Automatisk korreksjon av røde øyne i digitale bilder

Størrelse: px
Begynne med side:

Download "Automatisk korreksjon av røde øyne i digitale bilder"

Transkript

1 Automatisk korreksjon av røde øyne i digitale bilder ØYVIND BJERKVIK Examensarbete Stockholm, Sverige 2004 TRITA-NA-E04142

2 Numerisk analys och datalogi Department of Numerical Analysis KTH and Computer Science Stockholm Royal Institute of Technology SE Stockholm, Sweden Automatisk korreksjon av røde øyne i digitale bilder ØYVIND BJERKVIK TRITA-NA-E04142 Examensarbete i medieteknik om 20 poäng vid Programmet för medieteknik, Kungliga Tekniska Högskolan år 2004 Handledare var Ivar Farup, Högskolan i Gjøvik Examinator var Nils Enlund

3 Sammendrag Når det sterke lyset fra blitsen på et fotoapparat treffer retina bakerst i øyet, reflekteres noe av lyset. Lyset som reflekteres farges rødt av blodkarene i retina synes på bildet som ofte intense røde flekker i ansiktet. Dette er en veldig vanelig og ganske sjenerende effekt når det gjelder amatørfotografier. Målet for prosjektet er å lokalisere øyne og fjerne den sjenerende effekten av røde øyne automatisk, uten noen brukerinteraksjon på store mengder bilder uten noen forkunnskaper om bildets kvalitet eller innhold. For å detektere røde øyne letes det først etter ansikter. Ved å se på fargeegenskapene til hud, og metoder beskrevet i forskningslitteratur, kan man til en viss grad segmentere ut hudområder. Innenfor disse antatte hudområdene søkes det etter områder som har høy konsentrasjon av rødt for å lokalisere røde øyne i bildet. Mye av vanskelighetene ligger i å skille ut røde øyne fra resten av bildet. I likhet med hud, har røde øyne varierende fargeegenskaper. Når de røde øynene er lokalisert blir de røde områdene erstattet med akromatiske (fargeløse) piksler for å få øyet til å se så naturlig ut som mulig. Denne prosjektrapporten beskriver testing og evaluering av metoder for deteksjon og korreksjon av røde øyne, og forsøk på kombinering av metoder for å forbedre teknologien. Forsøkene viste at metodene ikke ga tilfredsstillende resultater og at algoritmens svakheter ligger i kantdeteksjon for å detektere potensielle røde øyne. 1

4 Abstract When the bright light from a camera flash bulb hits the retina in the back of the eye, some of the light reflects and is colored red from the blodwessels. The red light can be seen as a glaring red dot in the face of the subject. This is a very common effect in amateur photography. The aim of this project is to locate and correct this effect, without user interaction on large sets of pictures without any knowledge of the image quality or composition. To locate red eyes one first looks for faces in the image. By looking at the color properties of skin, and methods described in reasearch litterature, one can to a certain degree segment out skin regions. Within these presumed skin regions, we search for areas with a high consentration of red, to locate the red eyes in the picture. Much of the difficullties lies in segmentation of red eyes from the rest of the picture. Like skin, red eyes has vaying color properties. When a red eye in located, the pixels in the located area are replaced with achromatic pixels, to give the pupil an as natural as posible look. This project report describes testing and evaluation of methods for detection and correction of red eyes, and combinations of methods to improve the tecnology. Tests showed that my methods did not produce satisfactory results. Much of the problems lays in edge detection to locate potential red eyes. 2

5 Forord Denne masteroppgaverapporten i medieteknikk er utført ved Institutt for informatikk og medieteknikk ved Høgskolen i Gjøvik. Mastergradsstudiet i medieteknikk tilbys i samarbeid med Kungliga Tekniska Högskolen i Stockholm, og denne rapporten er derfor også å betrakte som en KTHeksamensrapport i Medieteknik och grafisk produktion. Jeg vil gjerne få takke min veileder ved Høgskolen i Gjøvik, Ivar Farup, og ressursperson Jon Yngve Hardeberg for alle tips og råd under arbeidet, samt bildedatabasen gjort tilgjengelig for testing av Hardeberg. Store deler av arbeidet i dette prosjektet har for min del omandlet læring. Anskaffelse av kunnskap og innsikt har vært en sentral del av å utføre et prosjekt innenfor områder jeg tidligere hadde liten erfaring med. Dette gjaldt både emneområdet bildebehandling, og området forskningsprosjekter. Følelsen av at størsteparten av arbeidet ble nedlagt mot slutten av prosjektperioden kommer ikke av disponering av tiden, men av at forståelsen for emnet kom mot slutten og gjorde at det var her store deler av selve utviklingen fant sted. Gjøvik, 26. oktober Øyvind Halewijn Bjerkvik 3

6 Innhold 1. Innledning Mål og metoder Forskningsspørsmål Litteraturstudie Evaluering og testing Mål Relatert arbeid Deteksjon av ansikter Konvertering til gråtonebilder Deteksjon av røde øyne Korreksjon av røde øyne Tilgjengelig teknologi Eksperimentelle tester og utvikling Ansiktsdeteksjon Fjerning av uønskede detaljer Konvertering til gråtonbilder Deteksjon av røde øyne Prosessering av binært bilde Fjerning av falske treff Templatematching Korreksjon av røde øyne Prototyp Konklusjon og diskusjon Diskusjon Konklusjon Referanser Vedlegg Konvertering mellom fargerom Eksempler på korrigerte bilder

7 1. Innledning Når det sterke lyset fra blitsen på et fotoapparat treffer retina bakerst i øyet, reflekteres noe av lyset. Lyset som reflekteres farges rødt av blodkarene i retina, synes på bildet som ofte intense røde flekker i ansiktet. Dette er en veldig vanlig og ganske sjenerende effekt når det gjelder amatørfotografier. Effekten kan motvirkes ved å styre lysforholdene før bildet taes. Mange nyere kameraer har en funksjon som sender ut lysblink før bildet taes for å få pupillene til å trekke seg sammen. Denne funksjonen minsker effekten med røde øyne, men fjerner den ikke helt. Det er upraktisk for fotografen og objektet, siden det blir en forsinkelse fra fotografen trykker til bildet taes og objektet vil ofte reagere på lysblinkene med å blunke. Funksjonen krever også en del ekstra strøm og gjør at batteriene tappes fortere. Kravene til kompakthet på dagens kameraer gjør at blitsen er nærmere linsen og med på å gjøre effekten sterkere, siden lyset reflekteres mer direkte tilbake i linsen (figur 1.1). Figur 1.1: Hvordan røde øyne effekten oppstår (Hardeberg 2002) Flere kommersielle bildebehandlingsprogrammer har mulighet for å fjerne denne effekten fra digitale bilder. Graden av brukerinteraksjon og prestasjonsnivået til disse funksjonene varierer. Skal røde øynene fjernes automatisk i digitale bilder må øynene lokaliseres i bildet, noe som er ikke trivielt. Målet for mye av arbeidet på området er å utvikle metoder som kan utføre en feilfri korrigering av røde øyne på hele bildedatabaser uten noen forhåndskunnskaper om bildenes sammensetning eller innhold. Algoritmen beskrevet i oppgaven henter metoder og inspirasjon fra de få tilgjengelige artiklene som er blitt publisert. Publiserte artikler på temaet korreksjon av røde øyne er relativt få utenom patentlitteraturen, og metodene er til tider vagt beskrevet, med liten informasjon om testdata, framgang og resultater. Dette kan ha sammenheng med at arbeidet på området ofte blir finansiert og utført av bedrifter som vil ha teknologien for seg selv. 5

8 Det har i senere år blitt testet og forsket mye på biometriske systemer. Systemer som søker etter personlige trekk ved mennesker i digitale og analoge data. Ansiktsgjenkjenning er et av de vanskeligere områdene innenfor feltet biometri. Ikke bare er det vanskelig å skille personer fra hverandre, men det kan by på problemer å gjenfinne ansikter i digitale bilder. Noe av de samme problemene støter vi på ved når vi forsøker å automatisk fjerne røde øyne i bilder. Vi må være sikre på at den røde flekken er øyne i et ansikt, og ikke et annet objekt. Bildene som skal behandles for røde øyne kan være vanskeligere å prosessere siden de ikke er tilrettelagt for å finne ansikter eller øyne, men er amatørfotografier av veldig varierende kvalitet og sammensetning. Sikkerhetssystemer som er laget for å gjenfinne ansikter eller øyne kan ofte tilrettelegge bakgrunnen og vinkelen til kameraet for bedre ytelse. Artikler og forskning på området ansiktsgjenkjenning er omfattende og variert. 6

9 2. Mål og metoder 2.1 Forskningsspørsmål Forskningsspørsmålene formuleres for å ha et mål for prosjektet og arbeidet skal søke å gi svar på spørsmålene. Ved å studere og teste publisert litteratur og kommersiell programvare kan man finne ut noe om prestasjonsnivået og modenheten til teknologien. Hvor godt presterer eksisterende teknologi for automatisk korreksjon av røde øyne? Bildeprosessering er et mye studert og brukt fagfelt i mange sammenhenger. Hvordan kan eksisterende teknologi innen områdene bildebehandling, fargeteori, mønstergjenkjenning og biometri utnyttes for å designe en bedre algoritme for korreksjon av røde øyne? Det er publisert forskningsartikler som beskriver metoder for deteksjon av hud, deteksjon av ansikter og korreksjon av røde øyne. Hvordan kan kombinering av metoder fra tilgjengelig litteratur forbedre deteksjon og korreksjon av røde øyne? 2.2 Litteraturstudie Søkene etter litteratur har innebefattet temaer rundt ansiktsdeteksjon, øye deteksjon og korrigering av røde øyne. Via referanser fra innhentede artikler har også teori rundt bildeprosessering og fargebehandling blitt innhentet og studert. Innledende periode av prosjektet innebefattet også studier av MATLAB for å kunne implementere og teste metoder og teorier i dette programmet. Utvalgte artikler ble studert og testet, mens andre fungerte som inspirasjon og veivisere. Grunnet noen artiklers noe overfladiske beskrivelse og begrenset tid ble ikke alle metoder implementert. Litteraturstudien hadde også som formål å skape forutsetninger for en teoretisk diskusjon rundt forenklende og forbedrende metoder som ikke ble testet. Teori rundt fargebalansering og biometriske metoder for ansikts- og øyedeteksjon krevde mer tid og ressurser enn det som var til rådighet, og ble begrenset til teoretiske forslag som kan forbedre metodene ved videre arbeid. 7

10 2.3 Evaluering og testing Evaluering og testing av foreslåtte metoder ble foretatt i MATLAB, som er et program for utføring av komplekse matematiske operasjoner (www.mathworks.com). Foreslåtte metoder fra innhentet litteratur ble forsøkt implementert og testet i MATLAB på bildedatabasen gjort tilgjengelig av Hardeberg. Evaluering og testing av egne teorier ble utført på et utvalg av bilder, og på hele databasen hvis resultatene så lovende ut. Teoriene ble inspirert av metoder fra innhentet litteratur, basert på metodenes prestasjoner beskrevet i testresultatene og konklusjonene. Kombinasjoner av metoder fra ulike deler av prosessen fra innhentet litteratur ble evaluert og testet i et forsøk på å finne en bedre fremgangsmåte. 2.4 Mål Målene for oppgaven var å få en forståelse av metodene rundt korreksjon av røde øyne, og gjennom testing og vurdering finne styrker og svakheter i metoder. Erfaringene og kunnskapen skulle så brukes i et forsøk på å finne alternative fremgangsmåter for å gjøre deteksjon og korreksjon av røde øyne. Målet for prototypen var å finne en framgangsmåte som kunne tilby en bedre prestasjonsstatistikk enn studerte metoder. 8

11 3. Relatert arbeid Deteksjon av områder med hud er et av områdene som belyses i flere artikler. Denne deteksjonen foregår i forskjellige fargerom, med forskjellige forutsetninger. Det blir også forslått preprosessering av bilder for å lette deteksjon av hud. Bruk av ansiktsdeteksjon med neural metode nettverk (Hjelmås og Low, 2001) er beskrevet i flere artikler, og det foreslåes å kombinere denne med deteksjon av hud. De fleste artiklene konverterer bildet til gråtoner hvor områder med dominans av rødt fremheves. Dette gjøres på forskjellige måter, som gir bildene forskjellig karakter. Hvordan røde øyne detekteres ut ifra dette gråtonebildet varierer. Hardeberg (2002) gjør korreksjon av røde øyne hvor områder med røde øyne markeres av brukeren. Her belyses korreksjonsproblematikken mer enn deteksjonsproblematikken. Smolka et al. (2003) beskriver en fremgangsmåte hvor områder med hud identifiseres ved å se på fargeegenskaper. Områder med dominans av rødt og med tilnærmet sirkelform detekteres med konvolusjon på et gråtonebilde med fremheving av områder dominert av rødt. Schettini et al. (2003) kombinerer deteksjon av hud med ansiktsdeteksjon basert på neural nettverk metode. Røde øyne detekteres også her ved å fremheve områder hvor rødt dominerer. Held (2001) benytter også neural nettverk metode for ansiktsdeteksjon, men uten å detektere områder med hudfarger. For å detektere røde øyne brukes Hough-transform på gråtonebilder med fremheving av rødt. 3.1 Deteksjon av ansikter Deteksjon av hud i digitale bilder har fått en del oppmerksomhet i senere tid siden det kan brukes i flere sammenhenger. På tross av en del forskning på området, er deteksjon av hud i bilder med kompleks sammensetning en utfordring. Fargeegenskaper er en viktig nøkkel til å finne ansikter i et bilder, siden det ikke sees etter mønstre som påvirkes av endringer i personers vinkel eller avstand til kameraet. Studier viser at hudfarger er samlet i kromatisk fargerom. Hudfargen til et individ opptar en relativt liten del av fargerommet (figur 3.1). Variasjon i hudfarger kan reduseres ved intensitetsnormalisering (figur 3.1). 9

12 Intensitetsnormalisert RGB fargerom: (Plataniotis og Venetsanopoulos, 2000). r = cr / I g = cg / I (formel 3.1) b = cb / I Her representerer I = R + G + B intensiteten (brightness) og c er en konstant, her lik 100. Hudfarger varierer mer i tone enn i kromatisitet. (Smolka et al. 2003), og variasjoner i lysforhold gjør deteksjon av hud vanskelig. Smolka et al.(2003) benytter intensitetsnormalisert rgb fargerom og HSV fargerom. RGB fargerommet er det mest brukte fargerommet, hvor farger er representert som en blanding av rødt grønt og blått. Siden variasjoner i hudfarger mye skyldes varierende lysforhold, konverteres RGB verdiene til deres korresponderende kromatiske verdier (formel 3.1), for å redusere lysforholdenes påvirkning. Distribusjonen av piksler som representerer hudfarger kan modelleres som en todimensjonal gaussisk fordeling med r og g (Sirohey, et. al, 2002). (a) (b) Figur 3.1: (a) r og g verdiene til områder med hud fra to ulike bilder av en og samme person tatt med blits. Forskjellige farger i figuren er verdier fra områder fra forskjellige bilder. (b) R og G verdiene fra samme områdene. Studier av hudfargers forandring under varierende lysforhold (Störring, et al., 2003), viser at endringer i CCT (Correlated Color Temprature) har mye større innvirkning på r enn på g. Bilder tatt av et rødt og et grønt objekt under varierende lysforhold vil derfor gi større variasjoner i r enn i g. Som vi ser av figur 3.1 vil endringer i lysforhold gi endringer i fargeegenskaper til hud, og endringene er større i r enn i g. Variasjoner kan også sees i HSV og CIELAB fargerom. 10

13 For å gjøre segmenteringen av hudfarger mer presis kombinerer Smolka, et al. (2003) terskling i rgb fargerommet med terskling i HSV fargerommet. Fargerommet egner seg godt for å segmentere ut hud, og de setter de optimale tersklingsverdiene til: r [38,55] g [25,38] H [ 0,50] U[340,360] (formel 3.2) S > 0.2 V > 0.35 Disse verdiene valgte de ut og testet etter litteraturstudier av publisert litteratur hvor terskingsverdier var blitt funnet. H verdiene skal er med på å segmentere ut rødlige farger, mens S verdiene skal ekskludere rene, og mørke rødfarger. I algoritmen til Schettini et al. (2003) gjøres segmentering av hudfarger enklere ved at fargene i bildet korrigeres uten kunnskaper om bildet. Dette gjøres ved å identifisere dominerende farger (fargestikk) og balansere dem (Gasparini og Schettini, 2004). Det korrigerte bildet konverteres fra RGB til CIELAB fargerom (formel 7.1 og 7.2), hvor følgende variable analyseres; a * hue = tan 1 ( ) b * 2 2 1/ 2 ( a * + b * ) C * K = = L * L * (formel 3.3) C * hvor, forholdet mellom kromatisk radius og lyshet (lightness), er L * relatert til metningen (saturation). Ut ifra disse verdiene beregnes sannsynligheten for at området er hud og det lages en skin probability map, hvor områder gis en sannsynlighet for at det er et område med hud. Videre brukes det en ansiktsgjenkjennings algoritme basert på neural nettverk metode, for å lage en face probability map. Disse kombineres for å finne områder med kombinert høye sannsynligheter for ansikter. 11

14 Held (2001) bruker også ansiktsdeteksjon med en neural nettverk metode, men uten å se på farger. Metoden oppdaget kun 76 % av ansiktene, til tross for at Shettini et al. (2003) viste til langt bedre statistikk med denne typen ansiktsdeteksjon, noe grunnet at de også detekterer ansikter ved å lete etter hudfarger. Vergados et al. (2002), forsøker å segmentere i RGB fargerom uten intensitetsnormalisering. Statistikken de la fram i artikkelen virket svært lovende. Innledende tester med problembilder ga ikke tilfredsstillende resultater, og så derfor ikke ut til å kunne forbedre andre metoder. Hjelmås og Low (2001) viser til forskjellige metoder for ansiktsdeteksjon. Metodene gir fra 70 til 95 % treff for sine databaser, og er et alternativ for å fjerne falske treff, eller forbedre deteksjonsraten for faktiske røde øyne. 3.2 Konvertering til gråtonebilder Etter å ha detektert hud eller ansikter er neste skritt i prosessen for de fleste prosessene beskrevet i litteraturen, å lete etter områder med fargeegenskaper tilsvarende røde øyne. En mulighet er å konvertere fargebildet til et gråtonebilde, med framheving av røde områder. Formålet er å gjøre områder hvor rødt dominerer over grønt og blått lysere enn resten av bildet, for å kunne skille ut disse områdene. En metode er å beregne verdier som best beskriver røde øyne, og beregne fargeavstanden til piksler i interesseområdet. For å finne aktuelle piksler innenfor området hvor øyet ligger, lager Hardeberg (2002) en maske ved å beregne fargeforskjellen mellom det originale pikselet ( r ( i, j) ), og den forhåndsdefinerte verdien for et typisk rødt øye( rtypical Re deye, satt til R=150, G,B=50) for hvert piksel i interesseområdet; x i, j) = d( r( i, j), ) (formel 3.4) ( r Typical Re deye Her er d( ) en funksjon som kvantifiserer fargeforskjellen mellom to piksler. Formelen som artikkelen beskrev ga best resultater var kromatisk distanse i CIELAB (formel 7.1 og 7.2) fargerommet: 2, r1 ) * * 2 * * [( a ) ( ) ] a1 + b2 1 d( r = b (formel 3.5) Verdien blir så normalisert slik at verdien til masken ( m ( i, j) )blir lysere hvor det er mest sannsynlig at det er et rødt øye; max( x) x( i, j) m( i, j) = round 255 max( x) min( x) (formel 3.6) 12

15 Patti et al. (1998) benyttet YCbCr fargerom som de konverterte til med gammakorrigerte (γ=3) RGB verdier (formel 7.3). Så brukes Cr kanalen som grunnlag for deteksjon av røde øyne. Smolka et. al (2003) konvertete til gråtoner med hensyn til hvor rødt dominerer over grønt og blått. T ( i, j) = R( i, j) max{ G( i, j), B( i, j)} Formelen framhever områder hvor rødt dominerer over grønt og blått, og verdiene normaliseres med hensyn på R: 2 [ R( i, j) max{ G( i, j), B( i, j)}] T ( i, j) = (formel 3.7) R( i, j) hvor (i,j) betegner piksel posisjonen i bildet. Schettini et al. (2003) bruker formlene: 4R ( G + B) min( G, B) max( G, B) redness = R 2 redness = redness ( redness > 0) (formel 3.8) Disse formlene kan tolkes på flere måter, siden de kan virke noe ulogisk. Hvis max(g,b) og min(g,b) representerer høyeste og laveste verdi innenfor området, forutsetter dette at lite av forstyrrende elementer fra bakgrunnen har kommet med. Held (2001) bruker formelen; T ( i, j) = R( i, j) min( G( i, j), B( i, j)) (formel 3.9) Her får områder hvor rødt dominerer over grønt eller blått positive verdier. 13

16 3.3 Deteksjon av røde øyne Det konverterte gråtonebildet prosesseres så videre for å detektere røde øyne innen områder som tidligere har blitt identifisert som sannsynlige ansikter. Hardeberg (2002) binæriserer masken (formel 3.6) med en terskelverdi på 175. Deretter brukes matematisk morfologi (open og close operatorer, se kapittel 4.2) for å fylle hull og glatte ut kantene. For å få en mykere overgang mellom pupillen og irisen blir kantene gjort uklare ( smoothed eller fyzzyfied ). Områdets sirkelegenskaper evalueres for å sikre at det er et rødt øye som korrigeres. Smolka et al. (2003) bruker et sett masker (figur 3.2) som skal detektere tilnærmet sirkelformede områder ved å utføre konvolusjon på gråtonebildet (formel 3.7). Masken gir høyest respons når den plassers direkte over et sirkelformet område med lik radius som masken. Det brukes masker med størrelser {r=2,3,4 25} Bildene terskles så på bakgrunn av filterresponsen. Det foreslås å gi piksler med gråtoneverdi større enn gjennomsnittet for bildet verdi 1, og resten Figur 3.2: Eksempel på konvolusjons maske med radius r=4. Schettini et al. (2003) velger ut kandidater for røde øyne på bakgrunn av størrelsen i forhold til området som representerer ansikt, og rundhet. Hvordan kandidatområdene skilles ut fra bakgrunnen beskrives ikke konkret. Held (2001) benytter Hough transform på gradient bildet funnet med en sobel operator. Falske treff elimineres så ved å se på kandidatenes størrelse og plassering i forhold ansiktet som ble funnet med biometrisk ansiktsdeteksjon. 14

17 3.4 Korreksjon av røde øyne Målet ved korrigering av røde øyne for å få ansiktet til å se mest mulig naturlig ut. De røde pikslene må få en svart farge med en naturlig overgang mellom pupill og iris eller øyelokk. Samtidig vil vi bevare den hvite flekken som oppstår når lyset reflekteres i overflaten til øyet. Når Hardeberg (2002) har identifisert røde områder blir L*, a* og b* verdiene korrigert: max L * L* L max L * min L * a * 0 ( L * min *) (formel 3.10) b * 0 Verdiene blir så vektet i forhold til masken (formel 3.6) etter formelen: r( i, j) = t( i, j) m( i, j) + r( i, j)(1 m( i, j)) (formel 3.11) Hvor t(i,j) betegner verdiene fra formel Bildet konverteres så tilbake til RGB fargerom. Smolka et al. (2003) erstatter identifiserte piksler i røde øyne med akromatiske (fargeløse) piksler med intensitet mean{g,b}, siden G og B verdiene ikke blir påvirket av røde øyne. Dette gir en naturlig korreksjon av røde øyne. Schettini et al. (2003) erstatter pikslene som er identifiserte som røde øyne med stort sett monokrome (ensfargede) piksler etter formelen (for R,G og B kanalene): new old ( Masksmooth ) + Masksmooth Rmch R = R 1 (formel 3.12) Koordinatene til det monokrome pikslet er R mch, G mch og B mch, som blir evaluert med hensyn til intensiteten lik mean{g,b}, og fargekorreksjonen er vektet av smoothing mask ( Mask smooth ) for å få en naturlig overgang mellom iris og korrigert rødt øye. Denne forklaringen er åpen for tolkninger med hensyn til hvilke verdier R mch, G mch og B mch representerer. 15

18 Ved å se på gjennomsnittlige verdier for Cr (i YCbCr fargerom) kan røde øyne skilles ut i det aktuelle området (Patti et al., 1998); Th = +.2(max min ) (formel 3.13) S Cr 0 Cr Cr hvor S Cr er gjennomsnittlig Cr for området, og max Cr min Cr er høyeste minus laveste Cr verdi for området. Områder som ligger over terskelverdien (Th) korrigeres ved å gi dem en gråtone tilsvarende 80 % av original luminans. 3.5 Tilgjengelig teknologi Hewlett Packard (HP) har kommet med et digitalkamera (Photosmart R707) som fjerner røde øyne fra bilder. Etter at et bilde har blitt tatt kan brukeren velge å fjerne røde øyne i bildet. Kameraet leter etter røde øyne og korrigerer det den finner. Forandringene merkes og brukeren får valget om å lagre endringer eller ikke. Enkle tester med kameraet viste at funksjonen fungerte bra, men ikke 100 %. Den er utsatt for noen falske treff og noe av svakheten er her at brukeren ikke får muligheten til å velge hvilke endringer som skal beholdes. Korreksjoner av falske treff gir ofte ingen markante endringer, noe som avhenger av objektets opprinnelige farge. Fjerningen gjøres i kameraet, og krever ingen PC. Programvaren som følger med kameraet har også en funksjon for fjerning av røde øyne, men denne funksjonen krever at brukeren merker områder hvor øyet er, og det er ikke tilrettelagt for prosessering av mange bilder. Funksjonen i dette kameraet kan kun brukes på bilder som er tatt med blits. Sammen med adaptive lighting funksjonen kan forholdene i bildet bedres og forutsees i større grad. Dette sammen med høy oppløsning (5MP) gjør forholdene bedre og prosessen lettere enn for forholdene for bildene i testdatabasen brukt i denne rapporten. Microfrontiers digital darkroom er et produkt for bildebehandling som er tilgjengelig fra adressen: Programmet fjerner røde elementer fra områder utvalgt av brukeren. Dette betyr at brukeren må selv markere den røde flekken før han velger å korrigere den. Velges mer enn den røde flekken vil dette også bli korrigert, noe som krever tid og nøyaktighet av brukeren. Photodex CompuPic er et annet produkt for bildebehandling som tilbyr en funksjon for korrigering av røde øyne, tilgjengelig fra adressen: Brukeren kan her klikke på et punkt i det røde øyet, hvor han vil ha korrigert. Programmet forsøker da å korrigere hele den røde flekken. For å få korrigert hele den røde flekken må brukeren ofte klikke flere ganger på forskjellige punkter i øyet for å få effekten korrigert. Korreksjonen ser naturlig ut og det korrigeres ikke utenfor den røde flekken. 16

19 STOIK RedEye AutoFix er et program for automatisk korreksjon av røde øyne, som er tilgjengelig for kjøp. Tester med kun noen få av bildene fra databasen brukt i dette prosjektet, ble det klart at dette programmet ikke på noen måte holder mål når det gjelder automatisk korreksjon. Mange røde øyne (tydelige effekter) ble ikke korrigert, og feiltreff ble korrigert slik at bildekvaliteten ble redusert. Programmet er tilgjengelig fra nettet: På hjemmesidene til Hewlett Packard kan man bruke programmet redbot. Her kan man laste inn et bilde og få det korrigert automatisk via nettsiden. Det er trolig at teknologien brukt på denne nettsiden er lik, hvis ikke den samme teknologien man finner i det overnevnte digitalkameraet fra HP. Enkle tester viste at heller ikke her fungerer teknologien 100 %, selv om bildene sendt inne kommer fra det overnevnte kameraet. Algoritmen som blir brukt ser ikke ut til å slite med falske treff, men korrigerer ikke alle røde øyne i bildet selv om de er visuelt tydelige. (http://redbot.net/ ). 17

20 4. Eksperimentelle tester og utvikling Tester av metoder beskrevet i innhentet litteratur, og tester på egne teorier og ideer ble utført i MATLAB. Metodene beskrevet i litteraturen ble forsøkt implementert så nøyaktig som mulig, og med færrest mulig egne tolkninger. Endringer ble sene gjort på de metodene hvor det var rom for forbedringer, i forsøk på å finne bedre alternativer. 4.1 Ansiktsdeteksjon Deteksjon av hud i et bilde med kompleks bakgrunn er en vanskelig utfordring. Dette gjelder spesielt i bilder med bakgrunn som består av trehvite farger og andre farger som ligger i samme området i det fargerommet det terskes i, og som vankelig kan skilles fra hudfarger. En del av utfordringen ved å skille hud fra andre objekter, er også de forskjellige lysforholdene i forskjellige bilder, som påvirker hudfargens egenskaper. Jeg benyttet meg av Smolka et al. (2003) sin metode for segmentering i intensitetsnormalisert rgb fargerom og HSV fargerom. (formel 3.2). HSV fargerommet er sett på som velegnet for å segmentere ut hudfarger. Smolka et al. (2003) oppga formlene for konvertering til HSV fargerom (formel 7.5), men i mine forsøk benyttet jeg meg av funksjonen for konvertering i MATLAB. Dette medførte at H verdiene ligger innen for intervallet [0,1] og ikke [0,360]. Jeg dividerte derfor terskelverdiene for H med 360. Jeg antok at konverteringen fra RGB til HSV fargerom gir like verdiforhold for begge metoder. Tester med verdiene (formel 3.2) viste at terskingsverdiene ikke godtok lyse hudfarger. Dette medførte at jeg måtte studere verdiene for å finne ut hvor de lyse hudfargene falt utenfor. Jeg fant at lyse hudfarger har lavere metningsgrad S i HSV fargerommet enn det verdiene godtok, og en lavere verdi for rødt i det normaliserte rgb fargerommet (formel 3.1). Dessverre medfører å justere ned kravene til S og r, at større del av bakgrunnen kommer med, noe som gjorde det vanskelig å skille ut ansikter uten å ta med mye bakgrunn i enkelte bilder (figur 4.1). Justering av grensene medfører større fare for falske treff, noe jeg å løse ved å unngå å utføre tersking på en nedre grense for S i første omgang. Jeg kjørte en ny hud deteksjon på hvert område som inneholdt antatt hud. På bakgrunn av den gjennomsnittlige S verdien for området, satt jeg en terskel for om jeg skulle fjerne piksler med en nedre terskelverdi for S tilsvarende Smolka et al. (2003) sin verdi eller ikke. Det er både vanskelig og risikabelt å sette denne terskelen fordi vi ikke vet hvor stor del av bakgrunnen som har kommet med i hvert område og 18

21 påvirker gjennomsnittlig S verdi. Terskel ble empirisk satt til gjennomsnittlig S<0.5. For å segmentere ut hudfarger brukte jeg følgende verdier; r [34,55] g [25,38] H [ 0,0.14] U[0.94,1] (formel 4.1) S > 0.04 V > 0.35 Shettini et al. (2003) bruker CIELAB fargerom for å undersøke om pikselverdiene representerer hud. Verdiene forutsetter fjerning av fargestikk før deteksjon av områder med hud. Siden fjerning av fargestikk ikke ble implementert for testing i denne rapporten, ble videre testing av denne metoden ikke utført, men står som et alternativ til videre arbeid. (a) (b) (c) (d) (e) (f) Figur 4.1: (a) og (b) er originalbilder. (b) og (e) er bilder tersklet med verdiene for hud fra formel 3.2. (c) og (f) er tersklet med egne verdier (formel 4.1) 19

Innføring i bildebehandling

Innføring i bildebehandling Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33506 Bildebehandling og mønstergjenkjenning Laboppgave nr 1 Innføring i bildebehandling Halden 27.08.2013 20.08.13 Revidert Log GKS 22.08.12

Detaljer

Innføring i bildebehandling

Innføring i bildebehandling Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33506 Bildebehandling og mønstergjenkjenning Laboppgave nr 1 Innføring i bildebehandling Halden 24.08.2010 23.08.10 Revidert Log GKS 20.08.09

Detaljer

Deteksjon av ringformede fotgrøfter i høyoppløselige satellittbilder av jordbruksområder

Deteksjon av ringformede fotgrøfter i høyoppløselige satellittbilder av jordbruksområder Deteksjon av ringformede fotgrøfter i høyoppløselige satellittbilder av jordbruksområder Øivind Due Trier (NR), Anke Loska (Riksantikvaren), Siri Øyen Larsen (NR) og Rune Solberg (NR) Samarbeidspartnere:

Detaljer

Morfologiske operasjoner på binære bilder

Morfologiske operasjoner på binære bilder Digital bildebehandling Forelesning 13 Morfologiske operasjoner på binære bilder Andreas Kleppe Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på anvendelser

Detaljer

INF 1040 løsningsforslag til kapittel 17

INF 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

Detaljer

Pressemelding. Tre nye rimelige modeller i Canons PIXMAserie med multifunksjonsprodukter gjør smart utskrift og høy kvalitet tilgjengelig for alle

Pressemelding. Tre nye rimelige modeller i Canons PIXMAserie med multifunksjonsprodukter gjør smart utskrift og høy kvalitet tilgjengelig for alle Pressemelding Tre nye rimelige modeller i Canons PIXMAserie med multifunksjonsprodukter gjør smart utskrift og høy kvalitet tilgjengelig for alle PIXMA MP250 PIXMA MP490 Oslo, 19. august 2009: Canon lanserer

Detaljer

Optisk lesing av en lottokupong

Optisk lesing av en lottokupong Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33506 Bildebehandling og mønstergjenkjenning Laboppgave nr 4 Optisk lesing av en lottokupong Halden 22.10.2012 17.10.12 Mindre revisjon Log

Detaljer

Bruk av vannmerke ved reproduksjon av gråtonebilder

Bruk av vannmerke ved reproduksjon av gråtonebilder Bruk av vannmerke ved reproduksjon av gråtonebilder EGIL BERNTSEN Examensarbete Stockholm, Sverige 2004 TRITA-NA-E04112 Numerisk analys och datalogi Department of Numerical Analysis KTH and Computer Science

Detaljer

Optisk lesing av en lottokupong

Optisk lesing av en lottokupong Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33506 Bildebehandling og mønstergjenkjenning Laboppgave nr 4 Optisk lesing av en lottokupong Halden 20.10.2011 17.10.11 Mindre revisjon Log

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Farger Introduksjon Processing PDF

Farger Introduksjon Processing PDF Farger Introduksjon Processing PDF Introduksjon På skolen lærer man om farger og hvordan man kan blande dem for å få andre farger. Slik er det med farger i datamaskinen også; vi blander primærfarger og

Detaljer

Heuristiske søkemetoder III

Heuristiske 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.

Detaljer

Mars Robotene (5. 7. trinn)

Mars Robotene (5. 7. trinn) Mars Robotene (5. 7. trinn) Lærerveiledning Informasjon om skoleprogrammet Gjennom dette skoleprogrammet skal elevene oppleve og trene seg på et teknologi og design prosjekt, samt få erfaring med datainnsamling.

Detaljer

Deteksjon av gravminner fra høyoppløselige satellittbilder. Deteksjon av fangstgroper. Øivind Due Trier og Arnt-Børre Salberg

Deteksjon av gravminner fra høyoppløselige satellittbilder. Deteksjon av fangstgroper. Øivind Due Trier og Arnt-Børre Salberg Deteksjon av gravminner fra høyoppløselige satellittbilder Deteksjon av fangstgroper fra lidarbilder Øivind Due Trier og Arnt-Børre Salberg CAA-Norge, 18. oktober 2010 Automatisk deteksjon av kulturminner

Detaljer

TDT4105/TDT4110 Informasjonsteknologi grunnkurs:

TDT4105/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

Detaljer

Veiledning om fargekvalitet

Veiledning om fargekvalitet Side 1 av 6 Veiledning om fargekvalitet Veiledningen om fargekvalitet hjelper brukerne med å forstå hvordan funksjoner som er tilgjengelige på skriveren, kan brukes til å justere og tilpasse fargene på

Detaljer

SCANNING OG REPARASJON AV GAMLE BILDER Jessheim bibliotek 21. august 2007. Minikurs. Adobe Photoshop Elements. v/ Randi Lersveen - Krem reklame

SCANNING OG REPARASJON AV GAMLE BILDER Jessheim bibliotek 21. august 2007. Minikurs. Adobe Photoshop Elements. v/ Randi Lersveen - Krem reklame 1 Minikurs v/ Randi Lersveen - Krem reklame Adobe Photoshop Elements Viktige begrep for digitale bilder 2 FARGER (mode) Bitmap: Grayscale: RGB-color: CMYK: Bildet inneholder kun sorte og hvite punkter

Detaljer

Kantsegmentering NTNU

Kantsegmentering NTNU Kantsegmentering Lars Aurdal Norsk regnesentral aurdal@nr.no 19. april 24 Oversikt, kantsegmentering Litt praktisk informasjon. Motivasjon. Hva er en kant i et bilde? Hva er segmentering? Hva er kantsegmentering?

Detaljer

Bilder og bildebruk. for nettsider og nettbutikker! Uni Micro Web - 6. mai 2014 BILDER OG BILDEBRUK - UNI MICRO WEB

Bilder og bildebruk. for nettsider og nettbutikker! Uni Micro Web - 6. mai 2014 BILDER OG BILDEBRUK - UNI MICRO WEB Bilder og bildebruk for nettsider og nettbutikker Uni Micro Web - 6. mai 2014 1 Innledning En nettside blir aldri bedre enn bildematerialet som fremvises En nettside består av mange bilder. Både reklamebannere,

Detaljer

Fingeravtrykk til autentisering. hvor gode er dagens løsninger?

Fingeravtrykk til autentisering. hvor gode er dagens løsninger? Fingeravtrykk til autentisering - hvor gode er dagens løsninger? Kåre Presttun kaare@mnemonic.no Agenda Autentisering og identifisering Sterk autentisering Biometriske metoder Autentisering med fingeravtrykk

Detaljer

Photoshop CC Guy M. Huste, IGM AS

Photoshop CC Guy M. Huste, IGM AS Photoshop CC Guy M. Huste, IGM AS 2 Når du skal sammenkopiere flere bilder, så må sluttresultatet se troverdig ut. Det holder ikke med å bare klippe-og-lime. Planleggingsfasen før sammenkopieringen er

Detaljer

KONTINUASJONSEKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 13. AUGUST 2008 KL. 09.00 13.00

KONTINUASJONSEKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 13. AUGUST 2008 KL. 09.00 13.00 Side 1 av 5 NTNU Norges teknisk-naturvitenskapelige universitet Fakultet for informasjonsteknologi, matematikk og elektroteknikk Institutt for datateknikk og informasjonsvitenskap KONTINUASJONSEKSAMEN

Detaljer

Matematisk Morfologi Lars Aurdal

Matematisk Morfologi Lars Aurdal Matematisk Morfologi Lars Aurdal FORSVARETS FORSKNINGSINSTITUTT Motivasjon. Plan Grunnleggende setteori. Grunnleggende operasjoner. Dilasjon. Erosjon. Sammensatte operasjoner Åpning Lukning Algoritmer.

Detaljer

Olaf Christensen 27.09.2010. Digitale Bilder

Olaf Christensen 27.09.2010. Digitale Bilder Olaf Christensen Digitale Bilder 27.09.2010 1) Vi har to måter å fremstille grafikk på. Den ene er ved hjelp av rastergrafikk (bildepunkter). Den andre er ved hjelp av vektorgrafikk (koordinater). Disse

Detaljer

Grafisk løsning av ligninger i GeoGebra

Grafisk løsning av ligninger i GeoGebra Grafisk løsning av ligninger i GeoGebra Arbeidskrav 2 Læring med digitale medier 2013 Magne Svendsen, Universitetet i Nordland Innholdsfortegnelse INNLEDNING... 3 GRAFISK LØSNING AV LIGNINGER I GEOGEBRA...

Detaljer

Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING

Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING 1 Word 1.1 Gjør ting raskt med Fortell meg det Du vil legge merke til en tekstboks på båndet i Word 2016 med teksten Fortell meg hva du vil gjøre.

Detaljer

Lokale operasjoner. Omgivelser/naboskap/vindu. Bruksområder - filtrering. INF 2310 Digital bildebehandling FILTRERING I BILDE-DOMÈNET I

Lokale operasjoner. Omgivelser/naboskap/vindu. Bruksområder - filtrering. INF 2310 Digital bildebehandling FILTRERING I BILDE-DOMÈNET I Lokale operasjoner INF 30 Digital bildebehandling FILTRERING I BILDE-DOMÈNET I Naboskaps-operasjoner Konvolusjon og korrelasjon Kant-bevarende filtre Ikke-lineære filtre GW Kap. 3.4-3.5 + Kap. 5.3 Vi skal

Detaljer

Lage nettside med squrespace

Lage nettside med squrespace Lage nettside med squrespace For å lage nettside med squarespace må du ha konto på www.squarespace.com. I browseren skriver du www.squarespace.com og oppreter en konto (hvis du ikke har en fra før): I

Detaljer

HEINE Oftalmoskop. Oftalmoskophode Beta 200S. Oftalmoskophode med bedre optikk og 74 enkle enkle dioptri steg

HEINE Oftalmoskop. Oftalmoskophode Beta 200S. Oftalmoskophode med bedre optikk og 74 enkle enkle dioptri steg HEINE Oftalmoskop Oftalmoskophode Beta 200S Oftalmoskophode med bedre optikk og 74 enkle enkle dioptri steg - Optikk montert i et presisjons instrumenthode. Slitesterk og presis. - Hode er støv og vedlikeholdsfritt.

Detaljer

Løsningsforslag til kapittel 15 Fargerom og fargebilder

Løsningsforslag 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

Detaljer

RF5100 Lineær algebra Leksjon 10

RF5100 Lineær algebra Leksjon 10 RF5100 Lineær algebra Leksjon 10 Lars Sydnes, NITH 11. november 2013 I. LITT OM LYS OG FARGER GRUNNLEGGENDE FORUTSETNINGER Vi ser objekter fordi de reflekterer lys. Lys kan betraktes som bølger / forstyrrelser

Detaljer

SymWriter: R6 Innstillinger, preferanser og verktøylinjer

SymWriter: R6 Innstillinger, preferanser og verktøylinjer SymWriter: R6 Innstillinger, preferanser og verktøylinjer Innhold R6.1 Startinnstillinger og utseende...3 R6.2 Tekst og bilder...................................................4 R6.3 Tale og staving...5

Detaljer

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATEMATIKK 8.TRINN SKOLEÅR 2015-2016

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATEMATIKK 8.TRINN SKOLEÅR 2015-2016 Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATEMATIKK 8.TRINN SKOLEÅR 2015-2016 Side 1 av 7 Periode 1: UKE 34 - UKE 37 Sammenligne og regne om mellom hele tall, desimaltall, brøker,

Detaljer

Oppgave T4 Digitale Bilder

Oppgave T4 Digitale Bilder Oppgave T4 Digitale Bilder 1) Det er i hovedsak to måter å representere digitale bilder, raster (punkter) og vektorer (linjer og flater). Redegjør for disse to typene, diskuter fordeler og ulemper. Rastergrafikk:

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Start et nytt Scratch-prosjekt. Slett kattefiguren, for eksempel ved å høyreklikke på den og velge slett.

Start et nytt Scratch-prosjekt. Slett kattefiguren, for eksempel ved å høyreklikke på den og velge slett. Norgestur Introduksjon Bli med på en rundreise i Norge! Vi skal lage et spill hvor du styrer et helikopter rundt omkring et kart over Norge, mens du prøver å raskest mulig finne steder og byer du blir

Detaljer

King Kong Erfaren Scratch PDF

King Kong Erfaren Scratch PDF King Kong Erfaren Scratch PDF Introduksjon I dette spillet inspirert av historien om King Kong, skal vi se hvor lett det er å bruke grafikk som ikke allerede ligger i Scratchbiblioteket. I spillet styrer

Detaljer

Brukerhåndbok Nokia Kart

Brukerhåndbok Nokia Kart Brukerhåndbok Nokia Kart 1.0. utgave NO Nokia Kart Nokia Kart viser deg hva som er i nærheten, veileder deg frem til bestemmelsesstedet ditt. Du kan: finne byer, gater og tjenester finne veien med detaljerte

Detaljer

Geometri Mona Røsseland Nasjonalt senter for matematikk i Opplæringen Leder i LAMIS Lærebokforfatter, MULTI Geometri i skolen Geometri etter 4.

Geometri Mona Røsseland Nasjonalt senter for matematikk i Opplæringen Leder i LAMIS Lærebokforfatter, MULTI Geometri i skolen Geometri etter 4. Geometri Mona Røsseland Nasjonalt senter for matematikk i Opplæringen Leder i LAMIS Lærebokforfatter, MULTI 15-Apr-07 Geometri i skolen dreier seg blant annet om å analysere egenskaper ved to- og tredimensjonale

Detaljer

Kan du se meg blinke? 6. 9. trinn 90 minutter

Kan du se meg blinke? 6. 9. trinn 90 minutter Lærerveiledning Passer for: Varighet: Kan du se meg blinke? 6. 9. trinn 90 minutter Kan du se meg blinke? er et skoleprogram der elevene får lage hver sin blinkende dioderefleks som de skal designe selv.

Detaljer

Matematisk morfologi III

Matematisk 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.

Detaljer

Kjørehjelperen Testdokumentasjon

Kjørehjelperen Testdokumentasjon 2013 Kjørehjelperen Testdokumentasjon Høgskolen i Oslo og Akershus Henrik Hermansen og Lars Smeby Gruppe 8 26.05.2013 Forord Dette dokumentet tar for seg to forskjellige ting. Først forklares det hvordan

Detaljer

ADJUSTMENT LAYERS & BLENDING OPTIONS CS6

ADJUSTMENT LAYERS & BLENDING OPTIONS CS6 I dette kurset skal vi lære hvordan vi kan bruke adjustment layers for å juster enten hele, eller deler av bildet vårt. Fordelen med disse adjustment layers er at vi kan finjustere dem, eller slette dem

Detaljer

Xcam våpenkamera manual

Xcam våpenkamera manual 2010 Xcam våpenkamera manual Trond Bartnes Big 5 AS, Steinkjer 06.05.2010 Innholdsfortegnelse Kapitel 1 - Beskrivelse av kameraet... 3 Kapitel 2 - Klargjøring av kameraet for bruk... 6 2.1 - Installering

Detaljer

Kanter, kanter, mange mangekanter

Kanter, kanter, mange mangekanter Kanter, kanter, mange mangekanter Nybegynner Processing PDF Introduksjon: Her skal vi se på litt mer avansert opptegning og bevegelse. Vi skal ta utgangspunkt i oppgaven om den sprettende ballen, men bytte

Detaljer

Rapport: 2.oktober 2009

Rapport: 2.oktober 2009 Rapport: 2.oktober 2009 OBLIGATORISK OPPGAVE 2 3D film 09/10 Ellen Rye Johnsen Innledning: I denne oppgaven skulle vi lage en karakter. Vi skulle også sette denne karakteren inn i en situasjon. Det vil

Detaljer

TDT4105 IT Grunnkurs Høst 2014

TDT4105 IT Grunnkurs Høst 2014 TDT4105 IT Grunnkurs Høst 2014 Norges teknisknaturvitenskapelige universitet Institutt for datateknikk og informasjonsvitenskap Øving 6 1 Teori a) Hva er 2-komplement? b) Hva er en sample innen digital

Detaljer

6.2 Signifikanstester

6.2 Signifikanstester 6.2 Signifikanstester Konfidensintervaller er nyttige når vi ønsker å estimere en populasjonsparameter Signifikanstester er nyttige dersom vi ønsker å teste en hypotese om en parameter i en populasjon

Detaljer

Bestille trykk av doktoravhandling Ordering printing of PhD Thesis

Bestille trykk av doktoravhandling Ordering printing of PhD Thesis Bestille trykk av doktoravhandling Ordering printing of PhD Thesis Brukermanual / User manual Skipnes Kommunikasjon ntnu.skipnes.no PhD Thesis NTNU LOG IN NOR: Gå inn på siden ntnu.skipnes-wtp.no, eller

Detaljer

Forskningsmetoder i informatikk

Forskningsmetoder i informatikk Forskningsmetoder i informatikk Forskning; Masteroppgave + Essay Forskning er fokus for Essay og Masteroppgave Forskning er ulike måter å vite / finne ut av noe på Forskning er å vise HVORDAN du vet/ har

Detaljer

Romlig datamanipulering

Romlig datamanipulering Romlig datamanipulering Gunnar Tenge, 18.04.08 Romlige manipuleringsteknikker brukes i GIS-analyser. I denne artikkelen forklares alle manipuleringsteknikker som man kan forvente å finne i et GIS-program.

Detaljer

Opprette et HDR bilde

Opprette et HDR bilde Opprette et HDR bilde Det er mange verktøy for å lage HDR (High Dynamic Range) bilder, Photoshop og Paint Shop Pro har begge verktøy for å gjøre dette men PhotomatixPro er mer sofistikert og resultatene

Detaljer

EN LITEN INNFØRING I USIKKERHETSANALYSE

EN LITEN INNFØRING I USIKKERHETSANALYSE EN LITEN INNFØRING I USIKKERHETSANALYSE 1. Forskjellige typer feil: a) Definisjonsusikkerhet Eksempel: Tenk deg at du skal måle lengden av et noe ullent legeme, f.eks. en sau. Botemiddel: Legg vekt på

Detaljer

Hvordan lage et sammensatt buevindu med sprosser?

Hvordan lage et sammensatt buevindu med sprosser? Hvordan lage et sammensatt buevindu med sprosser? I flere tilfeller er et vindu som ikke er standard ønskelig. I dette tilfellet skal vinduet under lages. Prinsippene er de samme for andre sammensatte

Detaljer

Fuglenebb. --------------------------------------------------------------------------------

Fuglenebb. -------------------------------------------------------------------------------- Fuglenebb. -------------------------------------------------------------------------------- For sikkerhets skyld, bør disse fresestålene BARE brukes I fresebord aldri på frihånd. For å lage stolper og

Detaljer

Teknologiske forklaringer PowerShot SX210 IS

Teknologiske forklaringer PowerShot SX210 IS Teknologiske forklaringer PowerShot SX210 IS Optisk bildestabilisator Canons meget effektive optiske bildestabilisatorteknologi forhindrer uskarphet ved å redusere virkningen av kamerarystelser. I situasjoner

Detaljer

Innhold. NOX Light. 1. Reset hull 2. Micro SD Kort plass 3. Mikrofon 4. USB inngang 5. På/Av Record Button 6. Nox Light kamera

Innhold. NOX Light. 1. Reset hull 2. Micro SD Kort plass 3. Mikrofon 4. USB inngang 5. På/Av Record Button 6. Nox Light kamera LIGHT NORSK MANUAL Innhold Nox light beskrivelse 3 Tilbehør 4 Installasjon 5 Inneholder 8 Lagring 8 Bruk 8 Dato og tid 9 PC tilkobling 11 Batteri 12 Spesifikasjoner 13 Feilmeldinger 14 NOX Light 1. Reset

Detaljer

EKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 3. JUNI 2009 KL. 09.00 13.00

EKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 3. JUNI 2009 KL. 09.00 13.00 Side 1 av 5 EKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 3. JUNI 2009 KL. 09.00 13.00 Oppgavestillere: Kvalitetskontroll: Richard Blake Jo Skjermo Torbjørn Hallgren Kontakt under eksamen: Richard Blake tlf.

Detaljer

Forstå bruk og brukere. INF 1500; introduksjon 7l design, bruk og interaksjon 5 september 2011

Forstå bruk og brukere. INF 1500; introduksjon 7l design, bruk og interaksjon 5 september 2011 Forstå bruk og brukere INF 1500; introduksjon 7l design, bruk og interaksjon 5 september 2011 Forstå bruk og brukere kapi?el 3 Hvem er brukerne? Hva er bruk? Kognisjon Kogni7ve rammeverk Hvorfor forstå

Detaljer

En samling eksempelfoto SB-900

En samling eksempelfoto SB-900 En samling eksempelfoto SB-900 Dette heftet inneholder teknikker, eksempelfoto og en oversikt over blitsmulighetene når du fotograferer med SB-900. No Velge passende belysningsmønster SB-900 inneholder

Detaljer

HVORDAN TA E-POSTMARKEDSFØRING HAKKET VIDERE? TELEMARK ONLINE - ADVANCED 10.juni 2015 ArkitektumWeb / Bodil Sandøy Tveitan www.a-web.

HVORDAN TA E-POSTMARKEDSFØRING HAKKET VIDERE? TELEMARK ONLINE - ADVANCED 10.juni 2015 ArkitektumWeb / Bodil Sandøy Tveitan www.a-web. HVORDAN TA E-POSTMARKEDSFØRING HAKKET VIDERE? TELEMARK ONLINE - ADVANCED 10.juni 2015 ArkitektumWeb / Bodil Sandøy Tveitan www.a-web.no AGENDA ADVANCED: HVA SKAL VI GJENNOM ETTER LUNSJ 1. Rask repetisjon:

Detaljer

THE WORLD IS BEAUTIFUL > TO LOOK AT. AMD (Aldersrelatert Makula Degenerasjon) En brosjyre om aldersrelatert synstap

THE WORLD IS BEAUTIFUL > TO LOOK AT. AMD (Aldersrelatert Makula Degenerasjon) En brosjyre om aldersrelatert synstap THE WORLD IS BEAUTIFUL > TO LOOK AT AMD (Aldersrelatert Makula Degenerasjon) En brosjyre om aldersrelatert synstap Det er viktig at vi passer på øynene for å beskytte synet, særlig fordi synet kan bli

Detaljer

Rapport i faget SIF 8066 - Datasyn. Segmentering av fargebilder

Rapport i faget SIF 8066 - Datasyn. Segmentering av fargebilder Rapport i faget SIF 8066 - Datasyn Segmentering av fargebilder Trondheim, 06.05.2002 Oppgavebeskrivelse Oppgaven går ut på å skrive et program som kjenner igjen og trekker ut segmenter i et fargebilde.

Detaljer

Hvorfor blir håret mørkere når det blir vått?

Hvorfor blir håret mørkere når det blir vått? Hvorfor blir håret mørkere når det blir vått? Innlevert av 7b ved Kråkstad skole (Ski, Akershus) Årets nysgjerrigper 2013 Vi ville gjerne forske på noe og hadde en idedugnad. Mange forslag kom opp, og

Detaljer

Klimatesting av massivtreelementer

Klimatesting av massivtreelementer Norsk Treteknisk Institutt 3 Klimatesting av massivtreelementer Climate testing of solid wood elements Saksbehandler: Karl Harper og Knut Magnar Sandland Finansiering: Norges forskningsråd Dato: Juni 2009

Detaljer

404 CAMCORDER VIDEOKAMERA- OG KAMERAFUNKSJONER

404 CAMCORDER VIDEOKAMERA- OG KAMERAFUNKSJONER Norsk Norwegian 404 CAMCORDER VIDEOKAMERA- OG KAMERAFUNKSJONER Tillegg til ARCHOS 404 Brukermanual Versjon 1.1 Gå til www.archos.com/manuals for å laste ned nyeste versjon av denne manualen. Denne manualen

Detaljer

Norsk (English below): Guide til anbefalt måte å printe gjennom plotter (Akropolis)

Norsk (English below): Guide til anbefalt måte å printe gjennom plotter (Akropolis) Norsk (English below): Guide til anbefalt måte å printe gjennom plotter (Akropolis) 1. Gå til print i dokumentet deres (Det anbefales å bruke InDesign til forberedning for print) 2. Velg deretter print

Detaljer

Viktige læringsaktiviteter

Viktige læringsaktiviteter Viktige læringsaktiviteter Læringsaktiviteter som dekkes av Aktiviteter Stille spørsmål. Utvikle og bruke modeller. = dekkes Planlegge og gjennomføre undersøkelser. Analysere og tolke data. Bruke matematikk,

Detaljer

Pressemelding. Oslo, 19. august 2009:

Pressemelding. Oslo, 19. august 2009: Pressemelding Canon PIXMA MP640 og PIXMA MP990 multifunksjonsprodukter med Canons intelligente utskriftsteknologi for det beste innen ytelse og brukervennlighet PIXMA MP990 PIXMA MP640 Oslo, 19. august

Detaljer

PRAKTISK FARGESTYRING

PRAKTISK FARGESTYRING PRAKTISK FARGESTYRING Rapport 2 Malin Milder Mediedesign Vår 2008 1 Praktisk fargestyring Fargestyring er et viktig aspekt når det kommer til design, og noe som alle burde benytte seg av for å få best

Detaljer

Teknologiske forklaringer LEGRIA HF R48, LEGRIA HF R46, LEGRIA HF R406 og LEGRIA HF G25

Teknologiske forklaringer LEGRIA HF R48, LEGRIA HF R46, LEGRIA HF R406 og LEGRIA HF G25 Teknologiske forklaringer LEGRIA HF R48, LEGRIA HF R46, LEGRIA HF R406 og LEGRIA HF G25 Live Streaming (LEGRIA HF R48 og LEGRIA HF46) Den nye LEGRIA HF R-serien gir deg mulighet til å streame opptak direkte

Detaljer

Arbeid mot friksjon 2 (lærerveiledning)

Arbeid mot friksjon 2 (lærerveiledning) Arbeid mot friksjon 2 (lærerveiledning) Vanskelighetsgrad: Noe vanskelig Short English summary In this exercise we shall measure the work (W) done when a constant force (F) pulls a block some distance

Detaljer

Hvorfor speiler objekter seg i vann?

Hvorfor speiler objekter seg i vann? Hvorfor speiler objekter seg i vann? Laget av klasse 7c Løkeberg Skole 2015 1 Forord Vi er klasse 7c på Løkeberg skole. Vi har fått hjelp av fire studenter fra høyskolen i Oslo, som har hatt praksisuker

Detaljer

21.09.2015. Mer enn bare et kamera (Publisert versjon, inneholder bare FFIs egne bilder.) Bilder kommer fra mange kilder

21.09.2015. Mer enn bare et kamera (Publisert versjon, inneholder bare FFIs egne bilder.) Bilder kommer fra mange kilder Bilder kommer fra mange kilder Mer enn bare et kamera (Publisert versjon, inneholder bare FFIs egne bilder.) Torbjørn Skauli og Trym Haavardsholm Optisk avbildning - et felt i forandring Hva kan et kamera

Detaljer

Områder Kompetansemål Operasjonaliserte læringsmål Tema/opplegg (eksempler, forslag), ikke obligatorisk Tall og algebra

Områder Kompetansemål Operasjonaliserte læringsmål Tema/opplegg (eksempler, forslag), ikke obligatorisk Tall og algebra FAGPLANER Breidablikk ungdomsskole FAG: Matte TRINN: 9.trinn Områder Kompetansemål Operasjonaliserte læringsmål Tema/opplegg (eksempler, forslag), ikke obligatorisk Tall og algebra Eleven skal kunne -

Detaljer

BIBSYS Brukermøte 2011 Live Rasmussen og Andreas Christensen. Alt på et brett? -om pensum på ipad og lesebrett

BIBSYS Brukermøte 2011 Live Rasmussen og Andreas Christensen. Alt på et brett? -om pensum på ipad og lesebrett BIBSYS Brukermøte 2011 Live Rasmussen og Andreas Christensen Alt på et brett? -om pensum på ipad og lesebrett Prosjektet epensum på lesebrett Vi ønsker å: Studere bruk av digitalt pensum i studiesituasjonen.

Detaljer

HØGSKOLEN I BERGEN Avdeling for ingeniørutdanning

HØGSKOLEN I BERGEN Avdeling for ingeniørutdanning HØGSKOLEN I BERGEN Avdeling for ingeniørutdanning Eksamen i SOD 165 Grafiske metoder Klasse : 3D Dato : 15. august 2000 Antall oppgaver : 4 Antall sider : 4 Vedlegg : Utdrag fra OpenGL Reference Manual

Detaljer

Kjenn din PC (Windows vista)

Kjenn din PC (Windows vista) Kjenn din PC (Windows vista) Jeg har en Dell studio XPS 1640 Gå Inn på kontrollpanel Her velger dere først System and Maintenance og deretter System (System) 1. Prosessor: Intel Core 2 Duo P8600 prosessor

Detaljer

Inf109 Programmering for realister Uke 5. I denne leksjonen skal vi se på hvordan vi kan lage våre egne vinduer og hvordan vi bruker disse.

Inf109 Programmering for realister Uke 5. I denne leksjonen skal vi se på hvordan vi kan lage våre egne vinduer og hvordan vi bruker disse. Inf109 Programmering for realister Uke 5 I denne leksjonen skal vi se på hvordan vi kan lage våre egne vinduer og hvordan vi bruker disse. Før du starter må du kopiere filen graphics.py fra http://www.ii.uib.no/~matthew/inf1092014

Detaljer

Tiltak/aktivitet Når Ansvarlig Deltakere/målgrup pe. 2012 Høst Rektor / prosjektgruppe. 2012 Høst Rektor /

Tiltak/aktivitet Når Ansvarlig Deltakere/målgrup pe. 2012 Høst Rektor / prosjektgruppe. 2012 Høst Rektor / Delmål for lærerne Tiltak/aktivitet Når Ansvarlig Deltakere/målgrup pe Lærerne har innsikt i de forskjellige fasene av informasjonsku nnskap. Avsatt tid til lesing av faglitteratur med påfølgende gruppearbeid/

Detaljer

Årsstudium i statsvitenskap

Årsstudium i statsvitenskap Årsstudium i statsvitenskap Studienavn Årsstudium i statsvitenskap 60 Varighet 1 år Organisering Nettstudier Hensikten med studiet er å gi grunnleggende kunnskap om og forståelse av politiske og administrative

Detaljer

IKT utvikling i samfunnet.

IKT utvikling i samfunnet. IKT utvikling i samfunnet. Hvordan påvirkes de med lav IKT-kunnskaper, av dagens IKT-bruk i samfunnet. Og hvordan påvirker det folk med lave IKT-kunnskaper av dagens utvikling av datasystemer? Forord Abstrakt

Detaljer

Steg 1: Installasjon. Steg 2: Installasjon av programvare. ved nettverkstilkoblingen på baksiden av kameraet. Kameraet vil rotere og tilte automatisk.

Steg 1: Installasjon. Steg 2: Installasjon av programvare. ved nettverkstilkoblingen på baksiden av kameraet. Kameraet vil rotere og tilte automatisk. Innhold Steg 1: Installasjon... 3 Steg 2: Installasjon av programvare... 3 Steg 3. Oppsett av wifi, email varsling og alarm... 5 Steg 4: Installasjon og oppsett av mobil app... 8 Steg 5: Installasjon og

Detaljer

Evaluering av LP-modellen med hensyn til barns utvikling og læring i daginstitusjonene

Evaluering av LP-modellen med hensyn til barns utvikling og læring i daginstitusjonene Evaluering av LP-modellen med hensyn til barns utvikling og læring i daginstitusjonene Ratib Lekhal Høgskolen i Hedmark, Senter for praksisrettet utdanningsforskning (SePU) Epost: Ratib.Lekhal@hihm.no

Detaljer

Teknologiske forklaringer PowerShot G1 X Mark II, PowerShot SX700 HS, IXUS 155 og PowerShot D30

Teknologiske forklaringer PowerShot G1 X Mark II, PowerShot SX700 HS, IXUS 155 og PowerShot D30 Teknologiske forklaringer PowerShot G1 X Mark II, PowerShot SX700 HS, IXUS 155 og PowerShot D30 Dette dokumentet forklarer nye teknologier som ikke er å finne i tidligere modeller. Stor sensor med høy

Detaljer

Oversikt. Miljøovervåkning av havet Hvordan lære datamaskinen å se oljesøl. Bakgrunn - oljesøl. Eksempler på radarbilder

Oversikt. Miljøovervåkning av havet Hvordan lære datamaskinen å se oljesøl. Bakgrunn - oljesøl. Eksempler på radarbilder Oversikt Miljøovervåkning av havet Hvordan lære datamaskinen å se oljesøl Anne H. Schistad Solberg Insitutt for informatikk, Universitetet i Oslo E-mail: anne@ifi.uio.no Radaravbildning Eksempler på radarbilder

Detaljer

Testrapport. Aker Surveillance. Gruppe 26. Hovedprosjekt ved Høgskolen i Oslo og Akershus. Oslo, 24.5.2013. Public 2013 Aker Solutions Page 1 of 5

Testrapport. Aker Surveillance. Gruppe 26. Hovedprosjekt ved Høgskolen i Oslo og Akershus. Oslo, 24.5.2013. Public 2013 Aker Solutions Page 1 of 5 Testrapport Aker Surveillance Gruppe 26 Hovedprosjekt ved Høgskolen i Oslo og Akershus Oslo, 24.5.2013 Public 2013 Aker Solutions Page 1 of 5 Innledning I denne rapporten vil vi skrive om testingen som

Detaljer

Vetenskapliga teorier och beprövad erfarenhet

Vetenskapliga teorier och beprövad erfarenhet Vetenskapliga teorier och beprövad erfarenhet Pixel er forskningsbasert på flere nivåer. En omfattende beskrivelse av vårt syn på matematikk, læring og undervisning finnes i boken "Tal och Tanke" skrevet

Detaljer

Bedre vurderingspraksis. Utprøving av kjennetegn på måloppnåelse i fag. Slik jobber vi i Tana (Seida og Austertana)

Bedre vurderingspraksis. Utprøving av kjennetegn på måloppnåelse i fag. Slik jobber vi i Tana (Seida og Austertana) Bedre vurderingspraksis Utprøving av kjennetegn på måloppnåelse i fag. Slik jobber vi i Tana (Seida og Austertana) Bedre vurderingspraksis Prosjekt Bedre vurderingspraksis skal arbeide for å få en tydeligere

Detaljer

Kommentarer til boka Regneark for barnetrinnet 1

Kommentarer til boka Regneark for barnetrinnet 1 Kommentarer til boka Regneark for barnetrinnet (Ideen er den samme, men skjermbildene noe forskjellige i ulike versjoner av Excel) Arket Om regneark Endre cellebredden Plasser markøren midt mellom to kolonner.

Detaljer

Rens huden godt og påfør en god ansiktskrem før du starter. Er du plaget med tørr hud rundt øynene er det lurt å bruke en øyekrem, så unngår man

Rens huden godt og påfør en god ansiktskrem før du starter. Er du plaget med tørr hud rundt øynene er det lurt å bruke en øyekrem, så unngår man Ah, sminke, sminke, sminke! Tenk hvordan livet hadde vært uten. Man kunne sovet lengre om morgonen, tiden på badet før festligheter hadde blitt kraftig redusert, og ingen sminkeflekker på klærne. Men ville

Detaljer

ENKEL BILDEBEHANDLING MED ADOBE PHOTOSHOP CS3

ENKEL BILDEBEHANDLING MED ADOBE PHOTOSHOP CS3 VÅR 2011 TRYKK OG FOTO ENKEL BILDEBEHANDLING MED ADOBE PHOTOSHOP CS3 Røyken videregående skole Ingrid Østenstad ENKEL BILDEBEHANDLING MED ADOBE PHOTOSHOP CS3 EXTENDED Først må du laste opp bildene fra

Detaljer

Geometra. Brukermanual. Telefon: 64831920

Geometra. Brukermanual. Telefon: 64831920 Geometra Brukermanual Telefon: 64831920 Innhold GENERELT...3 Hva er Geometra?...3 Om PDF tegninger...3 KOM I GANG!...5 Start programvaren og logg inn...5 Grunnleggende funksjoner:...6 Lag et prosjekt,

Detaljer

Kjennetegn på måloppnåelse TALL OG ALGEBRA. Kunne plassverdisystemet for hele- og desimaltall

Kjennetegn på måloppnåelse TALL OG ALGEBRA. Kunne plassverdisystemet for hele- og desimaltall MATEMATIKK 6.trinn KOMPETANSEMÅL Mål for opplæringen er at eleven skal kunne: VURDERINGSKRITERIER Kjennetegn på måloppnåelse TALL OG ALGEBRA Elevene skal: Beskrive og bruke plassverdisystemet for desimaltall.

Detaljer

Utfordringer knyttet til statistisk analyse av komposittdata

Utfordringer knyttet til statistisk analyse av komposittdata ISSN 1893-1170 (online utgave) ISSN 1893-1057 (trykt utgave) www.norskbergforening.no/mineralproduksjon Notat Utfordringer knyttet til statistisk analyse av komposittdata Steinar Løve Ellefmo 1,* 1 Institutt

Detaljer