INF1040 Digital representasjon Oppsummering
|
|
- Ole Andreassen
- 6 år siden
- Visninger:
Transkript
1 INF-Oppsum- INF Digital representasjon Oppsummering Gerhard Skagestein, Fritz lbregtsen Elektriske ladninger (halvlederteknologi) RM Flash memory Magnetisme Magnetplater (disk) Magnetbånd Core Optisk CD, DVD Hullkort Hullbånd Hvordan lagres bitene? lagret bit sensor strøm Interessante egenskaper: Pris Lagringskapasitet Lese/skrivehastighet Søketid (latenc dresserbarhet Lagringsevne uten strømtilførsel Lagringsevne over tid Levetid INF-Oppsum- Fysikkens lover gir begrensninger Begrenset signalhastighet * 8 m/s (lyshastigheten) i fritt rom typisk ca / av dette i et fysisk medium (optisk eller elektrisk) Begrenset overføringskapasitet typisk fra Mb/s til mange Gb/s Begrenset overføringslengde pga. dempning ( attenuation ), støy og interferens c jo lengre og jo tynnere kabel, jo større dempning Originalsignal overføringskapasitet signalhastighet /*c Merk at vi i dagligtalen ofte omtaler overføringskapasiteten som hastigheten på sambandet (målt i biter per sekund bps) Dempet signal INF-Oppsum- Konvertering mellom tallsystemer n s k * (n-k) k= Det heksadesimale tallsystemet Og hva med det oktale tallsystemet? strømregulator Titallsystemet n s k * (n-k) k= Erstatt hvert heks-siffer med fire biter fra tabell Grupper og biter og bruk tabell Suksessive divisjoner med Det binære tallsystemet binært heks B C D E F INF-Oppsum- SCII Tegnsett: SCII og etterfølgerne ISO-889-x Windows CP Unicode UTF-8 UTF- UTF- Escape-løsninger MIME Quoted Printable =C XHTML spesialsymboler  Unicode og ISO bit, med mulighet for tegn Tegnsettet er delt opp i 7 plan med max. = tegn i hvert plan Plan : BMP Basic Multilingual Plane U+ to U+FFFD Plan : SMP Supplementary Multilingual Plane historiske språk (f. eks. egyptiske hieroglyfer), musikk Plan : SIP Supplementary Ideographic Plane sjeldne kinesiske tegn Plan : SPP Supplementary Special Purpose Plane tag characters FF FF 7 I Unicode skriver vi U+ istedenfor x BMP Basic Multilingual Plane se INF-Oppsum- INF-Oppsum-
2 INF-Oppsum-7 Glyf Fra glyf til representasjon Må ha standarder for: tegn kodepunkt representasjon Tegn Kodetabell x Kodepunkt Representasjon Glyfer og tegn Tegn: Det bakenforliggende begrep for bestemte visualiseringer ( strektegninger ) på papir, skjerm, steintavler... Et tegn kan vises fram med ulike glyfer:... Glyfer med identisk utseende kan visualisere ulike tegn: Eksempel: Å - bokstaven Å, enheten Ångström Problem: Når er to glyfer så forskjellige at de visualiserer to ulike tegn? Eksempel: Klartekst og Braille Eksempel: rabisk heh kontekstuelle former ههه ه former: Kontekstuelle ه glyf: Representativ INF-Oppsum-8 Fra kodepunkt til representasjon Vanligvis "rett fram etter nesa" x > men av og til unntak basert på "escape"-prinsippet ("det bitmønsteret som kommer nå, er ikke en vanlig representasjon det skal spesialbehandles") Eksempel: Spesialtegn i XML "Rett fram etter nesa"-bitmønsteret for &, dvs, representerer ikke &, men begynnelsen på et spesialsymbol: &#UNICODE-kodepunkt; Da må også & være et spesialsymbol: &#x; > og så har vi alle Unicode-transformasjonene Character encoding forms (fra kodepunkt til kodingsenheter ) UTF-8 variabel lengde fra til bytes xxx xxxx er kompatibel med SCII UTF- variabel lengde fra til bytes byte for tegn i BMP, ellers surrogatpar UTF- fast lengde bytes Character encoding schemes (fra kodingsenhet til bytesekvens) UTF-8 UTF- med byte-order mark eller lignende UTF-BE UTF-LE UTF- med byte-order mark eller lignende UTF-BE UTF-LE INF-Oppsum-9 INF-Oppsum- Unicode UTF- Med biter kan kodepunktene i BMP representeres direkte De planene over BMP adresseres med surrogatpar fra BMP Surrogatpar: Tegn i BMP som fungerer som halvtegn av -biters tegn Første halvdel (high surrogate): U+D8 U+DBFF Siste halvdel (low surrogate): U+DC U+DFFF Peker til et kodepunkt S utenfor BMP ved hjelp av følgende algoritme: S = (high xd8) * x + (low xdc) + x Dette gir indirekte tilgang til = 8 7 ekstra tegn ut fra BMP Disse kodepunktene brukes ikke for noe annet, 7 og reduserer derfor antall vanlige tegn i BMP Unicode har altså tegn med variabel lengde, men lengden kan fastslås ut fra bitmønsteret INF-Oppsum- Enslig motorvogn = + SCII-kode Motorvogn i tog begynner alltid med et antall er-biter etterfulgt av en ntall er-biter i motorvognen = antall vogner i toget Vognene begynner alltid med Disse bitmønstrene brukes ikke for vanlige tegn i UTF-8 Unicode UTF-8 7 biter xxxxxxx biter xxxxx xxxxxx xxxx xxx biter xxxxxx SCII med en ekstra ledende er kompatibel med UTF-8 xxxxxx biter xxxxxx xxxxxx xxxxxx INF-Oppsum-
3 INF-Oppsum- SGML-familien Et meget enkelt XML-eksempel SGML Standard General Markup Language ISO 8879:98 HTML Hypertext Markup Language XML Extensible Markup Language lle XML-filer begynner slik! startmarkering (starttag) sluttmarkering (endtag) Tegnsett brukt i XML-filen <?xml version = "." encoding="iso-889-"?> <eventyr> Det var en gang og snipp, snapp, snute, så var det eventyret ute. </eventyr> XHTML Extensible Hypertext Markup Language Other XML-based Languages element (element) INF-Oppsum- Oppbyggingen av et element Spesielle tegn <elementnavn attributtnavn= "verdi"> tekst og/eller elementer </elementnavn> sluttmarkering startmarkering elementinnhold Tegnene < > & har en spesiell betydning i XML (de brukes som escape -tegn) Hvis slike tegn inngår i teksten, må de kodes på en spesiell måte: &tegnnavn; eller &#kodepunkt; Et element må ha både en startmarkering og en sluttmarkering <markering>elementinnhold</markering> Tomme elementer kan ha en kombinert kombinert start- og sluttmarkering <markering /> altså: < <  > >  & & &#x; x betyr at kodepunktet er angitt i heksadesimal Krav til et velformet XML-dokument:. Én rot. Perfekt nøstede elementer For konvertering fra Unicode-tegn til heksadesimal, bruk for eksempel INF-Oppsum- INF-Oppsum- XHTML XML for nettsider <?xml version="." encoding="utf-8"?> <!DOCTYPE html ngivelse av DTD PUBLIC "-//WC//DTD XHTML. Strict//EN" " <html xmlns = " <head> ngivelse av navnerom <title> En minimal nettside </title> </head> <body> <div>hallo, verden!</div> </body> </html> Et sentralt prinsipp: Skille innhold og fremvisningsdirektiver Eksempler Uformatert tekst og stiler i MS Word XHTML-strict med eksterne stilark Inovanis hodeanimasjoner Fordeler: Gir enhetlig utseende Gjør det enkelt å skifte utseendet gjennomgående Gjør det enkelt å tilpasse utseendet til fremvisningsmediet Kan bidra til å senke datamengden INF-Oppsum-7 INF-Oppsum-8
4 INF-Oppsum-9 Tall kan representeres på mange måter Tall som tekst (SCII-tegn representasjon) Heltall Positive Negative (flere mulige representasjoner, toerkomplement er vanlig) Tall avbildet på heltall (for eksempel bruk av bias) Flytende tall Naturlig binær representasjon av heltall Bruker formelen for tall bygd opp i posisjonssystemet n s k * (n-k) k= = * = * = * + * = * + * = * + * + * = * + * + * = * + * + * 7 = * + * + * 8 = * + * + * + * 9 = * + * + * + * INF-Oppsum- Gray-kode-representasjon av heltall Poenget med Gray-kode er at et tall skal skille seg fra det neste kun i en eneste bit Konstruksjonsalgoritme for binary reflected Gray code : Se læreboka avsnitt Konvertering mellom Gray-kode og naturlige binære tall Fra naturlig binær til Gray-kode Fra Gray-kode til naturlig binær Huskeregel: I begge konverteringer XOR es med forrige bit i det naturlige binære tallsystemet! INF-Oppsum- INF-Oppsum- Toerkomplementet for negative heltall Det binære toerkomplementet er lett å beregne: Ta et binært tall Erstatt alle med, alle med (legg merke til at vi må vite antall biter - for tallrepresentasjonen) - Legg til - Eksempel: () = (forutsetter 8 biter) toerkomplementet er + =, Regne ut + ( ): + = = () Populært kalt "klokkearitmetikk" biter 7 Tall avbildet på heltall tall med "bias" Vi skal representere tallene [ 8,,7] (8 biters tallrepresentasjon) Vi legger en bias 8 til alle tallene, slik at vi istedenfor kan representere tallene [,,] og det er jo helt kurant Ved addisjon kommer bias med to ganger, så vi må trekke den fra igjen Eksempel (forutsetter 8 biters tallrepresentasjon og derfor bias 8): Vi skal addere og. bias 8 = 8 = - bias 8 = 7 = = + - = = * = = bias 8 Dette prinsippet brukes for eksponenten i flytende tall INF-Oppsum- INF-Oppsum-
5 INF-Oppsum- Single precision Double precision Binære flytende tall (IEEE 7) fortegnsbit 8 eksponent med bias 7 mantisse. Ikke-lagret ledende med antatt binærpunkt fortegnsbit eksponent med bias mantisse. Ikke-lagret ledende med antatt binærpunkt Mantissen er normalisert, slik at første bit alltid er. Derfor sparer vi plass ved ikke å lagre denne biten! Vi legger en bias til eksponenten slik at representasjonen aldri er negativ! Binære flytende tall - eksempel fortegnsbit 8 eksponent med bias 7 mantisse ( fraction ). Ikke-lagret ledende med antatt desimalpunkt Eksempel: nta at vi skal representere., dvs *. (eksempel behendig valgt slik at mantissen begynner med.) Fortegnsbit: (fordi tallet er negativt) Eksponent: + 7 = "Fraction": (. ) =. = ( - ) =. ltså: INF-Oppsum- Punkter i tredimensjonalt rom I et tredimensjonalt rom trenger vi et koordinattrippel. Eksempel: Punktet (,, π) z lternativer til kartesiske koordinater tre dimensjoner π Kartesisk koordinatsystem h r v v (,, π) r v - y Sylinderkoordinater Sfæriske koordinater x INF-Oppsum-7 INF-Oppsum-8 Representasjoner av geometri En uendelig mengde punkter med uendelig presis beliggenhet kan ikke representeres i en datamaskin To ulike løsninger; Vektorrepresentasjon : Representere noen viktige punkter, og avlede de øvrige punktene matematisk ved behov. Egnet for regulære geometrier. Rasterrepresentasjon Bygge opp representasjonen av et endelig antall punkter med utstrekning. Gir vanligvis bare en tilnærmet korrekt geometri. Lydintensitet Intensiteten er den mengde energi som passerer gjennom en flate pr tidsenhet, og vi måler dette i W/m. Vi kan høre lyder over et stort omfang av intensiteter: fra I = - W/m, Høreterskelen til W/m, Smerteterskelen Oftest angir vi ikke absolutt lydintensitet i W/m Vi angir intensiteten i forhold til høreterskelen I Vi bruker en logaritmisk skala, decibelskalaen, forkortet db I β ( db) = log I Logaritmen med basis til et tall x, er den potensen vi må opphøye basistallet i for å få tallet x. Eksempel: log () = fordi = * = Eksempel : log ( ) = fordi = Decibel kommer av enheten bel, oppkalt etter lexander Graham Bell INF-Oppsum-9 INF-Oppsum-
6 INF-Oppsum- -,,, Lydtrykk Lydens svingninger - frekvens Hørbar lyd er trykkbølger, eller tetthetsbølger. Både atmosfæretrykket og trykk-amplitude P måles i Pascal(Pa=N/m ). atm =, kpa =, hpa (hpa = millibar, brukt i meteorologi) Høreterskelen er P = x - Pa Lydtrykket i db beregnes fra trykk-amplituden P : P P L p = log = log P P Faktoren kommer av at -er logaritmen til kvadratet av et tall er ganger logaritmen til tallet. Effekten i en trykkbølge er proporsjonal med kvadratet av trykkamplituden. Hvordan lyden høres ut, avhenger av hvor raske svingninger den inneholder. ntall svingninger per sekund er frekvensen til en tone. Frekvensen til en tone måles i Hz ( s - ) Vi hører lydbølger som svinger mellom 8 ganger per sekund og ganger per sekund Høreterskelen er bare / av standard atmosfærisk trykk Smerteterskelen svarer til en lydintensitet som er ganger høreterskelen. Hørselen svekkes med alderen. Svekkelsen er ikke lik for alle frekvenser. De ca endepunktene for hørenervene slites / knekker. De fleste lyder består av flere rene toner med ulik frekvens. Øret er veldig følsomt for forandringer i frekvens (.% endring). INF-Oppsum- Lyd som sinusoider Sinusoider er et felles navn på funksjonene cos(x) og sin(x). Diskret representasjon av et kontinuerlig lydsignal lle lydsignaler må samples og kvantiseres for å kunne lagres digitalt. Periodisk signal: et periodisk signal gjentar seg etter en viss tid. Sinus og cosinus-funksjoner beskriver periodiske signaler. mplitude tid, sekunder Prosessen som gjør signalet diskret i tid kalles sampling. Å sample et signal vil si å plukke ut verdien til signalet på tidspunkter med gitte intervaller. Lydintensiteten ved tiden t, y(t) må så kvantiseres for å kunne lagres (f.eks. til un-signed byte som gir verdiene -). INF-Oppsum- INF-Oppsum- Samplingsintervall og samplingsfrekvens Sampling er første skritt i en digitalisering Tiden diskretiseres, og vi tar bare vare på en sekvens av lydintensitetsverdier y(t) ved bestemte diskrete tidspunkter. Sekvensen y[n], for n =,,,,, N- er en diskret-tid (eller digital) representasjon av det kontinuerlige signalet y(t). Tidsavstanden mellom to sampler, gitt i sekunder (eller millisekunder) kalles samplingsintervallet. Hvis samplingsintervallet er det samme mellom alle sampler sier vi at vi har en uniform sampling. Samplingsfrekvens (også kalt samplingsrate) angis i Hz, og er det inverse av samplingsintervallet. Samplingen gjøres av en /D-omformer ved at lydintensiteten (i praksis mikrofonspenningen) holdes i et lite tidsintervall. INF-Oppsum- Uniform kvantisering nta at spenningen varierer mellom y min og y max. nta at vi deler området mellom y min og y max i N kvantiseringsnivåer. Da er B = {b, b,, b N } de N+ beslutningsgrensene som bestemmer hvilket nivå en målt spenning y(t) havner i. kvantisert variabel Vi har N forskjellige outputverdier q eller rekonstruksjonsnivåer, Q = {q, q,, q N }. Hvis alle kvantiseringsnivåene har lik bredde,, kalles dette uniform kvantisering. q q q Her illustrert for N = nivåer med lik bredde. b y min b b kontinuerlig variabel b INF-Oppsum- b y max
7 INF-Oppsum-7 Digitalisering Et kontinuerlig lydsignal er en reell funksjon y(t) av tiden t. Digitaliseringsprosessen består av tre enkle steg:. Bestem samplingsintervallet Ts, og ta N diskrete sampler y[n], n=,,,,, N-.. Skalér verdien av alle samplene, for eksempel til -.. Kvantiser verdiene av de skalerte samplene til nærmeste heltallsverdi. Legg merke til at vi ikke trenger å ta vare på verdien av tiden eller verdien av n for hvert sampel. Så lenge vi lagrer dem etter hverandre og kjenner Ts, er tidspunktet for hvert sampel implisitt gitt. Nyquist-teoremet Vi har et fundamentalt spørsmål: Hvor ofte må vi måle lydintensiteten i et gitt lydsignal? Harry Nyquist og Claude Shannon ga oss følgende teorem: nta at et analogt signal er bånd-begrenset, dvs. at det ikke har sinuskomponenter med frekvenser over et maksimum f max. Signalet kan da rekonstrueres eksakt fra de samplene vi har, hvis samplingsfrekvensen f s = /T s er større enn f max. f max kalles Nyquist-raten. Hvis vi sampler med en samplingsfrekvens f s som er minst f max, så sampler vi i henhold til Nyquist-teoremet. nta at vi skal sample lyd slik at vi kan rekonstruere alle hørbare frekvenser (opp til Hz) uten noen feil eller forvrenging. Hva er f s? INF-Oppsum-8 Oversampling Vi sampler for eksempel en f = Hz sinus med f s = khz som gir f s /f = / = 8 sampler pr periode. Dette er en X oversampling (svarte piler i figuren). mplitude - Hz, Hz,,,,,,,7,8 tid, sekunder INF-Oppsum-9 Undersampling og aliasing liasing betegner det fenomenet at en sinusoid ved for lav samplingsrate gir opphav til samme diskrete signal som en sinusoid med lavere frekvens. Vi sampler for eksempel en f = Hz sinus med Hz, Hz f s =. f = 87. Hz. Dette gir for eksempel sampler ved t =. og ved t =.7 (stiplede røde piler). Rekonstruksjon gir sinus med f a =. Hz, - (stiplet kurve i figuren). tid, sekunder Vi har fått en aliasing. Merk at f a = f s f når f < f s < f mplitude,,,,,,,7,8 INF-Oppsum- Lydkilde i bevegelse Doppler-effekt nta at lydkilden kommer mot deg med en gitt hastighet Frekvensen til lydkilden og lydhastigheten i mediet er uforandret. I perioden T har en bølge beveget seg en viss lengde Lydkilden har i mellomtiden også beveget seg Neste bølge kan derfor ligge tett bak forrige Resultat: Du opplever en mindre periode Dermed hører du en høyere frekvens λ =vt λ =vt fordi flere lydbølger passerer per tidsenhet enn om lydkilden hadde stått i ro. En lydkilde som fjerner seg gir tilsvarende en lyd med lavere frekvens Dette har konsekvenser for valg av samplingsfrekvens Egenskaper ved synet Vi kan se lysintensiteter over et stort intervall, dekader Blendings-intensiteten er ganger så høy som den svakeste intensitet vi kan oppfatte. Vi ser bare et visst antall nivåer samtidig : - den minste gråtone-forskjellen vi kan oppfatte er ca % => ca forskjellige gråtoner, men mange flere farger. Når øyet skifter fokus til et annet sted i bildet som har et annet bakgrunnsintensitetsnivå, tilpasser øyet seg dette og ser fint lokale intensitets-forskjeller. INF-Oppsum- INF-Oppsum-
8 INF-Oppsum- y Objekt-bilde relasjonen (avsnitt..) Objekt-bilde relasjon: /s + /s = /f Mer praktisk: Forstørrelse: m = y /y = s /s Hvor stort blir bildet? y = ys /s. F F f f s s s' = s f ( s f ) Setter vi inn det uttrykket vi har for s ovenfor, finner vi et nyttig uttrykk for størrelsen på bildet i fokalplanet: y' = y f ( s f ) y Rayleigh-kriteriet To lys-punkter kan akkurat adskilles i bildet hvis de ligger slik at sentrum i det ene diffraksjonsmønstret faller sammen med den første mørke ringen i det andre. Linse med diameter D, bølgelengde λ. La maksimum til den ene falle i første minimum til PSF for den andre. Vinkelen mellom dem er da gitt ved sin θ =. λ / D radianer. Dette er Rayleigh-kriteriet. Vi kan ikke se detaljer mindre enn dette. - - INF-Oppsum- Hvor små detaljer kan vi se med øyet? nta D=. mm, og λ = nm, Rayleigh s kriterium sier at vinkeloppløsningen er gitt ved For små vinkler er sin(θ) = θ, når vinkelen θ er gitt i radianer. Omformer vi θ fra radianer til grader, ser vi at oppløsningen er Vi sa tidligere at vi kan se linjer per grad. Nå har vi altså sett at denne erfaringen stemmer med teorien. 9. λ. sin θ = = D. θ =.7 8 π =.7 grad Viktige begreper Et digitalt bilde er en funksjon av to (eller flere) heltallsvariable f(x, (x og y er heltall) Et -dimensjonalt digitalt bilde er en -dimensjonal array/matrise. Dette kalles raster-representasjon. Hvert element i matrisen kalles et piksel, og angis ved koordinater x og y. Tallverdien til hvert piksel angir intensiteten til pikslet. Lagres pikselverdiene i matriser, trenger vi ikke ta vare på koordinatene. y x Merk: origo (,) er ofte oppe i venstre hjørne i bildet. Det første pikslet kan ha indekser (,) eller (,) INF-Oppsum- INF-Oppsum- Sampling Bildet varierer i intensitet med ulike frekvenser. ntar bildet inneholder av et endelig antall frekvenser. En høy frekvens beskriver et mønster som varierer hurtig i bildet, lav frekvens noe som varierer langsomt. Nyquist-kriteriet: Samplingsraten må minst være dobbelt så stor som den høyeste frekvensen i bildet. Dette betyr: Vi må sample minst to ganger pr. periode av det objektet som varierer hurtigst i det kontinuerlige bildet. Det digitale bildet må altså ha minst to piksler pr periode for den minste periodisk struktur i det kontinuerlige bildet. I tillegg må vi ha god nok optikk til å avbilde slike strukturer! To representasjoner for bilder Det er to fundamentalt forskjellige måter å representere et bilde på:. Lagre alle pikselverdiene (gråtoneverdi, eller fargekomponenter). 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. Enten at bildet er forholdsvis enkelt (skisser, tegninger, CD, kart, ). 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.). INF-Oppsum-7 INF-Oppsum-8
9 INF-Oppsum-9 Det elektromagnetiske spekteret RGB-kuben Fiolett:.-. µm Blå:.-. µm,, blå cyan Grønn:.-.78 µm Gul: µm Oransje:.9-. µm magenta hvit Gråtonebilder: r = g = b Rød:.-.7 µm Sammenheng mellom bølgelengde og frekvens: C = f λ (bølgeligningen) c lysets hastighet (x 8 m/s) λ - bølgelengde (m) f frekvens (sykler pr. sek, Hz),,,, svart rød gul,, grønn Merk: RGB-verdiene er normaliserte slik at de ligger mellom og INF-Oppsum- CMYK-fargemodellen CMYK- modellen er subtraktiv (start med hvitt, trekk fra farger). lternativ til r,g,b som basisfarger er cyan, magenta, yellow (CMY-modeller). C = - R eller - R hvis 8-bits ikke-normaliserte bilder M = - G - G Y = - B - B RGB er vanlig på display, men CMYK er vanlig på fargeprintere (K er ekstra komponent for svart). Egen komponent for svart fordi full verdi av C, M og Y gir mørk brunt og ikke svart. På ulike printere ser også de rene fargene ulike ut når de skrives ut, så fargebilder forvrenges ofte ved utskrift. YCbCr-modellen Dette er fargemodellen for digital TV og video! Y er luminans (luma) Cb er blå minus luma (B-Y) Cr er rød minus luma (R-Y). YCbCr er kun digital, mens RGB kan være både analog og digital. MPEG-kompresjon (i DVD er, digital-tv og video CD er) er kodet i YCbCr digitale videokameraer (MiniDV, DV, Digital Betacam, osv.) gir et YCbCr signal over en digital link som FireWire eller SDI. Den analoge tvillingen til YCbCr er YPbPr. INF-Oppsum- INF-Oppsum- cyan grønn blå S Hue, Saturation, Intensity (HSI) hvit gul magenta I svart H rød Hue: ren farge - gir bølgelengden i det elektromagnetiske spektrum. H er vinkel og ligger mellom og π: Rød: H=, grønn: H= π/, blå= π/, gul: H=π/, cyan= π, magenta= π/, Hvis vi skalerer H-verdiene til 8-bits verdier vil Rød: H=, grønn: H= 8, blå= 7, gul: H=, cyan= 7, magenta=. Fargebilder og fargetabeller RGB kan lagres med like mange biter for r, g, b, f.eks (8+8+8) Selv ++ = 9 biter gir oss 8x8x8= kombinasjoner, men bare 8 forskjellige nivåer av rødt, grønt og blått, og dermed også bare 8 forskjellige gråtoner. Det er ikke sikkert at alle de fargene finnes i bildet. Et scene med mange nyanser av en farge vil da se ille ut! Hvorfor? Jo fordi den bare får 8 forskjellige farger! lternativt kan man bruke 8 biter og fargetabeller. Hver rad i tabellen beskriver en r, g, b-farge med biter, og tabellen inneholder de fargene som best beskriver bildet. I bilde-filen ligger pikselverdiene som tall mellom og, men når vi skal vise bildet, slår vi bare opp i samme rad som pikselverdien, og finner r, g, b-verdiene til pikselet. INF-Oppsum- INF-Oppsum-
10 INF-Oppsum- Pseudo-farger Pseudo-fargebilder er egentlig gråtonebilder der man har tilordnet hver gråtone en RGB-farge ved hjelp av en oppslagstabell (LUT). NO VHRR kanal : 8-8 nm Falske farger kanal : Kanal 7- nm kanal : nm Kanal ++ som RGB Kanal ( Royal Swedish cademy of Sciences). vist som RGB-bilde (Meteorologisk Institutt) kanalene er ikke RGB (7,.,.8). ltså falske farger. INF-Oppsum- Chroma ::, ::, :: eller :: Subsamplingen i YCbCr betegnes med talltrippelet :n:n n angir hvor mange av originale piksler i Cb og Cr som faktisk sendes. 8x8 piksler er en "blokk" i et videobilde. En blokk er grunnsteinen i JPEG-kompresjon av digitale bilder. Makroblokker Videostandarden H. bruker en makroblokk på x piksler i intensitets-komponenten Y, en 8 x 8 blokk i Cb og en 8 x 8 blokk i Cr. stk 8x8 blokker gir oss all informasjon fra en makroblokk på x piksler i bildet. En makroblokk betegnes med MB Dette har ikke noe med forkortelsen for MegaByte å gjøre. JPEG bruker :: INF-Oppsum-7 INF-Oppsum-8 Hva er et histogram? nta at vi har et gråtonebilde med m n piksler hvert piksel har ordlengde b biter => vi har b mulige gråtoner. Ser på gråtonen i hvert piksel, teller opp hvor mange piksler det finnes for hver pikselverdi, får vi et gråtone-histogram. Histogrammet h(v) er en tabell over antall forekomster av verdien v. Lineær gråtonemapping Vi vil at pikselverdier i området [f, f ] skal havne i området [g,g ]. Dette er en lineær mapping fra f til g g g g ( x, = g + [ f ( x, y f ] ) f f en rett linje med stigningstall a=(g -g )/(f -f ) som skjærer g-aksen ved verdien b. g g g b g g a= f f f f f INF-Oppsum-9 INF-Oppsum-
11 INF-Oppsum- Støyfiltrering middelverdi eller median 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. Bevarer kanter i bildet bedre enn middelverdifilteret. Bildeforbedring: Unsharp masking Middelverdi-filtrering gjør bildet uskarpt. Vi kan subtrahere det uskarpe bildet fra originalen, og addere differansen til originalen. Resultatbildet vil virke skarpere enn originalen. lternativ: original + høypass = high-boost INF-Oppsum- Kantdeteksjon ved konvolusjon Støyfjerning smører ut detaljer, kanter og linjer i bildet. Kombinerer de to operasjonenene, midler i y-retning og deriverer i x-retning, og omvendt. Bruker to operatorer eller filtre, for eksempel: h x =, h y = Legger operatormasken oppå det digitale bildet, multipliserer hvert underliggende piksel med verdien i masken, summerer, og setter svaret i tilsvarende posisjon i ut-bildet. Flytter masken til neste piksel i bildet og gjentar prosedyren, Dette kalles konvolusjon. Gradientmagnitude og retning Vi har to ut-bilder som gir gråtonegradienten i x-retning gråtonegradienten i y-retning. g ( x, = f ( x, * h» symbolet * betegner konvolusjon. Vi lage ett gradient-magnitude bilde G(x, G( x, = [ g x ( x, ] + [ g y ( x, ] Viser hvor bratte kantene er i bildet ett orienterings-bilde θ(x, g (, ) y x y θ ( x, = tan som viser i hvilken retning normalen til kanten peker. g x ( x, Derivasjoner ikke bare abstrakt matematikk. Vi kan derivere digitale bilder, og dermed detektere kanter og linjer i bilder, på samme måte som synssystemet vårt gjør. x g ( x, = f ( x, * h y y x INF-Oppsum- INF-Oppsum- Kompresjon Kompresjon kan deles inn i tre steg: Transform - her representeres sekvensen på en mer kompakt måte. Kvantisering - her gjøres en avrunding. Koding - her lages og brukes kodeboken. inndata transform kvantisering koding utdata Kompresjons kan gjøres Eksakt / tapsfri ( loss-less )» Her kan vi rekonstruere den originale meldingen eksakt. Ikke-tapsfri ( lossy )» Her kan vi ikke rekonstruere meldingen eksakt.» Resultatet kan likevel være godt nok. Det finnes en mengde ulike metoder for begge kategorier kompresjon. INF-Oppsum- Litt om de tre stegene i kompresjon inndata transform kvantisering koding utdata Mange metoder er basert på å representere en tekst/bilde/lydsignal på en annen måte, altså transformer av original-dataene. Differansetransform løpelengder/run-length, Hvis vi kvantiserer original - dataene, så kan ikke dette reverseres. Koding bygger ofte på sannsynlighetsfordelinger, dvs normaliserte histogrammer (forrige forelesning) Transformer og koding er alltid reversible. Kvantisering gir alltid et tap av presisjon. INF-Oppsum-
12 INF-Oppsum-7 Ulike typer redundans Psykovisuell/psykoakustisk redundans Det finnes informasjon vi ikke kan høre eller se (se kapittel, og ). Interbilde redundans Det er en viss likhet mellom bilder som kommer etter hverandre i en sekvens Vi koder noen bilder i sekvensen, og deretter bare differanser (kapittel ). Intersampel redundans Nabo-symboler, - amplituder, -piksler ligner på hverandre eller er like. Eks: kan run-length kodes som (,),(,),(,),(,) Kodings-redundans Gjennomsnittlig kodelengde minus et teoretisk minimum. Eks: - Huffman-koding bruker færrest biter på å kode -tallet, som forekommer ofte, og flere biter for -tallet. Hvor godt er dette? Kompresjonsrate og redundans Vi vil lagre en gitt informasjonsmengde ved bruk av færre data. Redundante data må bort. Kompresjonsraten angis som CR = i/c, der i er antall bit pr. sampel originalt, og c er antall bit pr. sampel i det komprimerte datasettet. Relativ redundans: c R = = CR i percentage removed = (-c/i) % INF-Oppsum-8 Differansetransform Gitt en linje i bildet med gråtoner f,...f N, f i b -. Transformer (reversibelt) til g = f, g = f -f, g = f -f,..., g N = f N -f N- Vi trenger nå b+ biter hvis vi skal tilordne like lange binære koder til alle mulig verdier. i differansehistogrammet vil de fleste verdiene samle seg rundt. Derfor er det ikke slik at en naturlig bit-koding av differansene er det optimale. Løpelengde-transform (run-length) Ofte inneholder bildet objekter med lignende gråtoner, f.eks. svarte bokstaver på hvit bakgrunn. Vi kan benytte oss av kompresjonsteknikker som tar hensyn til at nabopiksler på samme linje ofte er like. Løpelengde-transform er reversibel. Først et eksempel: ( byte) Når tallet forekommer ganger etter hverandre, trenger vi bare lagre tallparet (,). Tilsammen trenger vi her tallpar, (,), (,), (,), (7,) altså 8 tall til å lagre hele sekvensen tall ovenfor. Hvor mange biter vi bruker pr. tall, avhenger av den videre kodingen. INF-Oppsum-9 INF-Oppsum-7 Løpelengder i binære bilder Koding I to-nivå bilder trenger vi bare å angi løpelengden for hvert run, forutsatt at vi vet om linjen starter med et hvitt eller et svart run. Vi trenger kodeord for EOL og EOI. Run-lengde histogrammet er ofte ikke flatt. Benytter da en kode som gir korte kode-ord til de hyppigste run-lengdene. En standard (CCITT) Huffman kode basert på dokument-statistikk brukes for dokument-overføring pr fax. Egen kodebok for svarte og hvite runs. Et alfabet er mengden av alle mulige symboler (eks. gråtoner) Hvert symbol får et kode-ord, til sammen er de en kode-bok. Koding skal være reversibel fra koden skal vi kunne rekonstruere det originale symbolet Unikt dekodbare koder har den egenskap at en mottatt sekvens av kode-ord kan dekodes på en og bare en måte. Instantant dekodbare koder kan dekodes uten skilletegn. Mer effektiv dersom kompleksiteten er lav. INF-Oppsum-7 INF-Oppsum-7
13 INF-Oppsum-7 Naturlig binær-koding Koder med variabel lengde Naturlig binær-koding: lle kode-ord er like lange. Kjenner vi noen eksempler på dette? For ulike sannsynligheter er koder med variabel lengde på kode-ordene bedre enn like lange koder Hyppige symboler kortere kode-ord. Eks: vi har 8 mulige verdier Symbol nr. 7 8 Sjeldne symboler lengere kode-ord. Dette var forretnings-ideen til Samuel Morse Symbol Kode c i s s s Naturlig binærkoding er bare optimal hvis alle verdiene i sekvensen er like sannsynlige. s s s s 7 s 8 B C D E F G H I J K L M N O P Q R S T U V W X Y De vanligste symbolene i engelsk tekst er e, t, a, n, o, i, INF-Oppsum-7 Gjennomsnittlig antall biter pr. symbol Vi konstruerer en kode c,...c N slik at symbol s i kodes med kodeordet c i. b i er lengden (angitt i biter) av kodeordet c i. Gjennomsnittlig antall biter pr. symbol for denne koden er: N R= b p + b p bn pn = bi pi i= Entropien H gir oss en nedre grense for hvor mange biter vi gjennomsnittlig trenger pr. symbol (hvis vi bare koder ett symbol av gangen). Informasjonsinnhold Definer informasjonsinnholdet I(s i ) i hendelsen s i ved I ( si ) = log p( si ) log (x) er -er logaritmen til x Hvis log (x)=b så er x= b Eks: log ()= fordi = (=*****) log (8)= fordi 8=**= Har ikke log på kalkulatoren, hjelp! log (tall) = log (tall) / log () log (/p(s i )) gir oss informasjonsinnholdet i den hendelsen det er at symbolet s i forekommer en gang, uttrykt i biter. INF-Oppsum-7 INF-Oppsum-7 Entropi Hvis vi tar gjennomsnittet over alle symbolene s i i alfabetet, får vi gjennomsnittlig informasjon pr. symbol. Entropi H: b b H = p( si ) I( si ) = p( si )log( p( si )) i= i= Entropien setter en nedre grense for hvor kompakt sekvensen kan representeres Dette gjelder hvis vi bare koder hvert symbol for seg. Framgangsmåte - Huffman-koding Gitt en sekvens med N symboler:. Sorter symbolene etter sannsynlighet, slik at de minst sannsynlige kommer sist.. Slå sammen de to minst sannsynlige symbolene i en gruppe, og sorter igjen etter sannsynlighet.. Gjenta til det bare er to grupper igjen.. Gi kodene og til de to gruppene. Kode til den mest og til den minst sannsynlige av de to. Traverser bakover, og legg til og i kodeordet for de to minst sannsynlige gruppene i hvert steg. INF-Oppsum-77 INF-Oppsum-78
14 INF-Oppsum-79 Eksempel - Huffman-koding Gitt begivenheter, B, C, D, E, F med sannsynligheter Begivenhet Sannsynlighet. B. C. D. Slå sammen de to minst sannsynlige, slå også sammen sannsynligheten deres Finn så de to som nå er minst sannsynlige, og slå dem sammen på. samme måte Fortsett til det er bare to igjen.. E.. F. Eksempel - Huffman-koding Gitt begivenheter, B, C, D, E, F med sannsynligheter Begivenhet Sannsynlighet. Gå baklengs gjennom strukturen og tilordne eller til hver gruppe. (F. eks. kode til den mest sannsynlig og kode til den minst sannsynlige). Kode B. C.. D. E.. Kode. F. INF-Oppsum-8 Dette gir følgende kodebok Begivenhet Kode Kodeboken Med sannsynlighetene blir gjennomsnittlig antall biter pr. symbol (R) for denne koden: (se foil ) N R= b p + b p bn pn = bi pi =. +. =. i= Entropien H er her mindre enn R (se foil 7): b B H = p( s ) log ( p( )) =. i= i s i C D E F Huffman-koding i praksis Den ideelle binære kode-ord lengden for symbol s i er b i = - log (p(s i )) Siden bare heltalls ordlengder er mulig, er det bare p( s i ) = k for heltall k som tilfredsstiller dette. Eksempel: hvis vi har Symbol Sannsynlighet Kode s. blir gjennomsnittlig ordlengden her R =.97 = H. s. s. s. s. s. INF-Oppsum-8 INF-Oppsum-8 Lossy JPEG-kompresjon av fargebilde Vi skifter fargerom slik at vi separerer lysintensitet fra kromasi (sparer plass). Bildet deles opp i blokker på 8x8 piksler, og hver blokk kodes separat. Lossy JPEG-kompresjon Transformkoeffisientene skaleres med en vektmatrise og kvantiseres til heltall. Vi skifter fargerom for hvert bildeplan divideres med vrundes til Hver blokk transformeres med DCT (Diskret Cosinus Transform): Sikk-sakk-scanning ordner koeffisientene i D-rekkefølge. DCT transform Koeffisientene vil da stort sett avta i verdi utover i rekka Mange koeffisienter er rundet av til null. Løpelengde-transform av koeffisientene Huffman-koding av løpelengdene. Informasjonen i de pikslene samles i en liten del av de koeffisientene Mest i øverste venstre hjørne Huffman-koden og kodeboken sendes til mottaker eller til lager. Gjentas for alle blokker i alle kanaler. INF-Oppsum-8 INF-Oppsum-8
15 INF-Oppsum-8 Sikring av data Kritiske data må sikres mot lesing og endring av uvedkommende (kryptering) eller skjules (steganografi) Kryptering av data Krypteringsnøkkel Krypteringsnøkkel Ved kryptering brukes oftest en kombinasjon av symmetriske og asymmetriske krypteringsteknikker Data (klartekst) Krypterte data (chiffertekst) Krypteringsalgoritme Dekrypteringsalgoritme Data (klartekst) Vurderinger av sikkerheten mot knekking av krypteringer er kun basert på antagelser og empiri, intet er bevist Steganografi brukes for å skjule en melding i et dekke Vannmerker brukes for å gi tilleggsopplysninger som ikke kan fjernes uten å ødelegge dekket Formål: Gjøre data som sendes eller lagres uleselige for uvedkommende Utfordringer: Finne tilstrekkelig gode krypterings- og dekrypteringsalgoritmer Gjøre det praktisk umulig å finne krypteringsnøkkelen ( knekke koden ) dministrere krypteringsnøkler lice, Bob & Wendy INF-Oppsum-8 Krypteringsprinsipper Krypteringsnøkkel Symmetrisk kryptering Samme nøkkel brukes for både kryptering og dekryptering symmetrisk kryptering To sammenhengende nøkler, den ene brukes for kryptering, den andre for dekryptering Håndtering av data Stream-kryptering Krypterer bitene eller bytene etter hvert som de kommer Blokk-kryptering Opererer på en blokk av biter typisk fra til 8 ad gangen lgoritmer Substitusjonsprinsippet Bytte ut biter eller bytes med andre biter og bytes Transformasjonsprinsippet Endre rekkefølgen på biter eller bytes Hybride teknikker Kombinasjon av symmetriske og asymmetriske teknikker mye brukt i praksis Hvordan det virker: velg en tilfeldig hemmelig engangsnøkkel bruk en symmetrisk teknikk for å kryptere meldingen med denne hemmelige engangsnøkkelen bruk en asymmetrisk teknikk for å kryptere den hemmelige engangsnøkkelen send kryptert melding og engangsnøkkel til mottaker Gir god sikkerhet hvis engangsnøkkel velges tilfeldig INF-Oppsum-87 INF-Oppsum-88 Praktisk bruk av asymmetrisk kryptering lice vil sende en hemmelig melding til Bob lice krypterer meldingen med Bobs offentlige nøkkel Bob er den eneste som kan dekryptere meldingen, fordi bare han er i besittelse av den tilhørende private nøkkelen lice vil sende en melding til Bob på en slik måte at Bob kan forsikre seg om at den virkelig er fra henne lice krypterer meldingen med sin egen private nøkkel Bob ser at meldingen trolig kommer fra lice, og dekrypterer med hennes offentlige nøkkel. Går det bra, kan han gå ut fra at meldingen virkelig kommer fra lice. INF-Oppsum-89 Takk for oppmerksomheten! Det har vært en fornøyelse å forelese for dere! Vi har gitt dere forelesninger inklusive en gjesteforelesning En 87 siders lærebok Til sammen 7 lysark Noe av dette ser dere sikkert nytten av allerede. Noe vil dere senere finne at dere har bruk for. Men det er sikkert noe dere ikke kan - og noe dere ikke vet at dere ikke kan - og noe dere kan som dere ikke har fra oss s we know - there are known knowns. There are things we know we know. We also know - there are known unknowns. That is to say we know there are some things - we do not know. But there are also unknown unknowns, the ones we don't know - we don't know. D.H. Rumsfeld, DoD news briefing, Feb.,. Vi står fortsatt til disposisjon, helt fram til like før eksamen. Lykke til med eksamen! Ken Musgrave, Blessed State (988) INF-Oppsum-9
INF1040 Digital representasjon Oppsummering
INF1040 Digital representasjon Oppsummering Ragnhild Kobro Runde, Fritz Albregtsen INF1040-Oppsummering-1 Fredag 7. desember 2007. 09.00 12.00 Møt senest 08.45! Ta med legitimasjon! Eksamen I Ingen hjelpemidler
DetaljerOppsummering 2008 del 1
INF1040 Digital it representasjon Oppsummering 2008 del 1 Ragnhild Kobro Runde INF1040-Oppsummering-1 Fredag 5. desember 2008. 09.00 12.00 Møt senest 08.45! Ta med legitimasjon! Eksamen I Ingen hjelpemidler
DetaljerOppsummering 2008 del 1
INF1040 Digital it representasjon Oppsummering 2008 del 1 Fredag 5. desember 2008. 09.00 12.00 Eksamen I Møt senest 08.45! Ta med legitimasjon! Ingen hjelpemidler tillatt, heller ikke kalkulator. Ragnhild
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
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
DetaljerINF1040 Digital representasjon Oppsummering
INF Digital representasjon Oppsummering Elektriske ladninger (halvlederteknologi) RAM Flash memory Hvordan lagres bitene? lagret bit sensor Magnetisme Magnetplater (disk) strøm Gerhard Skagestein, Fritz
DetaljerINF1040 Digital representasjon. Oppsummering. Glyfer og tegn. Den endelige løsning UNICODE og ISO bit ulike tegn!
INF040 Digital representasjon Oppsummering Glyfer og tegn Tegn: Det bakenforliggende begrep for bestemte visualiseringer ( strektegninger ) på papir, skjerm, steintavler Et tegn kan vises fram med ulike
DetaljerINF1040 Digital representasjon
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.
DetaljerLøsning av øvingsoppgaver, INF2310, 2005, kompresjon og koding
Løsning av øvingsoppgaver, INF230, 2005,. Vi har gitt følgende bilde: kompresjon og koding 0 2 2 2 3 3 3 2 3 3 3 0 2 2 2 3 3 2 2 2 3 2 3 4 4 2 2 3 2 2 3 4 4 2 2 2 3 3 3 4 3 4 a. Finn Huffman-kodingen av
DetaljerLøsningsforslag, Ukeoppgaver 9 INF2310, våren kompresjon og koding del I
Løsningsforslag, Ukeoppgaver 9 INF2310, våren 2009 6. Vi har gitt følgende bilde: kompresjon og koding del I 1 0 1 2 2 2 3 3 3 1 1 1 2 1 1 3 3 3 1 0 1 1 2 2 2 3 3 2 1 2 2 3 2 3 4 4 2 1 2 3 2 2 3 4 4 2
DetaljerINF 1040 Kompresjon og koding
INF 1040 Kompresjon og koding Tema i dag : 1. Noen begreper 2. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding 7. Lempel-Ziv koding 8. JPEG koding
DetaljerSampling av bilder. Romlig oppløsning, eksempler. INF Ukens temaer. Hovedsakelig fra kap. 2.4 i DIP
INF 2310 22.01.2008 Ukens temaer Hovedsakelig fra kap. 2.4 i DIP Romlig oppløsning og sampling av bilder Kvantisering Introduksjon til pikselmanipulasjon i Matlab (i morgen på onsdagstimen) Naturen er
DetaljerINF 1040 Kompresjon og koding
INF 1040 Kompresjon og koding Tema i dag : 1. Hvor mye informasjon inneholder en melding? 2. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding
DetaljerINF 1040 høsten 2009: Oppgavesett 8 Introduksjon til lyd (kapittel 9 og 10)
INF 1040 høsten 2009: Oppgavesett 8 Introduksjon til lyd (kapittel 9 og 10) Vi regner med at decibelskalaen og bruk av logaritmer kan by på enkelte problemer. Derfor en kort repetisjon: Absolutt lydintensitet:
DetaljerINF 1040 Kompresjon og koding
INF 1040 Kompresjon og koding Tema i dag : 1. Noen begreper 2. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding 7. Lempel-Ziv koding 8. JPEG koding
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
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 : INF310 Digital bildebehandling Eksamensdag : Tirsdag 5. juni 007 Tid for eksamen : 09:00 1:00 Oppgavesettet er på : 5 sider
DetaljerEksamen i INF 1040, 5. desember Det matematisk-naturvitenskapelige fakultet
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF1040 Digital representasjon Eksamensdag : Fredag 5. desember 2008 Tid for eksamen : 09.00 12.00 Oppgavesettet er på
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
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
DetaljerINF 1040 Digital representasjon 2007 Utkast til - Obligatorisk oppgave nr 2
INF 40 Digital representasjon 2007 Utkast til - Obligatorisk oppgave nr 2 Utlevering: onsdag 17. oktober 2007, kl. 17:00 Innlevering: fredag 2. november 2007, kl. 23:59:59 Formaliteter Besvarelsen skal
DetaljerUNIVERSITETET I OSLO
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF1040 Digital representasjon Eksamensdag : Torsdag 7. desember 2006 Tid for eksamen : 09.00 12.00 Oppgavesettet er
DetaljerEksamen i INF 1040, 5. desember Det matematisk-naturvitenskapelige fakultet. Ditt kandidatnr: DETTE ER ET LØSNINGSFORSLAG
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF1040 Digital representasjon Eksamensdag : Fredag 5. desember 2008 Tid for eksamen : 09.00 12.00 Oppgavesettet er på
DetaljerUNIVERSITETET I OSLO
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF1040 Digital representasjon Eksamensdag : Torsdag 7. desember 2006 Tid for eksamen : 09.00 12.00 Oppgavesettet er
DetaljerINF 1040 Sampling, kvantisering og lagring av lyd
INF 1040 Sampling, kvantisering og lagring av lyd Temaer i dag : 1. Analog eller digital, kontinuerlig eller diskret 2. Sampling, kvantisering, digitalisering 3. Nyquist-Shannon teoremet 4. Oversampling,
DetaljerIntroduksjon til lyd. Det ytre øret. Fra lydbølger til nerveimpulser. INF1040 - Digital representasjon 23.09.2009: Introduksjon til lyd.
Foreleser: INF1040 - Digital representasjon 23.09.2009: Introduksjon til lyd Martin Giese Kontakt: martingi@ifi.uio.no, 22852737 Det blir en del stoff per forelesning Er det matematikk eller praktisk regning?
DetaljerINF Digital representasjon : Introduksjon til lyd
INF1040 - Digital representasjon 23.09.2009: Introduksjon til lyd Foreleser: Martin Giese Kontakt: martingi@ifi.uio.no, 22852737 Det blir en del stoff per forelesning Er det matematikk eller praktisk regning?
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
DetaljerINF 1040 høsten 2008: Oppgavesett 9 Sampling og kvantisering av lyd (kapittel 11)
INF 1040 høsten 2008: Oppgavesett 9 Sampling og kvantisering av lyd (kapittel 11) Fasitoppgaver Denne seksjonen inneholder innledende oppgaver hvor det finnes en enkel fasit bakerst i oppgavesettet. Det
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
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
DetaljerAnalog. INF 1040 Sampling, kvantisering og lagring av lyd. Kontinuerlig. Digital
INF 14 Sampling, kvantisering og lagring av lyd Temaer i dag : 1. Analog eller digital, kontinuerlig eller diskret 2. Sampling, kvantisering, digitalisering 3. Nyquist-Shannon teoremet 4. Oversampling,
DetaljerUNIVERSITETET I OSLO
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF1040 Digital representasjon Eksamensdag : Fredag 7. desember 2007 Tid for eksamen : 09.00 12.00 Oppgavesettet er på
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:
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: Mandag 1. juni 2015 Tid for eksamen: 14:30 18:30 Oppgavesettett 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
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 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
DetaljerINF1040 Oppgavesett 7: Tall og geometrier
INF1040 Oppgavesett 7: Tall og geometrier (Kapittel 7.1, 7.4-7.8, 8 + Appendiks B) Husk: De viktigste oppgavetypene i oppgavesettet er Tenk selv -oppgavene. Fasitoppgaver Denne seksjonen inneholder innledende
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
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Forelesning 11 Kompresjon og koding I Andreas Kleppe Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman Kompendium: Frem t.o.m. 18.7.2
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
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 :
DetaljerLyd. Litt praktisk informasjon. Litt fysikk. Lyd som en funksjon av tid. Husk øretelefoner på øvelsestimene denne uken og en stund framover.
Lyd Hva er lyd? Sinuser, frekvenser, tidssignaler Hvordan representere lydsignaler matematisk? Litt praktisk informasjon Husk øretelefoner på øvelsestimene denne uken og en stund framover. Lydeksemplene
DetaljerLæringsmål tall. Prefikser for potenser av Store tall. Kunne prefikser for store tall i. det binære tallsystemet
Tall Kunne prefikser for store tall i Læringsmål tall 0000 000 titallsstemet t t 0 0-2 - 0 2-3 3 000 00 det binære tallsstemet Forstå ulike prinsipper for representasjon av 00-4 4 000 negative heltall
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
DetaljerINF1040 Digital representasjon TALL
TALL Dagens plan: Tallsystemer (kapittel 6) Titallsystemet Det binære tallsystemet Det heksadesimale tallsystemet Representasjon av tall (kapittel 7) Heltall Negative tall Reelle tall Gray-kode (les selv!)
DetaljerLæringsmål tall. Kunne prefikser for store tall i. det binære tallsystemet. Forstå ulike prinsipper for representasjon av.
Tall 1111 0000 0001 1101 1110-2 -1 0 1 2 0010 0011-3 3 1100-4 4 0100 1011-5 -6 6 5 0101 1010-7 -8 7 0110 1001 1000 0111 (Kapittel 7.1, 7.4-7.8, 8 + Appendiks B) INF1040-Tall-1 Kunne prefikser for store
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
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
DetaljerTall. Posisjons-tallsystemer. Representasjon av heltall. Tall positive, negative heltall, flytende tall. Tekst ASCII, UNICODE XML, CSS
Tall jfr. Cyganski & Orr 3..3, 3..5 se også http://courses.cs.vt.edu/~csonline/numbersystems/lessons/index.html Tekst ASCII, UNICODE XML, CSS Konverteringsrutiner Tall positive, negative heltall, flytende
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
DetaljerSampling, kvantisering og lagring av lyd
Litteratur : Temaer i dag: Neste uke : Sampling, kvantisering og lagring av lyd Cyganski kap 11-12 Merk: trykkfeilliste legges på web-siden Sampling av lyd Kvantisering av lyd Avspilling av samplet og
DetaljerINF 1040 høsten 2009: Oppgavesett 13 Kompresjon og koding (løsningsforslag) (kapittel 18) Tenk selv -oppgaver
IN høsten : Oppgavesett Kompresjon og koding (løsningsforslag) (kapittel ) Tenk selv -oppgaver. Heksadesimal Sudoku Vi har en kvadratisk matrise med * elementer som igjen er delt opp i * blokker på * elementer.
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
DetaljerTall. Ulike klasser tall. Læringsmål tall. To måter å representere tall. De naturlige tallene: N = { 1, 2, 3, }
1111 Tall 0000 0001 De naturlige tallene: N = { 1, 2, 3, } Ulike klasser tall 1101 1110-3 -2-1 0 1 2 3 0010 0011 De hele tallene: Z = {, -2, -1, 0, 1, 2, } 1100-4 4 0100 1011 1010-5 -6-7 -8 7 6 5 0110
DetaljerTemaer i dag. Mer om romlig oppløsning. Optisk avbildning. INF 2310 Digital bildebehandling
Temaer i dag INF 231 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål i bilder Pensum: Kap.
DetaljerINF1040 løsningsforslag oppgavesett 7: Tall og geometrier
INF1040 løsningsforslag oppgavesett 7: Tall og geometrier (Kapittel 7.1, 7.4-7.8, 8 + Appendiks B) Hvis du finner feil i løsningsforslaget er det fint om du gir beskjed om dette ved å sende en mail til
DetaljerRepetisjon: Sampling. Repetisjon: Diskretisering. Repetisjon: Diskret vs kontinuerlig. Forelesning, 12.februar 2004
Repetisjon: Diskret vs kontinuerlig Forelesning,.februar 4 Kap. 4.-4. i læreboken. Anta variabelen t slik at a < t < b, (a, b) R sampling og rekonstruksjon, i tids- og frekvensdomenet Nyquist-Shannons
DetaljerTALL. Titallsystemet et posisjonssystem. Konvertering: Titallsystemet binære tall. Det binære tallsystemet. Alternativ 1.
TALL Dagens plan: Tallsystemer (kapittel 6) Titallsystemet Det binære tallsystemet Det heksadesimale tallsystemet Representasjon av tall (kapittel 7) Heltall Negative tall Reelle tall Gray-kode (les selv!)
DetaljerAnalog. INF 1040 Sampling, kvantisering og lagring av lyd. Kontinuerlig. Digital
INF 14 Sampling, kvantisering og lagring av lyd Temaer i dag : 1 Analog eller digital, kontinuerlig eller diskret 2 Sampling, kvantisering, digitalisering 3 Nyquist-Shannon teoremet 4 Oversampling, undersampling,
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 : INF1040 Digital representasjon Eksamensdag : Fredag 4. desember 2009 Tid for eksamen : 09.00 12.00 Oppgavesettet er på : 11
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 : INF1040 Digital representasjon Eksamensdag : Fredag 4. desember 2009 Tid for eksamen : 09.00 12.00 Oppgavesettet er på : 11
DetaljerINF 1040 Sampling, kvantisering og lagring av lyd
INF 1040 Sampling, kvantisering og lagring av lyd Temaer i dag : 1. Analog eller digital, kontinuerlig eller diskret 2. Sampling, kvantisering, digitalisering 3. Nyquist-Shannon teoremet 4. Oversampling,
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
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 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
DetaljerPLASS og TID INF Fritz Albregtsen. Tema: komprimering av bilder ANVENDELSER METODER
PLASS og TID INF 60-30042002 Fritz Albregtsen Tema: komprimering av bilder Litteratur: Efford, DIP, kap 2 Digitale bilder tar stor plass Eksempler: a 52 52 8 bits 3 farger 63 0 6 bits b 24 36 mm fargefilm
DetaljerLæringsmål XML. Markering av tekst. SGML-familien. Forstå prinsippene bak XML og XHTML. Forstå hva XML kan brukes til og hvordan.
Markeringsspråk og XML Læringsmål XML Forstå prinsippene bak XML og XHTML. Forstå hva XML kan brukes til og hvordan.
DetaljerINF 1040 Digital video digital bildeanalyse. Noen begreper. Kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Digital video digital ildeanalyse Tema i dag :. Hvor mye informasjon inneholder en melding?. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding
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
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
DetaljerINF Digital representasjon : Introduksjon til lyd
INF1040 - Digital representasjon 24.09.2008: Introduksjon til lyd Foreleser: Fritz Albregtsen Kontakt: fritz@ifi.uio.no, 911 63 005 Det blir en del stoff per forelesning Er det matematikk eller praktisk
DetaljerINF 2310 Digital bildebehandling
INF 2310 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen 27.01.2014 INF2310 1 Temaer i dag Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål
DetaljerIntroduksjon til lyd. Litt praktisk informasjon. Fra lydbølger til nerveimpulser. Det ytre øret
Introduksjon til lyd Temaer i dag: Hvordan kan vi høre lyd? Lyd og lydbølger Amplitude, frekvens, periode og bølgelengde Hvordan representere lydsignaler matematisk? Hvordan illustrere lydsignaler grafisk?
DetaljerForkunnskapskrav. Hva handler kurset om. Kontaktinformasjon. Kurset er beregnet på en student som kan
Velkommen til INF4, Digital signalbehandling Hilde Skjevling (Kursansvarlig) Svein Bøe (Java) INSTITUTT FOR INFORMATIKK Kontaktinformasjon E-post: hildesk@ifi.uio.no Telefon: 85 4 4 Kontor: 4 i 4.etasje,
DetaljerINF 2310 Digital bildebehandling
Temaer i dag INF 231 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål i bilder Pensum: Kap.
DetaljerINF 2310 Digital bildebehandling
Temaer i dag INF 231 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 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
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
DetaljerTema nr 2: Analog eller digital, kontinuerlig eller diskret. Eksempel på ulike båndbredder. Frekvensinnhold og båndbredde. Analog
INF 1040 Sampling, kvantisering og lagring av lyd Temaer i dag : 1. Frekvensinnhold og båndbredde 2. Analog eller digital, kontinuerlig eller diskret 3. Sampling, kvantisering, digitalisering 4. Nyquist-Shannon
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
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
DetaljerAnvendelser. Noen begreper. Kompresjon
Anvendelser INF 30 Digital it ildeehandling dli 7.04.0 Kompresjon og koding Del I Tre steg i kompresjon Redundans Bildekvalitet Transformer Koding og entropi Shannon-Fano og Huffman GW: Kap. 8 unntatt
DetaljerIntroduksjon til lyd. Litt praktisk informasjon. Fra lydbølger til nerveimpulser. Det ytre øret
Introduksjon til lyd Temaer i dag: Hvordan kan vi høre lyd? Lyd og lydbølger Amplitude, frekvens, periode og bølgelengde Hvordan representere lydsignaler matematisk? Hvordan illustrere lydsignaler grafisk?
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
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
DetaljerOrdliste 2. Byte (byte) En streng på 8 biter som behandles som en enhet.
Ordliste 2 Dette er et forsøk på å gi forklaringer til ord og uttrykk som brukes i forbindelse med tekst og tall (og litt datakommunikasjon og kryptering) i kurset INF1040 høsten 2004. En del av nøkkelordene
DetaljerINF 1040 Kompresjon og koding. Noen begreper. De tre stegene i kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Kompresjon og koding Noen egreper Kompresjonsalgoritme Dekompresjonsalgoritme Tema i dag :. Noen egreper. Redundans Data Kompresjon Lagring eller oversending Dekompresjon Data. Differanse- og løpelengdetransformer
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2310 Digital bildebehandling Eksamensdag: Onsdag 1. juni 2015 Tid for eksamen: 14:30 18:30 Løsningsforslaget
DetaljerUNIVERSITETET I OSLO
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
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
Temaer i dag INF 231 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
Detaljer