Gråtonehistogrammer. Histogrammer. Hvordan endre kontrasten i et bilde? INF Hovedsakelig fra kap. 6.3 til 6.6
|
|
- Ingvild Løkken
- 7 år siden
- Visninger:
Transkript
1 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 verktøykasse? INF230 /38 INF230 2/38 Histogrammer Gråtonehistogrammer Et histogram er en diskret funksjon som viser antall målinger innenfor uniforme intervaller i et datasett Vi jobber med bilder og får Et bilde som datasett Piksel-intensiteter som målinger Altså en oversikt over frekvensen til intensitetene i bildet Kan også ha histogrammer over avledede egenskaper i bildet Gitt et gråtonebilde med n m piksler og G gråtoner Et histogram, h(v), er slik at: h(v) = antall piksler i bildet med pikselverdi v Dannes ved å gå igjennom alle pikslene og telle gråtoner Vi har naturligvis at G v= 0 #piksler h( v) = n m gråtone INF230 3/38 INF230 4/38
2 Eksempel - histogram Eksempler Bilde: Histogram: # piksler Pikselverdi INF230 5/38 INF230 6/38 Eksempler Oppgaver Hvordan ser histogrammet ut? Hvordan ser histogrammet ut? ½ ½ + Hvordan ser histogrammet ut? Her er histogrammet. Hvordan ser bildet ut? INF230 7/38 INF230 8/38 2
3 Normalisert histogram G = Vi har at h( v) = n m v 0 Det normaliserte histogrammet er: h( v) p( v) =, n m G v= 0 p( v) = p(v) kan ses på som en sannsynlighetsfordeling for pikselverdiene v Uavhengig av antall piksler i bildet Man kan si en del om bildet ut fra denne sannsynlighets-tetthetsfunksjonen Kumulativt histogram Hvor mange piksler har gråtone mindre enn eller lik gråtone j? Normalisert kumulativt histogram: c j = h i j i= 0 c j n m (Sannsynligheten for at en tilfeldig piksel er mindre eller lik gråtone j) INF230 9/38 INF230 0/38 Eksempel Histogram og kumulativt histogram i samme figur INF230 /38 Histogramutjevning (histogram equalization) Maksimal kontrast: Alle pikselverdier like sannsynlige Histogrammet er uniformt (flatt) Ønsker en transformasjon av bildet slik at det transformerte bildet har uniformt histogram Dvs. at bildet har like mange piksler for hver gråtone Tilnærmer ved å flytte på histogramsøyler Trenger en oversikt over hvor hver søyle skal flyttes: T[i] INF230 2/38 3
4 Hvis et bilde har uniformt histogram, vil det kumulative histogrammet være tilnærmet en rett linje -> må vi finne en søyleflytting som gir oss et kumulativt histogram som ligner mest mulig på en rett linje Store mellomrom mellom høye søyler, og lite mellomrom der vi har lave søyler -> en transform med høyt stigningstall hvor det er mange piksler, og lavt stigningstall hvor det er få piksler Det kumulative histogrammet har akkurat disse egenskapene Histogramutjevnings-transformen, T[i], er gitt ved det skalerte kumulative histogrammet til innbildet INF230 3/38 INF230 4/38 i 0 i h( x) dx T k = G i k h( x) dx k G /256=/G 0 INF230 5/38 Algoritme for histogramutjevning For et n m bilde med G gråtoner: Lag array p, c og T av lengde G med initialverdi 0 Finn bildets normaliserte histogram Gå igjennom bildet piksel for piksel. Hvis piksel har intensitet i, la p[i]=p[i]+ Deretter skalér, p[i] = p[i]/(n*m), i=0,,,g- Lag det kumulative histogrammet c c[0] = p[0] c[i] = c[i-]+p[i], i=,2,...,g- Sett inn verdier i transformarray T T[i] = Round( (G-)*c[i] ), i=0,,...,g- Gå igjennom bildet piksel for piksel, Hvis bildet har intensitet i, sett intensitet i utbildet til s=t[i] INF230 6/38 4
5 Histogramutjevning, forts Eksempel - histogramutjevning Det resulterende histogrammet ser ikke flatt ut, men det kumulative histogrammet er en rett lineær rampe Søylene kan ikke splittes for å tilfredstille et flatt histogram INF230 7/38 INF230 8/38 Eksempel 2 - histogramutjevning Histogramtilpasning INF230 9/38 Histogramutjevning gir oss et nytt bilde med histogram som er flatt Noen ganger ønsker vi å spesifisere andre former på histogrammet til utbildet Dette gjøres i flere steg:. Gjør histogramutjevning på innbildet, finn s=t(i) 2. Spesifiser ønsket nytt histogram g(z) 3. Finn den transformen T g som histogramutjevner g(z) og inverstransformen T g - 4. Inverstransformer det histogramutjevnede bildet fra punkt ved z=t g - (s) INF230 20/38 5
6 Tilpasning til Gauss-profil Tilpasning til annen kurve Histogram-utjevnet Tilpasset Gauss-form (Bilder hentet fra NASA) INF230 2/38 INF230 22/38 Histogram matching Histogramtilpasning hvor det ene bildets histogram benyttes som ønsket form Standardisering av histogram Hensikt: Sørge for at alle bildene i en serie har like histogrammer Metoder: Histogramutjevning Histogramspesifikasjon (f.eks. til oppgitt Gauss-profil) Hvorfor? Fjerne effekten av Døgnvariasjon i belysning Aldringseffekter i lamper og detektorer Akkumulering av støv på linser etc. Hvor: Produkt-inspeksjon i industri Ansiktsgjenkjenning (Eigen-face-demoen) Mikroskopering av celler... INF230 23/38 INF230 24/38 6
7 Når bør du IKKE gjøre dette? Du mener at: Det kan være reelle variasjoner i middelverdi og varians til bildene i en bildeserie Du vet ikke: Om noen senere vil bruke (. ordens) histogram-parametre til klassifikasjon av bildene Hva gjør du? Behold originalene, og jobb på kopier Gjør lineære gråtonetransformasjoner på bildene Dette vil bevare strukturene i histogrammet, selv om (µ,σ) endres Eksempel: Mikroskopering av kreft-celler Kommer i neste forelesning Rekvantisering Gitt et m n 8 bits bilde. Rekvantiser bildet til b bits med B=2 b - terskler. Hver gråtone skal ha like mange piksler Histogramutjevning med annen skalering Finn normalisert kumulativt histogram c T[i] = Round( (B)*c[i] ), i=0,,...,255 INF230 25/38 INF230 26/38 Histogram av flerkanals bilder Fargekamera: Måler lysintensitet i tre separate bånd i det elektromagnetiske spekteret Øyet er følsomt for rødt, grønt og blått lys Blått: 435.8nm, grønt: 546.nm, rødt: 700nm Multispektrale og hyperspektrale sensorer Tettere sampling av det elektromagnetiske spekteret Håndfull til flere hundre bånd Gråtonebilder: r=g=b magenta,0,0 RGB-kuben 0,0, rød blå 0,0,0 svart gul hvit cyan grønn 0,,0 Merk: fargene er her normaliserte slik at de ligger mellom 0 og INF230 27/38 INF230 28/38 7
8 Eksempel RGB-bilde D histogram fra fargebilder Vi kan lage et histogram for hver kanal i et RGB-bilde Bånd : R Bånd 2: G Vi får 3 grafer Bånd 3: B RGB-bilde vist på skjerm Dette sier ikke noe om mengden av piksler som har verdien(r,g,b) i forhold til (r2,g2,b2) INF230 29/38 INF230 30/38 2D histogrammer fra fargebilder Vi kan lage 2D histogrammer for de tre kombinasjonene av 2 og 2 kanaler. Dette gir informasjon om forekomsten av piksler med gitte verdier av (r,g), (r,b) og (b,g). Kan vi si noe om hvilke piksler i RGB-bildet som ligger hvor histogrammene? 3D histogram av fargebilder Et bilde med tre bånd har egentlig en 3-dimensjonal kube som histogram I hvert element i 3D-matrisen finner vi antall piksler h(r,g,b) Med 256 gråtoner får denne 256*256*256= bins Et bilde på 256*256 piksler fyller maksimalt /256 av disse bins, dvs. at 3Dhistogrammet er for det meste tomt INF230 3/38 INF230 32/38 8
9 Histogramutjevning av RGB-bilder Eks: Histogramutjevning RGB vs HSI Histogramutjevning på hver komponent (r,g,b) uavhengig av hverandre Kan føre til endring i fargetonene i bildet Alternativt benytte HSI: Transformér bildet fra RGB til HSI Gjør histogramutjevning på I- komponenten Transformer HSI ny tilbake til RGB hvit S grønn gul H blå magenta I svart Originalbilde Histogramutjevning på RGB Histogramutjevning i intensitet i HSI INF230 33/38 INF230 34/38 Programmer for gråtonetransformasjon Histogrammer av objekt-egenskaper På CD-en: GreyMapTool HistogramTool CalcHist Equalise GreyMap GreyRescale MapTest, MapTest2 Andre programmer gimp xshow (fra programpakken XITE, leser spesielt format) matlab Begrepsapparatet omkring histogrammer vil også komme til nytte i digital bildeanalyse Vi kan lage histogrammer over egenskaper: Objekt-størrelse: viser fordelingen av størrelsen på objektene, og danner grunnlag for å sette en terskel for å kunne fjerne små og uvesentlige objekter fra bildet (støy) Objekt-momenter: Viser fordelingen av beregnede momenter fra hvert objekt, og danner grunnlag for å samle grupper av objekter i klasser eller clustre xv (NB: Leser ikke alltid PNG-format) Adope Photoshop INF230 35/38 INF230 36/38 9
10 Anvendelser av histogram Mange digital-kameraer gir et histogram, slik at vi kan justere manuelle innstillinger I neste forelesning kommer vi til å se på hvordan vi bruker histogrammet til å styre endringer i bildets middelverdi og kontrast Senere skal vi se at histogrammet er nyttig til segmentering av bilder (oppdeling av bildet i objekter og bakgrunn) Sentrale temaer i dag Histogrammer Hvordan tolke et histogram Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for billedserier Fjerne effekten av variasjoner i avbildningsforhold (døgnvariasjon, lampe, støv etc) Ikke lurt med histogramtilpasning hvis histogram-formen inneholder informasjon som senere skal benyttes Histogrammer i flere dimensjoner INF230 37/38 INF230 38/38 0
Repetisjon 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
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
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
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 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
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
DetaljerINF 2310 Digital bildebehandling
INF 2310 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Temaer i dag Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
DetaljerTemaer i dag. Repetisjon av histogrammer I. Gjennomgang av eksempler. INF2310 Digital bildebehandling. Forelesning 5. Pensum: Hovedsakelig 3.
emaer i dag Digital bildebehandling Forelesning 5 Histogram-transformasjoner Ole Marius Hoel Rindal omrindal@ifi.uio.no Etter orginale foiler av Fritz Albregtsen. Histogramtransformasjoner Histogramutjevning
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,
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 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. 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:
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
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
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:
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
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
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
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
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 : INF230 Digital bildebehandling Eksamensdag : Onsdag 6. juni 202 Tid for eksamen : 09:00 3:00 Oppgavesettet er på : 6 sider Vedlegg
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
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
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
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
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. 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
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
DetaljerHistogrammetoder. Lars Aurdal Norsk regnesentral. Histogrammetoder p.1/91
Histogrammetoder Lars Aurdal Norsk regnesentral aurdal@nr.no Histogrammetoder p.1/91 Oversikt 1 Litt praktisk informasjon. Grånivåtransformasjoner. Grunnleggende transformasjoner. Negativer. Log-transformasjoner.
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
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: 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 : INF2310 Digital bildebehandling Eksamensdag : Fredag 29. mars 2019 Tid for eksamen : 14:30 18:30 (4 timer) Oppgavesettet er
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
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
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
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
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:
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
DetaljerINF 1040 høsten 2008: Oppgavesett 11 Farger (kapittel 15)
INF 1040 høsten 2008: Oppgavesett 11 Farger (kapittel 15) Fasitoppgaver Denne seksjonen inneholder innledende oppgaver hvor det finnes en enkel fasit bakerst i oppgavesettet. Det er ikke nødvendigvis meningen
DetaljerBilder del 2. Farger og fargesyn. Tre-farge syn. Farger og fargerom. Cyganski, kapittel 5. Fargesyn og fargerom. Fargetabeller
Litteratur : Tema i dag: Neste uke : Bilder del 2 Cyganski, kapittel 5 Fargesyn og fargerom Fargetabeller Endre kontrasten i et bilde Histogrammer Terskling Video og grafikk, litt enkel bildebehandling
DetaljerINF 2310 Digital bildebehandling
Raleigh-kriteriet INF 3 Digital bildebehandling EN KORT MIDTVEIS-REPETISJON Anta en perekt linse med aperture-diameter D, og at lsets bølgelengde er. To punkter i et objekt kan akkurat adskilles i bildet
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
DetaljerGråtone-transformasjoner Hovedsakelig fra kap i DIP
INF 31 3..9 - AS Gråtone-transforasjoner Hovedsakeli fra kap. 3.1-3. i DIP Historaer Lineære råtonetransforer Standardiserin av bilder ed lineær transfor Ikke-lineære, paraetriske transforer Hvordan endre
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
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
DetaljerFargebilder. Lars Vidar Magnusson. March 12, 2018
Fargebilder Lars Vidar Magnusson March 12, 2018 Delkapittel 6.1 Color Fundamentals Delkapittel 6.2 Color Models Delkapittel 6.3 Bildeprosessering med Pseudofarger Delkapittel 6.4 Prosessering av Fargebilder
Detaljer3. obligatoriske innlevering, høsten 2014
3. obligatoriske innlevering, høsten 2014 {Jonathan Feinberg, Joakim Sundnes} {jonathf,sundnes}@simula.no November 3, 2014 Innleveringskrav Denne skal følge malen gitt på emnesidene Legges ut 2. september.
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
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
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF30 Digital bildebehandling Eksamensdag : Fredag 9. mars 09 Tid for eksamen : :30 8:30 ( timer) Løsningsforslaget
DetaljerKantdeteksjon og Fargebilder
Kantdeteksjon og Fargebilder Lars Vidar Magnusson April 25, 2017 Delkapittel 10.2.6 More Advanced Techniques for Edge Detection Delkapittel 6.1 Color Fundamentals Delkapittel 6.2 Color Models Marr-Hildreth
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
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
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
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.
DetaljerINF 2310 Farger og fargerom. Motivasjon. Fargen på lyset. Fargen på lyset. m cos( Zenit-distansen, z, er gitt ved
Temaer i dag : INF 310 Farger og fargerom 1 Farge, fargesyn og deteksjon av farge Fargerom - fargemodeller 3 Overganger mellom fargerom 4 Fremvisning av fargebilder 5 Fargetabeller 6 Utskrift av fargebilder
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
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
DetaljerINF 1040 høsten 2009: Oppgavesett 11 Farger (kapittel 15) Løsningsforslag Flervalgsoppgaver
INF 1040 høsten 2009: Oppgavesett 11 Farger (kapittel 15) Løsningsforslag Flervalgsoppgaver I disse oppgavene er det oppgitt fem svaralternativer der bare ett svar er riktig. 8. Fargerommet som brukes
DetaljerINF januar 2017 Ukens temaer (Kap med drypp fra kap. 4. i DIP)
25. januar 2017 Ukens temaer (Kap 2.3-2.4 med drypp fra kap. 4. i DIP) Romlig oppløsning Sampling av bilder Kvantisering av pikselintensiteter 1 / 27 Sampling av bilder Naturen er kontinuerlig (0,0) j
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
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
DetaljerEKSAMEN. Bildebehandling og mønstergjenkjenning
EKSAMEN Emnekode: ITD33514 Dato: 18. mai 2015 Hjelpemidler: Alle trykte og skrevne. Emne: Bildebehandling og mønstergjenkjenning Eksamenstid: 4 timers eksamen Faglærer: Jan Høiberg Eksamensoppgaven: Oppgavesettet
DetaljerEksamen i IN 106, Mandag 29. mai 2000 Side 2 Vi skal i dette oppgavesettet arbeide med et bilde som i hovedsak består av tekst. Det binære originalbil
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i IN 106 Introduksjon til signal- og bildebehandling Eksamensdag: Mandag 29. mai 2000 Tid for eksamen: 29. mai 2000 kl 09:0031.
DetaljerINF 2310 Digital bildebehandling
INF 230 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen 05.02.203 INF230 Temaer i dag Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering
DetaljerINF 2310 Farger og fargerom. Motivasjon. Fargen på lyset. Fargen på lyset fra sola. Vi kan skille mellom tusenvis av fargenyanser
INF 2310 Farger og fargerom Temaer i dag (Kapittel 6: Hovedfokus på 6.1 og 6.2): 1. Litt fysikk: sollys og reflektivitet 2. Farge, fargesyn og deteksjon av farge 3. Fargerom - fargemodeller 4. Overganger
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
DetaljerLøsningsforslag til kapittel 15 Fargerom og fargebilder
Løsningsforslag til kapittel 15 Fargerom og fargebilder Oppgave 1: Representasjon av et bilde Under har vi gitt et lite binært bilde, der svart er 0 og hvit er 1. a) Kan du skrive ned på et ark binærrepresentasjonen
DetaljerMotivasjon. INF 2310 Farger og fargerom. Fargen på lyset. Spredning, absorbsjon, transmisjon. Vi kan skille mellom tusenvis av fargenyanser
Temaer i dag : INF 310 Farger og fargerom 1. Farge, fargesyn og deteksjon av farge. Fargerom - fargemodeller 3. Overganger mellom fargerom 4. Fremvisning av fargebilder 5. Fargetabeller 6. Utskrift av
DetaljerMotivasjon. INF 2310 Farger og fargerom. Fargen på lyset. Fargen på lyset. Vi kan skille mellom tusenvis av fargenyanser
Temaer i dag : INF 310 Farger og fargerom 1. Farge, fargesyn og deteksjon av farge. Fargerom - fargemodeller 3. Overganger mellom fargerom 4. Fremvisning av fargebilder 5. Fargetabeller 6. Utskrift av
DetaljerSTK1100 våren Kontinuerlige stokastiske variabler Forventning og varians Momentgenererende funksjoner
STK1100 våren 2017 Kontinuerlige stokastiske variabler Forventning og varians Momentgenererende funksjoner Svarer til avsnittene 4.1 og 4.2 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i
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
DetaljerTemaer i dag. Geometriske operasjoner. Anvendelser. INF 2310 Digital bildebehandling
Temaer i dag INF 310 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering av bilder
DetaljerViktige begreper. Viktige begreper, illustrasjon. Matematisk representasjon av digitale bilder. INF Introduksjon og Kap.
Viktige begreper INF 23. 25 Introduksjon og Kap. 2 Introduksjon - hva er et digitalt bilde Avbildning Det elektromagnetiske spekteret Litt om bildeformater Kamera og optikk Øyet og egenskaper ved synet
DetaljerForelesning 3. april, 2017
Forelesning 3. april, 2017 APPENDIX TIL KAP. 6 Sentralgrenseteoremet AVSNITT 6.3 Anvendelser av sentralgrenseteoremet Histogrammer S-kurver Q-Q-plot Diverse eksempler MGF for følger av uavhengige identisk
DetaljerNeste to forelesninger. Bildefiler - bildeformater De aller fleste bildeformater 3/18/2009. Digitale bilder med spesielt fokus på medisinske bilder
3/8/29 Digitale bilder med spesielt fokus på medisinske bilder Karsten Eilertsen Radiumhospitalet Neste to forelesninger Torsdag 29/: Enkel innføring i digitale bilder Eksempler på noen enkle metoder for
DetaljerINF 2310 Digital bildebehandling
INF 2310 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen 03.02.2014 INF2310 1 Temaer i dag Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon
DetaljerInnføring i bildebehandling
Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33506 Bildebehandling og mønstergjenkjenning Laboppgave nr 1 Innføring i bildebehandling Halden 27.08.2013 20.08.13 Revidert Log GKS 22.08.12
DetaljerINF januar 2018 Ukens temaer (Kap og i DIP)
31. januar 2018 Ukens temaer (Kap 2.4.4 og 2.6.5 i DIP) Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering av bilder 1 / 30 Geometriske operasjoner Endrer
DetaljerINF 2310 Digital bildebehandling
INF 2310 Digital bildebehandling Forelesning nr 8-2018 Farger og fargerom Temaer i dag : 1. Farge, fargesyn og deteksjon av farge 2. Fargerom - fargemodeller 3. Overganger mellom fargerom 4. Fremvisning
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
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
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)
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
DetaljerBILDEBEHANDLING ASTROFOTO
BILDEBEHANDLING ASTROFOTO Huskeliste Fotografer alltid i RAW-format dersom kameraet støtter det, eventuelt JPG+RAW Bruk manuell hvitbalanse Dagslys (solsymbolet) eller 5600K Med DSLR og lange brennvidder:
DetaljerINF1040-Farger-2. Vite hvilket fargerom vi skal bruke til forskjellige oppgaver
INF 1040 Farger og fargerom Temaer i dag : 1. Fargesyn og deteksjon av farge 2. Digitalisering av fargebilder 3. Fargerom og overganger mellom dem 4. Fremvisning og utskrift av fargebilder 5. Fargetabeller
DetaljerEKSAMENSFORSIDE Skriftlig eksamen med tilsyn
EKSAMENSFORSIDE Skriftlig eksamen med tilsyn Emnekode:6121 Emnenavn: Bildebehandling Dato: 08.12.2016 Tid fra / til: 09.00 13.00 Ant. timer: 4 Ansv. faglærer: Tor Lønnestad Campus: Bø Fakultet: Allmennvitenskapelige
DetaljerIllustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.20).
Econ 130 HG mars 017 Supplement til forelesningen 7. februar Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.0). Regel 5.19 sier at summer, Y X1 X X
DetaljerINF februar 2017 Ukens temaer (Kap og i DIP)
1. februar 2017 Ukens temaer (Kap 2.4.4 og 2.6.5 i DIP) Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering av bilder 1 / 30 Geometriske operasjoner Endrer
DetaljerMotivasjon. INF 2310 Farger og fargerom. Fargen på lyset. Fargen på lyset fra sola. Vi kan skille mellom tusenvis av fargenyanser
INF 310 Farger og fargerom Temaer i dag (Hovedfokus på 6.1 og 6.: 1. Farge, fargesyn og deteksjon av farge. Fargerom - fargemodeller 3. Overganger mellom fargerom 4. Fremvisning av fargebilder 5. Fargetabeller
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
Detaljerting å gjøre å prøve å oppsummere informasjonen i Hva som er hensiktsmessig måter å beskrive dataene på en hensiktsmessig måte.
Kapittel : Beskrivende statistikk Etter at vi har samlet inn data er en naturlig første ting å gjøre å prøve å oppsummere informasjonen i dataene på en hensiktsmessig måte. Hva som er hensiktsmessig måter
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
DetaljerBruk av vannmerke ved reproduksjon av gråtonebilder
Bruk av vannmerke ved reproduksjon av gråtonebilder EGIL BERNTSEN Examensarbete Stockholm, Sverige 2004 TRITA-NA-E04112 Numerisk analys och datalogi Department of Numerical Analysis KTH and Computer Science
DetaljerRaster VS Vektor. Stian Larsen Raster
Raster VS Vektor. Stian Larsen 29.09.10 Raster Raster grafikk, også kalt punktgrafikk, presenterer et bilde i biter av informasjon. Denne informasjonen blir til piksler som har fargekoder og informasjon
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
DetaljerStatistisk behandling av kalibreringsresultatene Del 1. v/ Rune Øverland, Trainor Elsikkerhet AS
Statistisk behandling av kalibreringsresultatene Del 1. v/ Rune Øverland, Trainor Elsikkerhet AS Denne artikkelserien handler om statistisk behandling av kalibreringsresultatene. I de fleste tilfeller
Detaljer