Histogrammetoder. Lars Aurdal Norsk regnesentral. Histogrammetoder p.1/91
|
|
- Vigdis Larsen
- 6 år siden
- Visninger:
Transkript
1 Histogrammetoder Lars Aurdal Norsk regnesentral Histogrammetoder p.1/91
2 Oversikt 1 Litt praktisk informasjon. Grånivåtransformasjoner. Grunnleggende transformasjoner. Negativer. Log-transformasjoner. Potens-transformasjoner. Histogrammetoder p.2/91
3 Oversikt 2 Grunnleggende transformasjoner. Stykkevis lineære transformasjoner. Grånivå-kutting (slicing). Bitplan-kutting (slicing). Histogrammetoder p.3/91
4 Oversikt 3 Histogramprosessering. Histogramutjevning (equalization). Histogramtilpasning (matching). Histogrammetoder p.4/91
5 Praktisk informasjon Alle transparentene blir gjort tilgjengelige på kursets web-sider. På kursets web-sider finnes også forslag til øvinger og hvordan disse kan gjøres i Matlab. Pensum er i sin helhet dekket av kursboka. Endelig pensum oppgis senere. Histogrammetoder p.5/91
6 Grånivåtransformasjoner 1 Med romdomenet mener vi pikslene som utgjør bildet. En metode eller algoritme som opererer i romdomenet har altså den egenskapen at den arbeider direkte med pikslene. Histogrammetoder p.6/91
7 Grånivåtransformasjoner 2 En algoritme som arbeider i romdomenet betegner vi: g(x,y)=t [ f (x,y)] der f (x,y) er inputbildet, g(x,y) det prosesserte bildet og T en operator definert over et eller annet nabolag av (x,y). Histogrammetoder p.7/91
8 Grånivåtransformasjoner 3 Ofte kan T også operere på et sett inputbilder, for eksempel for å beregne gjennomsnitt. De vanligste nabolagene som betraktes for en piksel (x,y) er denne pikselens 4 eller 8 nærmeste naboer. Histogrammetoder p.8/91
9 Grånivåtransformasjoner 4 Vi skal betrakte transformasjoner T som betrakter nabolag av størrelse 1 1, det vil si en enkelt piksel. Gitt definisjonsligningen for en romlig transformasjon: g(x,y)=t [ f (x,y)] ser vi at i dette tilfellet avhenger g bare av verdien av f i punktet (x,y). I slike tilfeller sier vi at T er en grånivå- (intensitets-) transformasjon. Histogrammetoder p.9/91
10 Grånivåtransformasjoner 5 En grånivåtransformasjon betegner vi gjerne: s = T (r) der vi for enkelthets skyld lar s og r være grånivåverdien g(x, y) og f (x, y) respektive. Histogrammetoder p.10/91
11 Grånivåtransformasjoner, eksempel 1 s=t(r) T(r) Dersom T (r) har formen vist i figuren ser vi at effekten vil være å strekke kontrasten i bildet rundt verdien m. Mørk Lys Mørk m Lys Kontrasforsterkende transformasjon. r Histogrammetoder p.11/91
12 Grånivåtransformasjoner, eksempel 2 s=t(r) Dersom T (r) har formen vist i figuren under ser vi at effekten vil være å terskle bildet ved verdien m. Mørk Lys T(r) r m Mørk Lys Tersklende transformasjon. Histogrammetoder p.12/91
13 Grånivåtransformasjoner 6 Vi skal se eksempler på endel viktige grånivåtransformasjoenr. Husk at disse transformasjonene bare betrakter pikslene i punktet (x, y). Transformasjoner som betrakter et større nabolag rundt (x, y) kan selvfølgelig gjøres mye mer fleksible. Histogrammetoder p.13/91
14 Grunnleggende grånivåtransformasjoner Husk: vi betraker grånivåtransformasjoner betegnet ved s = T (r) der s og r er grånivåverdier. s og r er i de fleste praktiske tilfeller digitale verdier. Mappingen gitt ved T representeres vanligvis som en oppslagstabell, mappingen av verdien r står i tabellens posisjon r. Histogrammetoder p.14/91
15 Grunnleggende grånivåtransformasjoner L-1 Negativ Log Mye brukte grånivåtransformasjoner. Grånivåene forutsettes å ligge i intervallet [0,L 1]. s 3L/4 L/2 L/4 nte rot Identitet nte potens Invers log 0 0 L/4 L/2 3L/4 r L-1 Histogrammetoder p.15/91
16 Log-transformasjoner 1 Den generelle formen på disse transformasjonene er: s = clog(1 + r) der c er en konstant og der det forutsettes at r 0. Histogrammetoder p.16/91
17 Log-transformasjoner 2 L-1 Logtransformasjonene mapper et smalt bånd av mørke grånivåverdier i inputbildet til et bredere bånd av lyse verdier i outputbildet. s 3L/4 L/2 L/4 0 Negativ Log nte rot Identitet nte potens Invers log 0 L/4 L/2 3L/4 L-1 r Histogrammetoder p.17/91
18 Log-transformasjoner 3 L-1 De inverse logtransformasjonene mapper et bredt bånd av mørke grånivåverdier i inputbildet til et smalere bånd av lyse verdier i outputbildet. s 3L/4 L/2 L/4 0 Negativ Log nte rot Identitet nte potens Invers log 0 L/4 L/2 3L/4 L-1 r Histogrammetoder p.18/91
19 Log-transformasjoner 4 En viktig anvendelse av logtransformasjonene er ved avbildning av Fourier-spektra. Histogrammetoder p.19/91
20 Øving 1 Beregn absoluttverdien av fouriertransformen av bildet i forrige slide. Hva er min- og max-verdien? Hva blir resultatet av en direkte visning av dette bildet? Hva blir resultatet når du log-transformerer dette bildet før visning? Histogrammetoder p.20/91
21 Potens-transformasjoner 1 Den generelle formen på disse transformasjonene er: s = cr γ der c og γ er positive konstanter. Histogrammetoder p.21/91
22 Potens-transformasjoner 2 Effekten er den samme som for logtransformasjonene, men her får vi en hel familie av ulike transformasjoner ved å endre γ γ=0.04 γ=0.1 γ=0.2 γ=0.4 γ=0.67 γ=1.0 γ=1.5 γ=2.5 γ=5.0 γ=10.0 γ=25.0 Histogrammetoder p.22/91
23 Potens-transformasjoner 3 En rekke displayenheter har slike responsfunksjoner. Ved konvensjon omtales eksponenten i ligningen som γ (gamma). Det å korrigere for ulike displayenheters transferfunksjon omtales ofte som gammakorreksjon Histogrammetoder p.23/91
24 Potens-transformasjoner 4 Skjermer med katodestrålerør har en transferfunksjon mellom spenning og intensitet som er en potensfunksjon med γ i området 1.8 til 2.5. Ved å se på kurvene for disse verdiene ser vi at en slik skjerm vil gi bilder som er for mørke. Histogrammetoder p.24/91
25 Potens-transformasjoner 5 Antar vi at skjermen har en transferfunksjon gitt ved: s = r 2.5 kan vi korrigere for dette ved å preprosessere bildene med grånivåtransformasjonen: s = r 1/2.5 = r 0.4 Histogrammetoder p.25/91
26 Potens-transformasjoner 6 γ = 0.1 γ = 2.0 γ = 1.0 γ = 0.2 γ = 5.0 Histogrammetoder p.26/91
27 Stykkevis lineære transformasjoner 1 I praksis er transformasjonene vi har diskutert så langt ofte for lite fleksible. Vi trenger større grad av kontroll med formen på transformasjonen. Stykkevis lineære transformasjoner kan være løsningen i slike tilfeller. Mange kommersielle programmer tilbyr denne typen av grånivåtransformasjoner. Histogrammetoder p.27/91
28 Stykkevis lineære transformasjoner 2 s=t(r) s=t(r) T(r) T(r) Mørk Lys Mørk Lys r r Mørk Lys Mørk Lys Histogrammetoder p.28/91
29 Stykkevis lineære transformasjoner 3 Photoshop demo. Histogrammetoder p.29/91
30 Grånivå-kutting (slicing) 1 s=t(r) Egentlig bare et særtilfelle av stykkevis lineære transformasjoner som brukes for å framheve et bestemt område av grånivåer. Mørk Lys Mørk Lys s=t(r) Mørk T(r) T(r) Lys r r Mørk Lys Histogrammetoder p.30/91
31 Grånivå-kutting (slicing) 2 s=t(r) s=t(r) s=t(r) Mørk Lys T(r) Mørk Lys T(r) Mørk Lys T(r) r r r Mørk Lys Mørk Lys Mørk Lys Histogrammetoder p.31/91
32 Øving 2 Prøv grånivå-kutting på bildet i forrige slide. Histogrammetoder p.32/91
33 Bitplan-kutting (slicing) 1 Et bilde der hver piksel er representert ved en byte (256 ulike grånivåer) kan betraktes som sammensatt av 8 bitplan, der bitplan 0 representerer de minst signifikante bitene En 8-bit byte Bit-plan 7 Bit-plan 0 Histogrammetoder p.33/91
34 Øving 3 Matlab-demo. Prøv bitplan-kutting på demon-bildet. Histogrammetoder p.34/91
35 Histogramprosessering 1 Histogrammet til et digitalet bilde med grånivåverdier i området [0,L 1] er en diskret funksjon: h(r k )=n k der r k er k-te grånivå og n k er antall piksler i bildet som har nivå r k. Histogrammetoder p.35/91
36 Histogramprosessering 2 Det er vanlig å normalisere histogrammet ved å dele hver verdi med det totale antallet piksler i bildet. Det normaliserte histogrammet er derfor gitt ved: p(r k )=n k /n for k = 0,1,...,L 1. Histogrammetoder p.36/91
37 Histogramprosessering 3 Grovt sagt kan p(r k ) sies å gi et estimat for sannsynligheten for at et grånivå r k forekommer i bildet. Merk at summen av alle verdiene i et normalisert histogram er 1. Histogrammetoder p.37/91
38 Histogramprosessering Original Histogram Histogrammetoder p.38/91
39 Histogramprosessering For mørkt Histogram Histogrammetoder p.39/91
40 Histogramprosessering For lyst Histogram Histogrammetoder p.40/91
41 Histogramprosessering For lav kontrast Histogram Histogrammetoder p.41/91
42 Histogramutjevning 1 Vi skal begynne med å betrakte kontinuerlige funksjoner. La den kontinuerlige r representere grånivåene i et bilde. Anta at r er normalisert til intervallet [0, 1]. r = 0 representerer svart mens r = 1 representerer hvit. Senere skal vi la betrakte det diskret tilfellet og la grånivåene ligge i inervallet [0,L 1]. Histogrammetoder p.42/91
43 Histogramutjevning 2 Vi skal betrakte transformasjoner av r definert ved: s = T (r), 0 r 1 Histogrammetoder p.43/91
44 Histogramutjevning 3 Vi skal i tillegg kreve at transformasjonen T(r) tilfredsstiller følgende betingelser: T (r) er enentydig og monotont økende i intervallet 0 r 1. 0 T(r) 1 for 0 r 1. Histogrammetoder p.44/91
45 Histogramutjevning 4 Det første kravet er nødvendig for at T(r) skal ha en invers og kravet om enentydighet gjør at rekkefølgen mellom mørke og lyse verdier i input- og output-bildet bevares. Det andre kravet gjør at output-verdiene vil ligge i samme intervall som input-verdiene Histogrammetoder p.45/91
46 Histogramutjevning 5 s=t(r) Figuren til høyre viser en transformasjon som har disse egenskapene Mørk Lys 1 s k =T(r k ) T(r) r k Mørk Lys 1 r Histogrammetoder p.46/91
47 Histogramutjevning 6 Vi kan betrakte grånivåverdiene i bildet som tilfeldige variable i intervallet [0, 1]. En sentral beskrivelse av slike variable er disses sannsynlighetstetthetsfordelig (tetthet). La nå p r (r) og p s (s) være tetthetene til r og s respektive. Histogrammetoder p.47/91
48 Histogramutjevning 7 Fra statistikken vet vi følgende: Dersom p r (r) og s = T (r) er kjente og dersom T 1 (s) er enentydig og monotont økende så gjelder: p s (s)=p r (r) dr ds Tettheten til s er defor gitt ved tettheten til r samt T(r). Histogrammetoder p.48/91
49 Histogramutjevning 8 Følgende transformasjon skal vise seg å være spesielt viktig: s = T(r)= r 0 p r (w)dw der w bare er en integrasjonsvariabel. Legg merke til at høyresiden her ikke er noe annet enn den kumulative tettheten til r. Histogrammetoder p.49/91
50 Histogramutjevning 9 Husk: s = T (r)= r 0 p r (w)dw En tetthetsfunskjon er alltid positiv. Integralet av en funksjon er arealet under denne funksjonen. Derfor må denne transformasjonen være enentydig og monotont økende. Det er også lett å innse at transformasjonen må gi resultater i intervallet [0, 1]. Histogrammetoder p.50/91
51 Histogramutjevning 10 Husk: s = T(r)= Vi anvender formelen: r 0 p r (w)dw p s (s)=p r (r) dr ds Histogrammetoder p.51/91
52 Histogramutjevning 11 Vi vet at: ds dr = dt(r) dr = d dr [ r 0 ] p r (w)dw Leibniz regel sier at den deriverte av et bestemt integral med hensyn til dets øvre grense er integranden evaluert ved denne grensen: ds dr = dt(r) = d [ r ] p r (w)dw = p r (r) dr dr 0 Histogrammetoder p.52/91
53 Histogramutjevning 12 Vi vet nå at: og vi finner: ds dr = p r(r) p s (s)=p r (r) dr ds = p r(r) 1 p r (r) = 1, 0 s 1 Histogrammetoder p.53/91
54 Histogramutjevning 13 Siden p s (s) er en tetthet må den være identisk lik 0 utenfor intervallet 0 s 1. p s (s) er defor en uniform tetthet. Vi har med andre ord funnet at transformasjonen vi betrakter tar en tilfeldig fordelt variabel r og transformerer den til en variabel s som er uniformt fordelt. Histogrammetoder p.54/91
55 Histogramutjevning 14 I det diskret tilfellet betrakter vi sannsynligheter og ikke sannsynlighetstettheter. Videre betrakter vi nå summer og ikke integraler. Sannsynligheten for at et grånivå rk skal opptre i et bilde er gitt ved: p r (r k )= n k n, k = 0,1,2,...,L 1 der n er det totale antallet piksler i bildet, n k antallet piksler som har grånivå r k og L antallet grånivåer i bildet. Histogrammetoder p.55/91
56 Histogramutjevning 15 Den diskret versjonen av transformasjonen blir nå: s k = T (r k )= k j=0 p r (r j )= k j=0 n j n, k = 0,1,2,...,L 1 Denne transformasjonen kalles en histogramutjevning (histogram equalization, histogram linearization). Det kan vises at den tifredsstiller de gitte betingelsene. Histogrammetoder p.56/91
57 Histogramutjevning 16 Den vil ikke produsere den diskret ekvivalenten av en uniform fordeling. Den vil imidlertid strekke histogrammet slik at vi får et bilde der det tillatte dynamiske området utnyttes bedre. Histogrammetoder p.57/91
58 Histogramutjevning Original Histogram Histogrammetoder p.58/91
59 Histogramutjevning 18 x Histogramutjevnet Histogram Histogrammetoder p.59/91
60 Øving 4 Utfør histogramutjevning på bildet i forrige slide. Histogrammetoder p.60/91
61 Histogramtilpasning 1 Under histogramutjevning bestemmes automatisk transformasjonen som må brukes. Dette er en helautomatisk metode som gir et bilde med et tilnærmet flatt histogram. Men hva om vi ønsker en annen form på histogrammet? Løsningen er histogramtilpasning. Histogrammetoder p.61/91
62 Histogramtilpasning 2 La oss betrakte de kontinuerlige grånivåverdiene r, s og z, som før er disse kontinuerlige, tilfeldige variable. La som før p r (r), p s (s) og p z (z) betegne deres kontinuerlige fordelingsfunksjoner. La nå r være grånivåene i inputbildet og z nivåene i outputbildet. Histogrammetoder p.62/91
63 Histogramtilpasning 3 p r (r) kan estimeres fra input-bildet. p z (z) lar vi være en spesifisert fordeling som vi ønsker at outputbildet skal ha. La nå s være en tilfeldig variabel med egenskapen: s = T(r)= r 0 p r (w)dw der w bare er en integrasjonsvariabel. Histogrammetoder p.63/91
64 Histogramtilpasning 4 Husk at uttrykket: s = T(r)= r 0 p r (w)dw er den transformasjonen som utjevner histogrammet til en kontinuerlig variabel r. Histogrammetoder p.64/91
65 Histogramtilpasning 4 Vi har: s = T (r)= Vi definerer nå videre: r 0 p r (w)dw G(z)= z 0 p z (t)dt = s der t er en integrasjonsvariabel. Av dette er det innlysende at: G(z)=T (r) Histogrammetoder p.65/91
66 Histogramtilpasning 5 Vi hadde: og: Derfor må: s = T(r)= G(z)= z 0 r 0 p r (w)dw p z (t)dt = s z = G 1 (s)=g 1 [T(r)] Histogrammetoder p.66/91
67 Histogramtilpasning 6 Vi hadde: z = G 1 (s)=g 1 [T(r)] Husk nå at T (r) kan bestemmes etter at p r (r) er estimert fra bildet. Og: G(z) kan bestemmes fordi p z (z) er gitt. Histogrammetoder p.67/91
68 Histogramtilpasning 7 Husk: z = G 1 (s)=g 1 [T(r)] Dersom vi antar at G 1 eksisterer og tilfredstiller de riktige betingelsene viser denne ligningen at en variabel z med spesifisert tetthet kan oppnås fra en variabel r med vilkårlig tetthet. Histogrammetoder p.68/91
69 Histogramtilpasning 8 Prosedyren er: 1. Finn tettheten p r (r) til inputbildet. 2. Finn den transformasjonen T(r) som transformerer denne tettheten til en uniform tetthet. 3. Finn også den transformasjonen G(z) som transformerer den spesifiserte tettheten p z (z) til en uniform tetthet. 4. Finn den inverse G 1 (z) av denne siste transformasjonen. 5. Transformasjonen som gir r den ønskede tettheten er nå G 1 (T(r)) Histogrammetoder p.69/91
70 Histogramtilpasning 9 I praksis kjenner vi ikke analytiske uttrykk for T(r) og G 1 (z). I det diskret tilfellet kan dette problemet omgås. Som før oppnår vi i det diskret tilfellet ikke en perfekt match med det ønskede histogrammet. Histogrammetoder p.70/91
71 Histogramtilpasning 10 Husk den kontinuerlige transformasjonen: s = T (r)= Den diskret varianten er: r 0 p r (w)dw s k = T (r k )= k j=0 p r (r j )= k j=0 n j n, k = 0,1,2,...,L 1 Histogrammetoder p.71/91
72 Histogramtilpasning 11 Husk også den kontinuerlige transformasjonen: G(z)= z 0 p z (t)dt = s Den diskret varianten er: G(z k )= k p z (z i )=s k, k = 0,1,2,...,L 1 i=0 Vi leter nå etter verdier z som tilfredsstiller denne ligningen. Histogrammetoder p.72/91
73 Histogramtilpasning 12 Den endelige kontinuerlige transformasjonen var: z = G 1 (s)=g 1 [T(r)] Den diskret varianten er: eller: z k = G 1 [T(r k )], k = 0,1,2,...,L 1 z k = G 1 [s k ], k = 0,1,2,...,L 1 Histogrammetoder p.73/91
74 Histogramtilpasning 13 I det diskret tilfellet gjelder følgende: Hvert sett av gråtoneverdier {r j }, {s j } og {z j } for k = 0,1,2,...,L 1 er en endimensjonal vektor med L elementer. Alle transformasjonene fra r til s og fra s til z er tabelloppslag. Histogrammetoder p.74/91
75 Histogramtilpasning 14 Husk at i det kontinuerlige tilfellet hadde vi: z = G 1 (s)=g 1 [T(r)] Den ønskede z må derfor ha egenskapen: G(z)=s Det er denne siste ligningen vi benytter i det diskret tilfellet. Histogrammetoder p.75/91
76 Histogramtilpasning 15 I det kontinuerlige tilfellet kan ligningen: løses eksakt for z. G(z)=s I det diskret tilfellet må vi nøye oss med en tilnærmet løsning. Histogrammetoder p.76/91
77 Histogramtilpasning 16 For å finne den transformerte verdien av en bestemt s k fra det opprinnelige bildet leter vi iterativt etter den ẑ som gjør differansen: (G(ẑ) s k ) 0 k = 0,1,2,...,L 1 så liten som mulig. Histogrammetoder p.77/91
78 Histogramtilpasning 17 Husk: (G(ẑ) s k ) 0 k = 0,1,2,...,L 1 Sett ẑ = 0 initielt og øk denne i heltallige trinn inntil ligningen over er tilfredsstilt. Sett så z k = ẑ. Histogrammetoder p.78/91
79 Histogramtilpasning 18 Ved å gjenta denne prosessen for alle k bygger vi opp hele tabellen som skal til. Merk at ettersom verdiene av s k øker monotont trenger vi ikke begynne med ẑ = 0 hver gang. For k = k + 1 begynner vi ganske enkelt med ẑ = z k og iterer i heltallige trinn derfra. Histogrammetoder p.79/91
80 Oppsummering 1 Beregn histogrammet for det gitte bildet. Beregn mappingen fra r k til s k ved: s k = T (r k )= k j=0 p r (r j )= k j=0 n j n, k = 0,1,2,...,L 1 Histogrammetoder p.80/91
81 Oppsummering 2 Beregn mappingen fra z k til v k ved: G(z k )= k i=0 p z (z i )=s k, k = 0,1,2,...,L 1 Histogrammetoder p.81/91
82 Oppsummering 3 For hver piksel i det opprinnelige bildet, dersom verdien er r k, finn den tilsvarende s k. Bruk så den iterative metoden diskutert over til å mappe s k til z k. Histogrammetoder p.82/91
83 Eksempel 1 Initial image 0.4 Histogram of input image Opprinnelig bilde, 8 nivåer Opprinnelig bilde, histogram Histogrammetoder p.83/91
84 Eksempel Histogram of input image 1 Cumulative histogram of input image Opprinnelig bilde, histogram Opprinnelig bilde, kum. histogram Histogrammetoder p.84/91
85 Eksempel 3 1 Cumulative histogram of input image 7 LUT to give input image a uniform distribution Opprinnelig bilde, kum. histogram Opprinnelig bilde, forover LUT Histogrammetoder p.85/91
86 Eksempel Desired histogram 1 Cumulative histogram of desired distribution Ønsket histogram Ønsket kum. histogram Histogrammetoder p.86/91
87 Eksempel 5 1 Cumulative histogram of desired distribution 7 LUT to give specified image a uniform distribution Ønsket kum. histogram Revers LUT Histogrammetoder p.87/91
88 Eksempel 6 Forward transformed image 0.4 Histogram of forward transformed image Forover transformert Forover transformert histo. Histogrammetoder p.88/91
89 Eksempel 7 Inverse transformed image 0.7 Histogram of final transformed image Endelig resultat Endelig resultat histogram Histogrammetoder p.89/91
90 Eksempel Histogram of final transformed image 0.35 Desired histogram Endelig resultat histogram Ønsket histogram Histogrammetoder p.90/91
91 Øving 5 Utfør histogramutjevning på bildet brukt i de forutgående slidene. Histogrammetoder p.91/91
Histogramprosessering
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
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
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
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
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
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 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
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
INF 2310 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Temaer i dag Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
DetaljerRepetisjon av histogrammer
Repetisjon av histogrammer INF 231 Hovedsakelig fra kap. 3.3 i DIP Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for billedserier Litt om histogramtransformasjoner
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
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
DetaljerOversikt, kursdag 4. Matematisk morfologi IV. Geodesi-transformasjoner: Dilasjon. Geodesi-transformasjoner
Matematisk morfologi IV Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no. desember Geodesi-transformasjoner: Oversikt, kursdag Geodesi-dilasjon. Geodesi-erosjon. Geodesi-rekonstruksjon.. Åpning/lukning
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
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,
DetaljerTMA4245 Statistikk Høst 2016
TMA5 Statistikk Høst 6 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving Løsningsskisse Oppgave a) Den tilfeldige variabelen X er kontinuerlig fordelt med sannsynlighetstetthet
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
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
DetaljerUtvalgsfordelinger. Utvalg er en tilfeldig mekanisme. Sannsynlighetsregning dreier seg om tilfeldige mekanismer.
Utvalgsfordelinger Vi har sett at utvalgsfordelinger til en statistikk (observator) er fordelingen av verdiene statistikken tar ved mange gjenttatte utvalg av samme størrelse fra samme populasjon. Utvalg
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
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
DetaljerOversikt, kursdag 3. Matematisk morfologi III. Hit-or-miss transformen og skjeletter. Hit-or-miss transformen og skjeletter
Matematisk morfologi III Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Sammensatte operasjoner: Hit-or-miss-transformen. Skjeletter. Oversikt, kursdag 3 Copyright Lars Aurdal, NTNU/NR
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:
DetaljerMatematisk morfologi III
Matematisk morfologi III Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Copyright Lars Aurdal, NTNU/NR Oversikt, kursdag 3 Sammensatte operasjoner: Hit-or-miss-transformen. Skjeletter.
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 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
DetaljerMidtveiseksamen Løsningsforslag
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Midtveiseksamen Løsningsforslag INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Tirsdag 21. mars 2017 Tidspunkt
DetaljerMatematisk morfologi IV
Matematisk morfologi IV Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no. desember 3 Copyright Lars Aurdal, NTNU/NR Oversikt, kursdag Geodesi-transformasjoner: Geodesi-dilasjon. Geodesi-erosjon. Geodesi-rekonstruksjon.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 4. juni 2008 Tid for eksamen : 14:30 17:30 (3 timer) Oppgavesettet er på
DetaljerUNIVERSITETET I OSLO
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
DetaljerIntensitetstransformasjoner og Spatial Filtrering
Intensitetstransformasjoner og Spatial Filtrering Lars Vidar Magnusson January 23, 2017 Delkapittel 3.1 Background Delkapittel 3.2 Some Basic Intensity Tranformation Functions Spatial Domain Som vi allerede
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:
DetaljerMidtveiseksamen. INF Digital Bildebehandling
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Midtveiseksamen INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Tirsdag 21. mars 2017 Tidspunkt for eksamen:
DetaljerUNIVERSITETET I OSLO
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
DetaljerMer om Histogramprosessering og Convolution/Correlation
Mer om Histogramprosessering og Convolution/Correlation Lars Vidar Magnusson January 30, 2017 Delkapittel 3.3 Histogram Processing Delkapittel 3.4 Fundementals of Spatial Filtering Lokal Histogramprosessering
DetaljerINF 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
DetaljerKapittel 3: Stokastiske variable og sannsynlighetsfordelinger
f(x,y) NTNU Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger TMA4240 Statistikk (F2 og E7) 3.4: Foreleses mandag 30.august y=hoyde x=vekt Ole.Petter.Lodoen@math.ntnu.no p.1/18 Oppsummering
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
DetaljerFor J kvantiseringsnivåer er mean square feilen:
Slide 1 Slide 2 Kap. 6 Bilde kvantisering Kap. 6.1 Skalar kvantisering Desisons og rekonstruksonsnivåer velges ved å minimalisere et gitt kvantiseringsfeilmål mellom f og ˆf. Kvantisering: Prosessen som
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
DetaljerLøsningsforslag. Oppgave 1 Gitt matrisene ] [ og C = A = 4 1 B = 2 1 3
Prøve i Matematikk BYFE DAFE Dato: 27. mai 26 Hjelpemiddel: Kalkulator og formelark Alle svar skal grunngis. Alle deloppgaver har lik vekt. Løsningsforslag Oppgave Gitt matrisene [ 2 A 4 B [ 2 og C [ 2
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
DetaljerBootstrapping og simulering Tilleggslitteratur for STK1100
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 (oppdatert April 2016) 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Fredag 29. mars 2019 Tid for eksamen : 14:30 18:30 (4 timer) Oppgavesettet er
DetaljerOversikt, kursdag 5. Matematisk morfologi V. Hva er segmentering. Hva er segmentering. Lars Aurdal Norsk regnesentral
Matematisk morfologi V Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Segmentering: Watershedtransformen. Oversikt, kursdag 5 Copyright Lars Aurdal, NTNU/NR Copyright Lars Aurdal, NTNU/NR
DetaljerTMA4240 Statistikk Høst 2015
TMA4240 Statistikk Høst 2015 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Oppgave 1 X er kontinuerlig fordelt med sannsynlighetstetthet f(x) = 2xe
DetaljerMatematisk morfologi II
Matematisk morfologi II Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Copyright Lars Aurdal, NTNU/NR Oversikt, kursdag 2 Elementære operasjoner: Erosjon. Dilasjon. Sammensatte operasjoner:
DetaljerOversikt, kursdag 2. Matematisk morfologi II. Morfologiske operatorer, erosjon og dilasjon. Morfologiske operatorer, erosjon og dilasjon
Matematisk morfologi II Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Elementære operasjoner: Erosjon. Dilasjon. Oversikt, kursdag 2 Sammensatte operasjoner: Åpning. Lukning. Flosshatt-transformasjoner.
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
DetaljerDagens mål. Det matematiske fundamentet til den diskrete Fourier-transformen Supplement til forelesning 8 INF Digital bildebehandling
Dagens mål Det matematiske fundamentet til den diskrete Fourier-transformen Supplement til forelesning 8 IF2310 - Digital bildebehandling Ole Marius Hoel Rindal, slides av Andreas Kleppe Dagens mål Forstå
Detaljer5.8 Iterative estimater på egenverdier
5.8 Iterative estimater på egenverdier Det finnes ingen eksplisitt formel for beregning av egenverdiene til en kvadratisk matrise. Iterative metoder som finner (ofte) en (meget god) approksimasjon til
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn
DetaljerSTE6146 Signalbehandling =-WUDQVIRUPHQ
TE6146 ignalbehandling =-WUDQVIRUPHQ,QWURGXNVMRQ Fourier-transformen er et meget nyttig verktøy for diskrete signaler og systemer Fourier-transformen konvergerer ikke for alle følger Trenger mere generelt
DetaljerMatematisk morfologi V
Matematisk morfologi V Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Copyright Lars Aurdal, NTNU/NR Oversikt, kursdag 5 Segmentering: Watershedtransformen. Copyright Lars Aurdal, NTNU/NR
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
DetaljerMotivasjon. Litt sett-teori. Eksempel. INF Mesteparten av kap i DIP Morfologiske operasjoner på binære bilder.
1 Motivasjon INF 2310 Mesteparten av kap 9.1-9.5 i DIP Morfologiske operasjoner på binære bilder Basis-begreper Fundamentale operasjoner på binære bilder Sammensatte operasjoner Eksempler på anvendelser
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : Tirsdag. mars Tid for eksamen : :3 :3 ( timer) Løsningsforslaget
DetaljerMAT1030 Diskret matematikk
MAT1030 Diskret matematikk Forelesning 14: Rekursjon og induksjon Dag Normann Matematisk Institutt, Universitetet i Oslo 27. februar 2008 Oppsummering Mandag repeterte vi en del om relasjoner, da spesielt
DetaljerTransformasjoner av stokastiske variabler
Transformasjoner av stokastiske variabler Notasjon merkelapper på fordelingene Sannsynlighetstettheten og den kumulative fordelingen til en stokastisk variabel X betegnes hhv. f X og F X. Indeksen er altså
DetaljerSeksjon 1.3 Tetthetskurver og normalfordelingen
Seksjon 1.3 Tetthetskurver og normalfordelingen Har sett på ulike metoder for å plotte eller oppsummere data ved tall Vil nå starte på hvordan beskrive data ved modeller Hovedmetode er tetthetskurver Tetthetskurver
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
DetaljerKort overblikk over kurset sålangt
Kort overblikk over kurset sålangt Kapittel 1: Deskriptiv statististikk for en variabel Kapittel 2: Deskriptiv statistikk for samvariasjon mellom to variable (regresjon) Kapittel 3: Metoder for å innhente
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 :
DetaljerOppgave 3c Konvolusjonsteoremet: f Λ g, F G og f g, F Λ G F rste del sier at konvolusjon i det romlige domenet (f Λ g) er det samme som pixelvis multi
Oppgave 3a 1 P N 1 N x=0 P N 1 y=0 f (x; y) e j2ß(ux+vy)=n Oppgave 3b 2D diskret konvolusjon for x =0to M for y =0to N h(x; y) =0 for m =0to M for n =0to N h(x; y)+ = f (m; n) Λ g(x m; y n) h(x; y) =h(x;
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
DetaljerMotivasjon. Litt sett-teori. Eksempel. INF Kap. 11 i Efford Morfologiske operasjoner. Basis-begreper
Basis-begreper INF 2310 08.05.2006 Kap. 11 i Efford Morfologiske operasjoner Fundamentale operasjoner på binære bilder Sammensatte operasjoner Morfologisk filtrering Morfologiske operasjoner på gråtonebilder
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 1100 Modellering og beregninger Eksamensdag: 12. desember 2003 Tid for eksamen: 9:00 12:00 Oppgavesettet er på 7 sider.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 4. juni 2013 Tid for eksamen : 09:00 13:00 Oppgavesettet er på : 7 sider
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 5. juni 2007 Tid for eksamen : 09:00 12:00 Oppgavesettet er på : 5 sider
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
DetaljerNotat 4 - ST februar 2005
Notat 4 - ST1301 8. februar 2005 1 While- og repeat-løkker Vi har tidligere sett på bruk av før-løkker. Slike løkker er hensiktsmessig å bruke når vi skal gjenta visse beregninger (løkke-kroppen) et antall
DetaljerMAT1030 Forelesning 17
MAT1030 Forelesning 17 Rekurrenslikninger Roger Antonsen - 18. mars 009 (Sist oppdatert: 009-03-18 19:3) Forelesning 17 Forrige gang ga vi en rekke eksempler på bruk av induksjonsbevis og rekursivt definerte
Detaljerx n+1 = x n f(x n) f (x n ) = x n x2 n 3
TMA4 Høst 26 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag 4.2.8 Vi setter f(x) = x 2 3. Da blir f (x) = 2x, og iterasjonen blir f (x n ) = x n x2 n 3 2x n () Siden vi har
DetaljerNewtons metode - Integrasjon Forelesning i Matematikk 1 TMA4100
Newtons metode - Integrasjon Forelesning i Matematikk 1 TMA4100 Hans Jakob Rivertz Institutt for matematiske fag 20. september 2011 Kapittel 4.7. Newtons metode 3 Eksakt løsning Den eksakte løsningen av
DetaljerLitt om numerisk integrasjon og derivasjon og løsningsforslag til noen ekstraoppgaver MAT-INF 1100 uke 48 (22/11-26/11)
Litt om numerisk integrasjon og derivasjon og løsningsforslag til noen ekstraoppgaver MAT-INF 1100 uke 48 (22/11-26/11) Knut Mørken 22. november 2004 Vi har tidligere i kurset sett litt på numerisk derivasjon
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
DetaljerRekurrens. MAT1030 Diskret matematikk. Rekurrens. Rekurrens. Eksempel. Forelesning 16: Rekurrenslikninger. Dag Normann
MAT1030 Diskret matematikk Forelesning 16: likninger Dag Normann Matematisk Institutt, Universitetet i Oslo INGEN PLENUMSREGNING 6/3 og 7/3 5. mars 008 MAT1030 Diskret matematikk 5. mars 008 Mandag ga
DetaljerFY1006/TFY4215 Innføring i kvantefysikk, - Ekstraøving 2 1. Ekstraøving 2. = 1 2 (3n2 l 2 l), = 1 n 2, 1 n 3 (l ), 1 n 3 l(l + 1.
FY006/TFY45 Innføring i kvantefysikk, - Ekstraøving Frist for innlevering (Til I.Ø.): 7. mai kl 7 Oppgave 9 hydrogenlignende atom Ekstraøving I denne oppgaven ser vi på et hydrogenlignende atom, der et
DetaljerL12-Dataanalyse. Introduksjon. Nelson Aalen plott. Page 76 of Introduksjon til dataanalyse. Levetider og sensurerte tider
Page 76 of 80 L12-Dataanalyse Introduksjon Introduksjon til dataanalyse Presentasjonen her fokuserer på dataanalyseteknikker med formål å estimere parametere (MTTF,, osv) i modeller vi benytter for vedlikeholdsoptimering
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 3.3: Kontinuerlige sannsynlighetsfordelinger 4.1: Matematisk forventing (univariat del) Mette Langaas Foreleses mandag 6. september 2010 2 3.1 Stokastisk variabel (repetisjon)
Detaljer3.1 Stokastisk variabel (repetisjon)
TMA4240 Statistikk H2010 3.3: Kontinuerlige sannsynlighetsfordelinger 4.1: Matematisk forventing (univariat del) Mette Langaas Foreleses mandag 6. september 2010 2 3.1 Stokastisk variabel (repetisjon)
DetaljerUtvalgsfordelinger. Utvalg er en tilfeldig mekanisme. Sannsynlighetsregning dreier seg om tilfeldige mekanismer.
Utvalgsfordelinger Vi har sett at utvalgsfordelinger til en observator er fordelingen av verdiene observatoren tar ved mange gjenttatte utvalg av samme størrelse fra samme populasjon. Utvalg er en tilfeldig
DetaljerForelesning 14. Rekursjon og induksjon. Dag Normann februar Oppsummering. Oppsummering. Beregnbare funksjoner
Forelesning 14 og induksjon Dag Normann - 27. februar 2008 Oppsummering Mandag repeterte vi en del om relasjoner, da spesielt om ekvivalensrelasjoner og partielle ordninger. Vi snakket videre om funksjoner.
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
DetaljerLøsning på Dårlige egg med bruk av Tabell 2 i Appendix B
Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn P(x), x=0,1,2,3,4 fra den generelle formelen for binomisk sannsynlighetsfordeling
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: Eksamensdag: Torsdag 2. juni 24 Tid for eksamen: 4.3 8.3 Oppgavesettet er på 5 sider. Vedlegg: Tillatte hjelpemidler: STK429
DetaljerHeuristiske søkemetoder III
Heuristiske søkemetoder III Lars Aurdal Intervensjonssenteret Lars.Aurdal@labmed.uio.no 14. september 2003 Plan Eksempel: Bildebehandling, segmentering: Hva er segmentering? Klassisk metode, terskling.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: ST101 Innføring i statistikk og sannsynlighetsregning. Eksamensdag: Mandag 29. november 1993. Tid for eksamen: 09.00 15.00. Oppgavesettet
DetaljerLøsningsforslag, eksamen statistikk, juni 2015
Løsningsforslag, eksamen statistikk, juni 0 Oppgave 1 Siden det spørres om tall fra et intervall, som oppgaven viser kan være et reelle, er det tydelig at tallene er tatt fra en kontinuerlig fordeling.
DetaljerUNIVERSITETET I BERGEN Det matematisk-naturvitenskapelige fakultet. Obligatorisk innlevering 1 i emnet MAT111, høsten 2016
UNIVERSITETET I BERGEN Det matematisk-naturvitenskapelige fakultet Obligatorisk innlevering 1 i emnet MAT111, høsten 2016 Innleveringsfrist: Mandag 26. september 2016, kl. 14, i Infosenterskranken i inngangsetasjen
DetaljerEksamen - INF 283 Maskinlæring
Eksamen - INF 283 Maskinlæring 23 feb. 2016 Tid: 3 timer Eksamen inneholder 15 oppgaver, som vil bli vektet likt ved evaluering. 1 Table 1 attributt antall personer forsørget av låntaker månedlig inntekt
DetaljerForelesning 5: Kontinuerlige fordelinger, normalfordelingen. Jo Thori Lind
Forelesning 5: Kontinuerlige fordelinger, normalfordelingen Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Kontinuerlige fordelinger 2. Uniform fordeling 3. Normal-fordelingen 1. Kontinuerlige fordelinger
DetaljerTMA4240 Statistikk Høst 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 9 Løsningsskisse Oppgave 1 a) Vi lar her Y være antall fugler som kolliderer med vindmølla i løpet av den gitte
DetaljerBildetransformer Lars Aurdal
Bildetransformer Lars Aurdal FORSVARETS FORSKNINGSINSTITUTT Lars Aurdal. Forsvarets forskningsinstitutt (FFI), Kjeller. 5 ansatte. Ca. 3 forskere og ingeniører. Tverrfaglig institutt med vekt på arbeide
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
DetaljerLøsning ved iterasjon
Løsning ved iterasjon Arne Morten Kvarving Department of Mathematical Sciences Norwegian University of Science and Technology 17. September 2009 Problem Gitt problemet f (x) = 0 for en eller annen funksjon
DetaljerINF2220: Time 12 - Sortering
INF0: Time 1 - Sortering Mathias Lohne mathialo Noen algoritmer Vi skal nå se på noen konkrete sorteringsalgoritmer. Gjennomgående i alle eksempler vil vi sortere tall etter tallverdi, men som diskutert
DetaljerTMA4245 Statistikk. Innlevering 3. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
TMA4245 Statistikk Vår 2017 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 3 Dette er den første av to innleveringer i blokk 2 Denne øvingen skal oppsummere pensum
Detaljer