1 : 1 10 : : 1 P 1 /P igure 1: or the iterative method of Ridler and Calvard, we present the total fraction of mis-classified pixels versus the ratio of the a priori probabilities (on a logarithmic scale) of two Gaussian distributions with equal variance our different line types represent different distances between the distribution means, µ µ1 = D σ, D = 1 (solid), D = (dash-dot), D = 3 (dashed), D = (dotted) or hvilke verdier av P 1 /P og (µ µ 1 )/σ er metoden brukbar? Selv for P 1 /P = 1 er feilen E T = 1 π D/ e (1/)u du 1 π e (1/)(D/) 13 1 Terskling - to cosinus-fordelinger Vil illustrere hvordan vi gjør to ting: inner terskelverdien for minimum total-feil inner andelen av feilklassifiserte objekt-piksler Bruker en veldig enkel fordeling! Anta at vi har mørke objekter på en lys bakgrunn, og at sannsynlighetsfordelingene er p(z) = [ ] π a cos (z z0)π a for z 0 a z z 0 + a 0 ellers med z 0 = 1, a = 1 for objektene, og z 0 = 3, a = for bakgrunnen Oppdrag: Skisser sannsynlighetsfordelingene Hvis 1/3 av alle pikslene er objekt-piksler; finn den terskelverdi, T, som gir minst mulig total feil finn andelen feilklassifiserte objektpiksler, E o (T ), ved den terskelen som gir minst mulig total feil Terskling av to cosinus-fordelinger Løsning: Vi skal finne den terskel T som gir 1 π 3 cos cos P o p o (T ) = P b p b (T ) (T 1)π = (1 1 3 )π 8 cos (T 1)π (T 3)π = cos T = (T 1)π = (T 3)π (T 3)π 1 umulig løsning 5/3 korrekt optimal terskelverdi Andelen feilklassifiserte objektpiksler finner vi ved å integrere forgrunns-fordelingen (substituerer y = z 1) E o = = π sin yπ π ] dy π 5/3 cos (z 1)π dz = π [ 1 yπ cos /3 1 = 1 ( sin π sin π ) = /
5 Terskling - to Poisson-fordelinger Vi observerer en scene der bakgrunnen egentlig har konstant intensitet, µ 1, og alle objektene egentlig også har konstant intensitet, µ Men på grunn av statistiske fluktuasjoner får vi et bilde der histogrammet er en lineær kombinasjon av to (diskrete) Poisson-fordelinger p(x ω i ) = e µi µx i x!, i = 1, Vis at den terskelverdi T som gir minst mulig feilklassifikasjon er gitt ved T = µ µ 1 + ln P (ω1) P (ω) ln µ Løsning : P e µ µt T! T ln ( µ µ 1 µ1 = P 1 e µ1 µt 1 T! ) T = P 1 e (µ µ1) P µ µ 1 = µ µ 1 + ln T = ln µ µ µ 1 + ln µ1 P1 P P1 P Terskling av radar-bilder I radar-bilder av sjø vil man se at der vinden skaper små-bølger er bildet mye lysere enn der det er stille I et N-look kvadratrot-bilde er sannsynlighetsfordelingen gitt ved (Ulaby 1986) p(s) = q N N q N 1 µ (N 1)! µ s e N( q Γ(N + 05) µ s), q = Γ(N) N Den terskel som gir minst mulig total feil for et bilde med to slike fordelinger p 1 (s) og p (s) med a priori sannsynligheter θ og (1 θ) og middelverdier µ 1 og µ er gitt ved θp 1 (T ) = (1 θ)p (T ) Vi setter inn kvadratrot-fordelingen for p 1 og p og får (Schistad 1989) θ q N N ( q µ1 (N 1)! µ1 Dette gir ) N 1 T e T N( q ) µ 1 = (1 θ) q µ ( 1 θ µ1 θ µ ) q N N = e T µ 1 ( e T N ) = e q µ La k = 1 θ N µ1 θ µ Da er den optimale terskelen T gitt ved ln k T = Nq ( 1 µ 1 µ 1 N N ( q (N 1)! µ T Nq ( ) ) 1 µ 1 µ 1 ) N 1 T e T N( q ) µ ler-nivå terskling Hvis vi har M terskler, får vi i analogi med Alg 101: der µ(0, t 1 ) + µ(t 1 + 1, t ) = t 1 µ(t 1, t ) + µ(t + 1, t 3 ) = t µ(t M 1, t M ) + µ(t M + 1, G 1) = t M tj z=ti+1 zp(z) µ(t i + 1, t j ) = tj z=ti+1 p(z) Start med et vilkårlig sett av terskler t 0 1,, t0 M og beregn iterativt et nytt sett t 1 1,, t 1 M ved t k+1 1 = 1 (µ(0, tk 1 ) + µ(tk 1 + 1, tk )) t k+1 M = 1 (µ(tk M 1, t k M) + µ(t k M + 1, G 1)) Nye generasjoner av terskler beregnes inntil alle terskler er stabile Prosedyren konvergerer meget raskt Otsu s metode - motivasjon Anta at vi har et gråtonebilde med G gråtoner, med normalisert histogram p(i) Anta at bildet inneholder to populasjoner av piksler, slik at pikslene innenfor hver populasjon er noenlunde like, mens populasjonene er forskjellige Målsetning: Vi vil finne en terskel T slik at hver av de to klassene som oppstår ved tersklingen blir mest mulig homogen, mens de to klassene blir mest mulig forskjellige En veiet sum av variansene under og over terskelen skal da være minst mulig Og en veiet sum av kvadratet av differensen mellom middelverdiene skal være størst mulig Vi trenger noen enkle begreper! (ikke noe nytt, bare kjente ting) 19 0
6 Otsu s metode - enkle begreper A posteriori sannsynlighet for de to klassene er P 1 (t) = t p(i), P (t) = G 1 Midlere gråtone i de to klassene er µ 1 (t) = µ (t) = der t ip(i) t p(i) = µ(t) P 1 (t) ip(i) G 1 p(i) = µ(t) t ip(i), Variansen innenfor de to klassene er σ 1(t) σ (t) p(i) = 1 P 1 (t) ip(i) t ip(i) 1 P 1 (t) t [i µ 1 (t)] p(i) = 1 P 1 (t) t p(i) [i µ (t)] p(i) p(i) ip(i) µ p(i) t 1 = 1 P 1 (t) = µ µ(t) 1 P 1 (t) [i µ 1 (t)] p(i) G 1 [i µ (t)] p(i) Otsu s metode Den totale variansen i intensitetsfordelingen kan selvsagt deles i to ved σt ot G 1 (i µ) p(i) σt ot = t (i µ) p(i) + G 1 (i µ) p(i) Adderer og subtraherer klassenes a posteriori middelverdier σ T ot = t = t + G 1 [i µ 1 (t) + µ 1 (t) µ] p(i)+ G 1 [i µ (t) + µ (t) µ] p(i) (i µ 1 (t)) p(i)+ t (µ 1 (t) µ) p(i)+ t (i µ 1 (t))(µ 1 (t) µ)p(i) (i µ (t)) p(i)+ G 1 (µ (t) µ) p(i)+ G 1 (i µ (t))(µ (t) µ)p(i) ørste ledd i hver linje ovenfor kan uttrykkes vha definisjonene av σ 1(t) og σ (t) Andre ledd kan uttrykkes ved P 1 (t) og P (t), siden µ, µ 1 (t) og µ (t) er uavhengige av summasjonsvariabelen i Altså: σ T ot = P 1 (t)σ1(t) + (µ 1 (t) µ) P 1 (t) + (µ 1 µ) t (i µ 1 (t))p(i) + P (t)σ (t) + (µ (t) µ) P (t) + (µ µ) G 1 (i µ (t))p(i) 1 De to summene bakerst faller bort, fordi t G 1 (i µ 1 (t))p(i) = t ip(i) t µ 1 (t)p(i) = µ 1 (t)p 1 (t) µ 1 (t)p 1 (t) = 0 (i µ (t))p(i) = G 1 Dermed har vi σ T ot ip(i) G 1 µ (t)p(i) = µ (t)p (t) µ (t)p (t) = 0 = P 1(t)σ 1(t) + (1 P 1(t))σ (t) + (µ 1 (t) µ) P 1 (t) + (µ (t) µ) (1 P 1 (t)) = σ w (t) + σ B (t) Dette stemmer med målsetningen vår! Vi vil nå finne den t som gir min [ σ w(t) ] og max [ σ B(t) ] Siden summen er konstant, trenger vi bare å finne max [ σ B(t) ] σb(t) = (µ 1 (t) µ) P 1 (t) + (µ (t) µ) (1 P 1 (t)) = µ(t) P 1 (t) µ P 1 (t) + µ µ(t) 1 P 1 (t) µ (1 P 1 (t)) = [µ(t) µp 1(t)] + [µ µ(t) µ + µp 1(t)] P 1(t) 1 P 1(t) = [µ(t) µp 1(t)] (1 P 1 (t)) + P 1 (t) [ µ(t) + µp 1 (t)] P 1 (t)(1 P 1 (t)) = [µ(t) µp 1(t)] P 1 (t)(1 P 1 (t)) Søk etter maksimalverdien av σ B for alle t der 0 < P 1 (t) < 1 To andre uttrykk for σ B(t): = (µ 1 (t) µ) P 1 (t) + (µ (t) µ) (1 P 1 (t)) = P 1 (t)µ 1(t) P 1 (t)µ 1 (t)µ + P 1 (t)µ + P (t)µ (t) P (t)µ (t)µ + P (t)µ = P 1 (t)µ 1 (t) + P (t)µ (t) µ [P 1 (t)µ 1 (t) + P (t)µ (t)] + µ (P 1 (t) + P (t)) = P 1 (t)µ 1 (t) + P (t)µ (t) µ = P 1 (t)µ 1 (t) + P (t)µ (t) (P 1 (t)µ 1 (t) + P 1(t)P (t)µ 1 (t)µ (t) + P (t)µ ) = µ 1(t)(P 1(t) P 1 (t)) P 1 (t)p (t)µ 1 (t)µ (t) + µ (t)(p (t) P (t)) = P 1 (t)(1 P 1 (t))µ 1 (t) P 1(t)P (t)µ 1 (t)µ (t) + P (t)(1 P (t))µ (t) = P 1 (t)p (t)µ 1 (t) P 1(t)P (t)µ 1 (t)µ (t) + P P 1 (t)µ (t) = P 1 (t)(1 P 1 (t)) [µ 1 (t) µ (t)] σ B for fortløpende verdier av t [0, G 1] kan beregnes effektivt ved rekursive uttrykk for P 1 (t) og µ 1 (t) Tilsvarende effektivisering finner dere i en oppgave om entropi-terskling! 3
7 Multispektral terskling - I Multispektral terskling - II Anta at vi har observert samme scene på flere bølgelengder Vi kan da utføre terskling basert på to-dimensjonale tre-dimensjonale eller multi-dimensjonale histogrammer Enkel metode: 1: Bestem terskler uavhengig for hver kanal : Kombiner alle segmenterte kanaler til ett bilde Dette svarer til at vi har delt opp feks RGB-rommet i bokser Hva svarer dette til i IHS? Litt mer kompleks metode: Velg et punkt i det multidimensjonale rommet som referanse (feks (R 0, G 0, B 0 ) i RGB-rommet) Terskle basert på avstand fra referansepunktet d(x, y) = [f R (x, y) R 0 ] + [f G (x, y) G 0 ] + [f B (x, y) B 0 ] slik at 1 hvis d(x, y) d max 0 hvis d(x, y) > d max Dette definerer en kule med radius d max omkring punktet (R 0, G 0, B 0 ) i RGB-rommet Kan lett generaliseres til en ellipsoide, med forskjellige avstands-terskler i R, G og B d(x, y) = [f R(x, y) R 0 ] Merk at da er d R + [f G(x, y) G 0 ] d + [f B(x, y) B 0 ] G d B 1 hvis d(x, y) 1 0 hvis d(x, y) > Hierarkisk terskling Andre typer histogrammer En hierarkisk data-struktur kan dannes ved at vi lager nye versjoner av et N N bilde der oppløsningen er redusert ved gjentatt lavpass-filtrering Oftest har vi N = n En pyramide basert på midling over piksler inneholder piksler N ( ) 133N Start segmenteringen ved lav oppløsning (høyt oppe i pyramiden) Neste nivå gir bedre oppløsning i segmenteringen, men bare piksler nær overganger blir re-segmentert til objekt/bakgrunn Gjentas for alle nivå-par opp til full oppløsning ordel: mindre påvirkning fra støy, siden den er sterkt redusert øverst i pyramiden Unøyaktigheter pga midling over kanter gjenopprettes ved re-segmentering vha data ett steg lenger ned i pyramiden Man snik-innfører geometrisk kontekst! Meget effektive segmenteringsverktøy kan implementeres ved terskling av histogrammer som viser noe annet enn frekvensen av gråtoner i bildet or alle mulige settinger av terskelverdi kan vi feks finne følgende fra det binære bildet: Antall objekter i bildet Midlere objekt-areal Midlere objekt-perimeter Antall overganger (0-1 eller 1-0) i det tersklede bildet i horisontal og vertikal retning 7 8
8 Adaptiv terskling ved interpolasjon Korreksjon for ujevn belysning etc Globale terskler gir ofte dårlig resultat Globale metoder kan benyttes lokalt, i del-bilder eller i løpende vinduer Dette virker ikke der vinduet/delbildet bare inneholder en klasse Oppskrift: Del opp bildet (gjerne med overlapp) or del-bilder med bimodalt histogram: inn lokal terskelverdi, T c (i, j) og tilordne den til sentret (i, j) i del-bildet or del-bilder med unimodalt histogram: inn lokal terskelverdi ved interpolasjon Interpolasjon II: Gå gjennom alle piksel-posisjoner og bestem adaptiv terskelverdi T (x, y) ved interpolasjon mellom de lokale terskelverdiene T c (i, j) Den endelige tersklingen blir da 0 hvis f(x, y) T (x, y) 1 hvis f(x, y) > T (x, y) Hvordan kan vi korrigere for Attenuering i optikken Posisjons-avhengig sensitivitet Ujevn belysning av objektet Hvis f(x, y) er den observerte versjonen av bildet g(x, y), og f(x, y) = e(x, y) g(x, y) så kan vi finne korreksjonen e(x, y) ved å avbilde et objekt med konstant intensitet c Vi observerer da f c (x, y), og finner e(x, y) f c (x, y) = e(x, y) c e(x, y) = f c(x, y) c Når vi så observerer et nytt bilde f(x, y), finner vi det sanne bildet ved f(x, y) cf(x, y) = e(x, y) f c (x, y) Dette bildet egner seg bedre for terskling! orutsetter stabilitet (over tid) orutsetter linearitet Velg f c slik at c b
INF 2310 Digital bildebehandling. Hva er segmentering? forelesning nr 11 12/ Segmentering av bilder. To segmenterings-kategorier
INF 310 Digial bildebehandling forelesning nr 11 1/4 005 Segmenering av bilder Dagens ema: - Ikke-koneksuell erskling Lieraur: Efford, DIP, kap. 10.1-10. Friz Albregsen Deparmen of Informaics Universiy
DetaljerSEGMENTERING IN 106, V-2001 BILDE-SEGMENTERING DEL I 26/ Fritz Albregtsen SEGMENTERING SEGMENTERING
SEGMENTERING IN 106, V-2001 Segmentering er en prosess som deler opp bildet i meningsfulle regioner. I det enkleste tilfelle har vi bare to typer regioner BILDE-SEGMENTERING DEL I Forgrunn Bakgrunn Problemet
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
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)]
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
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
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
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:
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
DetaljerOppsummering, mai 2014: Sampling og kvantisering Geometriske operasjoner Gåt Gråtone- og histogramoperasjoner F4,5. Segmentering ved terskling
INF 310 Digital bildebehandling Oppsummering, mai 014: Avbildning F1 Sampling og kvantisering F Geometriske operasjoner F3 Gåt Gråtone- og histogramoperasjoner F4,5 Segmentering ved terskling Farger og
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
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
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
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:
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
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
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
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 28. mars 2007 Tid for eksamen : 13:30 16:30 Oppgavesettet er på : 4 sider
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
DetaljerDIGITALISERING Et bilde er en reell funksjon av to (eller flere) reelle variable. IN 106, V-2001 BILDE-DANNING. SAMPLING og KVANTISERING
IN 06, V-200 DIGITALISERING Et bilde er en reell funksjon av to (eller flere) reelle variable. BILDE-DANNING SAMPLING og KVANTISERING BILDE-FORBEDRING I BILDE-DOMENET 2/3 200 Fritz Albregtsen. Trinn: Legg
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
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
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
DetaljerFlater, kanter og linjer INF Fritz Albregtsen
Flater, kanter og linjer INF 160-11.03.2003 Fritz Albregtsen Tema: Naboskaps-operasjoner Del 3: - Canny s kant-detektor - Rang-filtrering - Hybride filtre - Adaptive filtre Litteratur: Efford, DIP, kap.
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 4. juni 2013 Tid for eksamen : 09:00 13:00 Løsningsforslaget
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,
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
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
DetaljerINTRODUCTION IN 384, H-2001 SEGMENTATION METHODS 21/ Fritz Albregtsen. Automatic versus Interactive. Parametric versus Non-parametric
IN 384, H-001 SEGMENTATION METHODS 1/11 001 Fritz Albregtsen INTRODUCTION Automatic thresholding is important in applications where speed or the physical conditions prevent human interaction. In bi-level
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 : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 5. juni 2007 Tid for eksamen : 09:00 12:00 Oppgavesettet er på : 5 sider
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
DetaljerMA0002 Brukerkurs i matematikk B Vår 2016
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag MA000 Brukerkurs i matematikk B Vår 016 Separable og førsteordens lineære differensialligninger En differensialligning er separabel
DetaljerLøsningsforslag Eksamen M100 Høsten 1998
Løsningsforslag Eksamen M00 Høsten 998 Oppgave { x y = f(x) = + x + a hvis x ln( + x ) x hvis < x lim f(x) = f( ) = + a = a x lim f(x) = ln( + x ( ) ) ( ) = ln + For at f(x) skal være kont. i x = må lim
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
DetaljerLa U og V være uavhengige standard normalfordelte variable og definer
Binormalfordelingen Definisjon Noe av hensikten med å innføre begrepet betinget sannsynlighet er at kompliserte modeller ofte kan bygges ut fra enkle betingede modeller. Når man spesifiserer betingelser
DetaljerHensikt: INF Metode: Naboskaps-operasjoner Hvorfor: Hvor:
Standardisering av bildets histogram INF 60-8.02.2003 Fritz Albregtsen Tema: Naboskaps-operasjoner Del : - Standardisering av bilder - Konvolusjon Litteratur: Efford, DIP, kap. 7. - 7.2 Hensikt: Sørge
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
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
DetaljerBootstrapping og simulering Tilleggslitteratur for STK1100
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 (oppdatert April 2016) 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor
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
DetaljerUNIVERSITETET I OSLO
Eksamen i UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet INF 2310 Digital bildebehandling Eksamensdag: Tirsdag 18. mai - tirsdag 1. juni 2004 Tid for eksamen: 18. mai 2004 kl 09:00 1.
DetaljerHovedsakelig fra kap. 3.3 i DIP
Repetisjon av histogrammer INF 231 1.2.292 29 Hovedsakelig fra kap. 3.3 i DIP Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for billedserier Litt om histogramtransformasjoner
DetaljerLøsningsforslag Eksamen M001 Våren 2002
Løsningsforslag Eksamen M Våren Oppgave f(x) = (x )e x Bruker produktregelen i derivasjonen f (x) = e x + (x ) (e x ) For å derivere e x velges kjernen u = x, og vi får (e x ) = e u. f (x) = e x + (x )
DetaljerLøsningsforslag til eksamen i TMA4105 matematikk 2,
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av Løsningsforslag til eksamen i TMA45 matematikk, 9.5.4 Oppgave La fx, y, z) xy + arctanxz). La P være punktet,, ). a)
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
DetaljerHistogramprosessering
Histogramprosessering Lars Vidar Magnusson January 24, 217 Delkapittel 3.3 Histogram Processing Histogram i Bildeanalyse Et histogram av et digitalt bilde med intensitet i intervallet [, L) er en diskret
DetaljerMAT 1110: Obligatorisk oppgave 1, V-07: Løsningsforslag
1 MAT 111: Obligatorisk oppgave 1, V-7: Løsningsforslag Oppgave 1. a) Vi deriverer på vanlig måte: ( e (sinh x) x e x ) = = ex + e x = cosh x, ( e (cosh x) x + e x ) = = ex e x = sinh x Enkel algebra gir
DetaljerINF 2310 Digital bildebehandling FORELESNING 5. Fritz Albregtsen. Pensum: Hovedsakelig 3.3 i DIP HISTOGRAM-TRANSFORMASJONER
Temaer i dag INF 231 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
DetaljerINF februar 2017 Ukens temaer (Kap 3.3 i DIP)
15. februar 2017 Ukens temaer (Kap 3.3 i DIP) Kjapp repetisjon av gråtonetransformasjon Histogramtransformasjoner Histogramutjevning Histogramtilpasning/histogramspesifikasjon Standardisering av histogram
DetaljerINF 2310 Digital bildebehandling FORELESNING 5. Fritz Albregtsen. Pensum: Hovedsakelig 3.3 i DIP HISTOGRAM-TRANSFORMASJONER
Temaer i dag INF 231 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
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 : Onsdag 4. juni 2008 Tid for eksamen : 14:30 17:30 (3 timer) Oppgavesettet 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
DetaljerPrøveeksamen i MAT 1100, H-03 Løsningsforslag
Prøveeksamen i MAT, H- Løsningsforslag. Integralet cos x dx er lik: +sin x Riktig svar: c) arctan(sin x) + C. Begrunnelse: Sett u = sin x, da er du = cos x dx og vi får: cos x + sin x dx = du du = arctan
DetaljerMatematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s. 1. Oppgave 1
Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s AR2-modell: Oppgave X t φ X t φ 2 X t 2 Z t Antas å være kausal slik at X t ψ j Z t j er ukorrelert med Z t+,
DetaljerINF 2310 Digital bildebehandling
INF 3 Digital bildebehandling Oppsummering FA, mai 6: Avbildning Sampling og kvantisering Geometriske operasjoner F F F3 Filtrering i bildedomenet F6, F7 Segmentering ved terskling Morfologiske operasjoner
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
DetaljerINF 2310 Digital bildebehandling
INF 2310 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Temaer i dag Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
DetaljerSiden vi her har brukt første momentet i fordelingen (EX = EX 1 ) til å konstruere estimatoren kalles denne metoden for momentmetoden.
Estimeringsmetoder Momentmetoden La X, X 2,..., X n være uavhengige variable som er rektangulært fordelte på intervallet [0, θ]. Vi vet da at forventningsverdiene til hver observasjon og forventningen
DetaljerPunktestimator. STK Bootstrapping og simulering - Kap 7 og eget notat. Bootstrapping - eksempel Hovedide: Siden λ er ukjent, bruk ˆλ:
Punktestimator STK00 - Bootstrapping og simulering - Kap 7 og eget notat Geir Storvik 8. april 206 Trekke ut informasjon om parametre fra data x,..., x n Parameter av interesse: θ Punktestimator: Observator,
DetaljerMidtveiseksamen Løsningsforslag
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Midtveiseksamen Løsningsforslag INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Tirsdag 21. mars 2017 Tidspunkt
DetaljerUNIVERSITETET I BERGEN
LØSNINGSFORSLAG UNIVERSITETET I BERGEN Det matematisk-naturvitenskapelige fakultet. H.007. Eksamen i emnet MAT131 - Differensialligninger I 8. september 007 kl. 0900-100 Tillatte hjelpemidler: Ingen (heller
DetaljerSIF5005 Matematikk 2, 13. mai 2002 Løsningsforslag
SIF55 Matematikk, 3. mai Oppgave Alternativ : At de to ligningene skjærer hverandre vil si at det finnes parameterverdier u og v som, innsatt i de to parametriseringene, gir samme punkt: Vi løser hver
DetaljerOptimal kontrollteori
Optimal kontrollteori 1. og 2. ordens differensialligninger Klassisk variasjonsregning Optimal kontrollteori er en utvidelse av klassisk variasjonsregning, som ble utviklet av Euler og Lagrange. Et vanlig
DetaljerMotivasjon INF Eksempel. Gjenkjenning av objekter intro (mer i INF 4300) OCR-gjennkjenning: Problem: gjenkjenn alle tall i bildet automatisk.
INF 230 Morologi Morologiske operasjoner på binære bilder:. Basis-begreper 2. Fundamentale operasjoner på binære bilder 3. Sammensatte operasjoner 4. Eksempler på anvendelser lettet inn GW, Kapittel 9.-9.4
DetaljerFYS2140 Kvantefysikk, Løsningsforslag for Oblig 1
FYS4 Kvantefysikk, Løsningsforslag for Oblig. januar 8 Her er løsningsforslag for Oblig som dreide seg om å friske opp en del grunnleggende matematikk. I tillegg finner dere til slutt et løsningsforslag
DetaljerLøsningsforslag til prøveeksamen i MAT1100, H-14 DEL 1
Løsningsforslag til prøveeksamen i MT, H- DEL. ( poeng Hva er den partiellderiverte f y sin(xy cos(xy y sin(xy x sin(xy cos(xy xy sin(xy cos(xy y sin(xy + xy sin(xy når f(x, y = y cos(xy? Riktig svar:
DetaljerAnbefalte oppgaver - Løsningsforslag
TMA415 Matematikk 2 Anbefalte oppgaver - Løsningsforslag Uke 7 15.1.3: Siden vektorfeltet er gitt ved F(x, y) = yi + xj må feltlinjene tilfredstille differensiallikningen eller y = x y, ( ) 1 2 y2 = x.
DetaljerTerningkast. Utfallsrommet S for et terningskast med en vanlig spillterning med 6 sider er veldefinert 1, 2, 3, 4, 5, 6
Terningkast Halvor Aarnes, UiO, 2014 Innhold Ett terningkast og utfallsrom... 1 Union og snitt... 4 Betinget sannsynlighet... 5 Forventningsverdi E(X) og varianse Var(X)... 5 Konfidensintervall for proporsjoner...
DetaljerLøsningsforslag AA6524 Matematikk 3MX Elever 7. juni eksamensoppgaver.org
Løsningsforslag AA654 Matematikk MX Elever 7. juni 004 eksamensoppgaver.org eksamensoppgaver.org Om løsningsforslaget Løsningsforslaget for matematikk eksamen i MX er gratis, og det er lastet ned på eksamensoppgaver.org.
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
DetaljerHeuristiske søkemetoder III
Heuristiske søkemetoder III Lars Aurdal Intervensjonssenteret Lars.Aurdal@labmed.uio.no 14. september 2003 Plan Eksempel: Bildebehandling, segmentering: Hva er segmentering? Klassisk metode, terskling.
DetaljerIntroduksjon. Morfologiske operasjoner på binære bilder. Litt mengdeteori. Eksempel: Lenke sammen objekter INF
INF230 5.05.202 Morfologiske operasjoner på binære bilder Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på anvendelser er flettet inn DIP: 9.-9.4, 9.5.,
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn
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,
DetaljerLøsningsskisser eksamen R
R 9.. Løsningsskisser eksamen R 9.. Del - Uten hjelpemidler Oppgave a) ) Produktregel: f x e x xe x e x x ) Kjerneregel: g x sin u, u x g x cosu cosx ) Kjerneregel: h x u, u sin x h x u cosx sin x cosx
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
DetaljerArne B. Sletsjøe. Oppgaver, MAT 1012
Arne B. Sletsjøe Oppgaver, MAT 101 1 En-variabel kalkulus 1.1 I de følgende oppgavene, i) finn alle kritiske punkter til f(x), ii) beskriv monotoniegenskapene til funksjonene ved å se på fortegnet til
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
DetaljerRepetisjon av histogrammer. Repetisjon av histogrammer II. Repetisjon av gråtonetransform. Tommelfingerløsning
2017.02.10. Repetisjon av histogrammer Foreløbig versjon! 15. februar 2017 Ukens temaer h(i) = antall piksler i bildet med pikselverdi i, og følgelig er (Kap 3.3 i DIP) Kjapp repetisjon av gråtonetransformasjon
DetaljerLøsningsskisser til oppgaver i Kapittel Integrerende faktor
Løsningsskisser til oppgaver i Kapittel 6.4 - Integrerende faktor Teori: Differensialligninger på formen y fx y gx (lineære i y av første orden) er ikke separable hvis ikke fx og gx er tallkonstanter.
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.
DetaljerLøsningsforslag. Prøve i Matematikk 1000 BYFE DAFE 1000 Dato: 29. mai 2017 Hjelpemiddel: Kalkulator og formelark. Oppgave 1 Gitt matrisene.
Prøve i Matematikk BYFE DAFE Dato: 29. mai 27 Hjelpemiddel: Kalkulator og formelark Løsningsforslag Oppgave Gitt matrisene A = 2 2 B = [ 2 3 4 ] og C = Regn ut, om mulig, summene A + B, A + B T og A +
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
DetaljerTMA4110 Matematikk 3 Høst 2010
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag TMA4110 Matematikk 3 Høst 010 Løsningsforslag Øving 4 Fra Kreyszig (9. utgave) avsnitt.7 3 Vi skal løse ligningen (1) y 16y
DetaljerAreal mellom kurver Volum Forelesning i Matematikk 1 TMA4100
Areal mellom kurver Volum Forelesning i Matematikk TMA400 Hans Jakob Rivertz Institutt for matematiske fag 27. september 20 Kapittel 5.6. Substitusjon og arealet mellom kurver 3 Areal mellom kurver Problem
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : Tirsdag. mars Tid for eksamen : :3 :3 ( timer) Løsningsforslaget
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
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 1100 Modellering og beregninger Eksamensdag: 12. desember 2003 Tid for eksamen: 9:00 12:00 Oppgavesettet er på 7 sider.
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
DetaljerMorfologiske operasjoner på binære bilder
Digital bildebehandling Forelesning 9-209 Morfologiske operasjoner på binære bilder Fritz Albregtsen Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på
DetaljerBernoulli forsøksrekke og binomisk fordeling
Bernoulli forsøksrekke og binomisk fordeling Bernoulli forsøksrekke i) gjentar et forsøk n ganger ii) hvert forsøk gir enten suksess eller fiasko iii) sannsynligheten for suksess er p i alle forsøkene
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 11. november 2017) 1. Sannsynlighet La A, B, A 1, A 2,..., B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
DetaljerBYFE DAFE Matematikk 1000 HIOA Obligatorisk innlevering 5 Innleveringsfrist Fredag 15. april 2016 kl 14 Antall oppgaver: 8
Innlevering BYFE DAFE Matematikk HIOA Obligatorisk innlevering 5 Innleveringsfrist Fredag 5. april 6 kl Antall oppgaver: 8 Funksjonen ft) er vist i guren over. Funksjonen F x) er denert som for x. F x)
DetaljerLøsningsforslag til Eksamen i MAT111
Universitetet i Bergen Matematisk institutt Bergen, 9. desember 25. Bokmål Løsningsforslag til Eksamen i MAT Mandag 9. desember 25, kl. 9-. Dette er kun et løsningsforslag. Oppgave a) Betrakt de to komplekse
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
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
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) Mette Langaas Foreleses mandag 11.oktober,
Detaljer