Idag. Hvis bildet f(x,y) er reelt og symmetrisk, vil Fourier transformen bestå av reelle koeffisienter korresponderende til cosinus leddene.
|
|
- Cecilie Hanssen
- 7 år siden
- Visninger:
Transkript
1 Slide Slide Idag Cosinus transform Cosinus transform Sinus transform Hvis bildet f(,y) er reelt og symmetrisk, vil Fourier transformen bestå av reelle koeffisienter korresponderende til cosinus leddene. Hartley transform Vi kan konstruere symmetri i bildet (like symmetri eller odde symmetri). Hadamard transform Haar transform Karhunen-Loeve transform (egenvektortransform, PCA) Cosinus- og sinus-transformene tilsvarer ikke cosinus- og sinus-delen av Fourier. Slide 3 Like symmetri f(, y), 0, y 0 f(, y), < 0, y 0 f s (, y) = f(, y), 0, y < 0 f(, y), < 0, y < 0 f s (, y) er symmetrisk om =, y = Ingen skarpe kanter F s (u, v) = f(, y) cos( πu (+ )) cos(πv (y+ )) =0 y=0 F s (u, v) kan også uttrykkes direkte fra FT til f(, y). Definisjon av cosinus transform, like symmetri C(u, v) = C(u)C(v) )) =0 y=0 der C(0) = og C(w) = ellers. Slide 4 f(, y) cos( πu (+ )) cos(πv (y+ Definisjon av invers cosinus transform, like symm. f(, y) = g(, y) der g(, y) er lik: u=0 v=0 )) C(u)C(v)C(u, v) cos( πu (+ )) cos(πv (y+
2 Slide 5 Slide 6 Odde symmetri f(, y), 0, y 0 f(, y), < 0, y 0 f s (, y) = f(, y), 0, y < 0 f(, y), < 0, y < 0 Fordeler DCT Reelle verdier FT til f s (, y) er: F s (u, v) = f s (, y)e πi (u+vy) = + y= + = 4 fs (, y) = =0 y=0 fs (, y) cos( πu πvy ) cos( ) 4 f(, y), = 0, y = 0 f(, y), = 0, y 0 f(, y), 0, y = 0 f(, y), 0, y 0 slipper mye av kantproblemene vi hadde i FT Rimelig rask algoritme FDCT O( log ) DCT kan beregnes vha FFT God energi-kompaktering for korrelert data DCT benyttes ofte i kompresjons sammenheng. Sinus transform Slide 7 forts. Sinus transform Slide 8 Rask algoritme introdusert av Jain som en erstatning for Karhunen-Loeve transform. Kan beregne Sinus transform vha. transform Fourier D basisfunksjoner A(u, ) = + D Sinus transform S(u, v) = + + )(u + )π sin[( ] + g(, y) y Flytter bildet opp ett piksel i og y retning. ullutvider bildet til (+)*(+). Utfører vanlig FFT på det utvidete bildet. g(, y) = f(, y) sin[ ( + )(u + )π (y + )(v + )π ] sin[ ] + + Den inverse transformen er identisk med forlengs transformen.
3 Slide 9 Slide 0 Fordeler DST Hartley transform Reelle koeffisienter. DST kan beregnes vha FFT Bracewell har introdusert en diskret reell transform som en erstatning for FT. Kalles Hartley fordi Hartley introduserte metoden for kontinuerlige signaler. Rask algoritme O( log ) God energi-kompaktering Forlengs transform H(u, v) = f(, y)cas( π (u + vy)) y DST er mindre i bruk enn DCT og FFT. Baklengs transform f(, y) = H(u, v)cas( π (u + vy)) u v der cas(θ) = cos(θ) + sin(θ) Slide Slide Relationship between Hartley and Fourier D: H(u) = f()cas( π u) Split H(u) into odd and even parts: Even (symmetric): E(u) = Odd (antisymmetric): O(u) = H(u) + H( u) H(u) H( u) (= H(u) E(u)) H(u) = E(u) + O(u) H(u) + H( u) E(u) = = f()cas( π u) + = sin( π u)] = O(u) = f()cas( π u) f()[cos( π u)+sin(π u)+cos(π u) f()cos( π u) (cosinus transform) H(u) H( u) = sin( π u) Fourier transform: F (u) = f()(cos( π u) isin(π u))) = E(u) io(u) = Re(F (u)) + iim(f(u)) which means that Re(F (u)) = E(u) and Im(F (u)) = O(u)
4 Slide 3 Spectrum: F (u) = Re(F (u)) + Im(F (u)) = E(u) + O(u) = H (u) + H ( u) Im(F (u)) Phase: arctan{ Re(f(u)) } = arctan{ O(u) E(u) } Egenskaper Hartley transform cas er en ortogonal funksjon. reell aritmetikk Hartley transf. gir ekvivalente egenskaper som Fourier. Eks. Gj.sn. : f(, y) = F (0, 0) = HT (0, 0) Effekt : P (f(, y)) = R F (u, v)+i F (u, v) = H (u, v) + H ( u, v) Konv. : f (, y) f (, y) = F (u, v) F (u, v) = [H (u, v) H (u, v) H ( u, v) H ( u, v) +H (u, v) H ( u, v)+h ( u, v) H (u, v)] Valg mellom Hartley og Fourier er som regel basert på effektivitet. Effektivitet avhenger av maskin type. Slide 4 Slide 5 Hadamard Transform (HT) Hadamard matrise Hadamard transform er basert på Hadamard matrisen, H H er en kvadratisk matrise som består av + og - Radene og kolonnene i H er ortogonale En normalisert H tilfredsstiller HH T = I H = [ ] H 4 = Hvis vi har en matrise H med str.( ) der = n, kan vi konstruere: H = [ H H H H ]
5 Slide 6 Slide 7 Sekvens-egenskap til en matrise Forts. Hadamard transform Harmuth har foreslått en frekvens tolkning av H matrisen. Sekvens Sekvensen til en rad i matrisen, er antall fortegnsskift langs raden dividert med. Sekvens-egenskap En -matrise har sekvens-egenskap når radene er sortert slik at økende radnummer gir økt sekvens (antall fortegns-skift øker fra 0 til ). Vi kan se på radene i matrisen som rektangulœre bølger. Hadamard matrisen dekomponerer en funksjon vha. et sett av rektangulære basis-funksjoner. For symmetriske Hadamard matriser av orden = n, kan den to dimensjonale Hadamard transform skrives som: H(u, v) = f(, y)( ) p(,y,u,v) y n p(, y, u, v) = (u i i + v i y i ) i=0 der i, y i, u i, v i er bit tilstanden av binær representasjonen av hhv., y, u og v. Eks. u=3 gir binær tallet 0 Den inverse transform-kjernen er identisk med den forlengse transform-kjernen. Ordnet Hadamard transform Slide 8 Egenskaper til Hadamard transform Slide 9 Hvis Hadamard-matrisen er ordnet (tilfredsstiller sekvens-egenskapen), kan transformen skrives som: H(u, v) = f(, y)( ) q(,y,u,v) y n q(, y, u, v) = [g i (u) i + g i (v)y i ] i=0 g 0 (u) = u n g (u) = u n + u n g (u) = u n + u n 3 g n (u) = u + u 0 H er reell, symmetrisk og ortogonal (identisk forlengs og invers transform) Enkle basis-funksjoner Rask algoritme O( log ), raskere enn FFT. Ingen enkel forståelse av det transformerte bildet (Sekvens øker som en funksjon av u og v). Dekomposisjon av bildet, basert på funksjoner som er + og i steden for de mer komplekse sinus og cosinus funksjonene som benyttes i FT.
6 Slide 0 Slide Haar transform Forts. Haar transform Haar transform utledes fra Haar matrisen. Hr(u, v) = f(, y)hr(, y; u, v) y Hr(, y; u, v) = h u ()h v (y) der h u () og h v (y) er Haar funksjoner. u og v kan deles inn i heltallene p og q ved: u = p + q der q { 0,, p = 0 q p, p 0 Haar funksjonen er gitt ved: h 0 () = h 0,0 () = h u () = h p,q () = p/, p/, q p < q / p q / p < q p 0, ellers [0, ] Rad k i Haar matrisen Hr dannes fra h k () for = 0/, /, /,..., /. Eks. for = u (p, q) h u (0) h u (/) 0 0, 0 0, p kan sees på som en frekvens-indeks og q som posisjons-indeks i bildet. Hr = Forts. Haar transform Slide Egenskaper ved Haar transform Slide 3 Basis-funksjonene måler gråtone differansen mellom to nabopiksler eller mellom to nabo områder. Haar transform gir et transformert bilde der en type differensial-energi er konsentrert i lokal regioner (trekker ut kanter). Haar transform kan sees på som en samplingsprosess der rader i Hr matrisen sampler input bildet med finere og finere oppløsning. Hr er reell og ortogonal Enkle basis-funksjoner Raskeste av de nevnte unitære transformene O( ) Gir retning og frekvens informasjon Gir lokal og global informasjon Har dårlig energi kompaktering for bilder Bruksmuligheter lite utforsket. Blab har sett på Haar transform som tekstur operator Andre mulige bruksområder er koding og kantdeteksjon
7 Slide 4 Slide 5 Kap. 8.5 Karhunen-Loeve transform Forts. Karhunen-Loeve transform (Hotelling, egenvektor-transform eller PCA) Basert på statistiske egenskaper ved vektor representasjoner. K-L transformerer et bilde til et sett med ukorrelert koeffisienter. K-L minimaliserer rms-feilen. Anta en populasjon av tilfeldige vektorer med gjennomsnitt m og kovarians matrise C Finn et sett med n ortonormale egenvektorer e i (C e i = λ i e i ) med tilhørende egenverdier λ i (det(λi C ) = 0) Sorter egenvektorene etter synkende egenverdi (λ i λ i+ ) Ordnede egenvektorer danner matrisen A Fordi C er reell og symmetrisk, kan vi alltid finne et sett av n ortonormale e i forts. Karhunen-Loeve transform To versjoner av K-L. y = A, = A T y y = A( m ), = A T y + m Egenskap til kovarians matrisen til y C y = AC A T C y = λ 0 λ λ 3 0 λ 4 Slide 6 Eksempler på K-L transform Eample - Feature selection Slide 7 Consider a hyperspectral satellite image with a high number of spectral bands. The different band of the image represent energy measured in different parts of the electromagnetic spectrum. The different bands are often correlated. Problem: We want to etract the spectral band with containing most information. DVS. ull korrelasjon mellom y-koeffisientene og størst varians i første element.
8 Slide 8 Slide 9 Kompresjon av et flerbånds bilde vha K-L Foreta K-L transform, y = A( m ) Behold de båndene som korresponderer til høye egenverdier. Foreta invers K-L transform, ˆ = A T K y + m ms feilen mellom og ˆ er gitt ved Markov prosess I en p te ordens Markov prosess påvirker p tidligere tilstander nåværende tilstand.. ordens Markov prosess kan vi skrive p(f(n) f(n )) DVS det er kun tilstanden rett før som påvirker tilstanden nå. n K n e MS = λ i λ i = λ i i= i= i=k+ Dvs. ms feilen er lik summen av de egenverdiene som ikke taes med, og vi har garantert tatt med de største egenverdiene og utelatt de minste. K-L er derfor optimal mhp. å minimalisere rms feilen. Spesial tilfelle av K-L Slide 30 Egenskaper til K-L Slide 3 Hvis C er separabel blir K-L separabel. Hvis C er separabel og bildet kan sees på som en. ordens Markov prosess, kan basisfunksjonene uttrykkes eksplisitt. Reelle verdier Dekorrelerende egenskap Optimal energikompaktering mhp rms feil Ingen rask algoritme Regnekrevende Det transformerte bildet er invariant for rotasjon
9 Slide 3 Choosing the transform DFT DCT DST Hadamard: Haar: Slant: K-L: Use for frequency analysis and filtering. Recommended for coding when the data have to pass through the Fourier domain. Best choice for compression. Very good (close to KL) for correlated data. For fast K-L for special processes. Useful for coding only for small block sizes (44). Simple implementation. ot frequently used. Perhaps suited for feature etraction. Emphasizes high spatial frequencies (local differences in grey level). Poor compression. ot frequently used. Best among the nonsinusoidal fast transform for coding. ot frequently used. Coding: optimum in the ms sense. Difficult to implement, DCT preferable. Good for feature selection of multivariate data. Often used in statistical data analysis.
Fourier-Transformasjoner IV
Fourier-Transformasjoner IV Lars Vidar Magnusson March 1, 2017 Delkapittel 4.6 Some Properties of the 2-D Discrete Fourier Transform Forholdet Mellom Spatial- og Frekvens-Intervallene Et digitalt bilde
DetaljerIntroduksjon. «Diskret» sinus/cosinus i 1D. Funksjonen sin(θ) INF april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4
Introduksjon INF 2310 13. april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4 Fourier: Vi kan uttrykke ethvert bilde som en vektet sum av sinus- og cosinus-signaler med ulik frekvens og orientering
DetaljerINF mars 2017 Fourier I -- En litt annen vinkling på stoffet i kapittel 4
INF 2310 22. mars 2017 Fourier I -- En litt annen vinkling på stoffet i kapittel 4 I dag: Sinus-funksjoner i 1D og 2D 2D diskret Fouriertransform (DFT) Mandag 27. mars: Supplementsforelesning holdt av
DetaljerBasisbilder - cosinus. Alternativ basis. Repetisjon Basis-bilder. INF april 2010 Fouriertransform del II. cos( )
INF 30 0. april 00 Fouriertransform del II Kjapp repetisjon Bruk av vinduer Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet Eksempel: 3 5 4 5 3 4 3 6 Repetisjon Basis-bilder Sort er 0, hvit
Detaljersin(2 ui/n) starter på 0 og repeteres u ganger per N samples. cos(2 ui/n) starter på 1 og repeteres u ganger per N samples
0700 Foreløbig versjon! INF 0 mars 07 Fourier I -- En litt annen vinkling på stoffet i kapittel I dag: Sinus-funksjoner i D og D D diskret Fouriertransform (DFT) Introduksjon I/II Et gråtonebilde Typisk
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
Detaljer16 Ortogonal diagonalisering
Ortogonal diagonalisering Ortogonale matriser Definisjon (Def 7) En n n matrise A kalles ortogonal dersom den er invertibel og A A T Denne betingelsen er ekvivalent til at der I n er n n identitesmatrisen
Detaljer( x+ π 2) Bakgrunn: Sinus og cosinus. Bakgrunn: Samplet sinus i 1D. Bakgrunn: Samplet sinus i 2D. Bakgrunn: Sinus i 2D. sin( x)=cos.
Bakgrunn: Samplet sinus i 1D Bakgrunn: Sinus og cosinus En generell samplet sinusfunksjon kan skrives som: y(t) = A sin(2πut/n + φ) t : tid; 0, 1,..., N-1 A : amplitude u : antall hele perioder* N : antall
DetaljerMIK 200 Anvendt signalbehandling, 2012. Prosjekt 2, Diskret kosinus-transformasjon.
Stavanger, 25. januar 2012 Det teknisknaturvitenskapelige fakultet MIK 200 Anvendt signalbehandling, 2012. Prosjekt 2, Diskret kosinus-transformasjon. Vi skal i dette miniprosjektet se litt på bruk av
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
DetaljerDagens temaer. Definisjon av z-transformasjonen. Tema. Time 5: z-transformasjon og frekvens transformasjon. Fra forrige gang
Dagens temaer Time 5: z-transformasjon og frekvens transformasjon Andreas Austeng@ifi.uio.no, NF3470 fi/uio September 2009 Fra forrige gang Kausalitet, stabilitet og inverse systemer Z 1 { }: nvers z-transformasjon
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
DetaljerKap. 6 Ortogonalitet og minste kvadraters problemer
Kap. 6 Ortogonalitet og minste kvadraters problemer vanlig indreprodukt (prikkprod.) i IR n, egenskaper. ortogonalitet i IR n Pythagoras teorem: u og v i IR n er ortogonale hvis og bare hvis u + v 2 =
DetaljerTMA Matlab Oppgavesett 2
TMA4123 - Matlab Oppgavesett 2 18.02.2013 1 Fast Fourier Transform En matematisk observasjon er at data er tall, og ofte opptrer med en implisitt rekkefølge, enten i rom eller tid. Da er det naturlig å
DetaljerVi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på
Kap. 7 Innledning Vi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på Symmetriske matriser. Disse matrisene har uvanlig pene egenskaper mht. diagonalisering. Kvadratiske
Detaljerf(t) F( ) f(t) F( ) f(t) F( )
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK Oppgave SIG4045 Geofysisk Signalanalyse Lsningsforslag ving 3 a) ' xy (t) = x()y(t + )d : La oss, for
DetaljerUke 6: Analyse i frekvensdomenet
Uke 6: Analyse i frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/26 Dagens temaer Fra forrige gang Frekvensrespons funksjonen Fourier rekker og
DetaljerDagens temaer. Endelig lengde data. Tema. Time 11: Diskret Fourier Transform, del 2. Spektral glatting pga endelig lengde data.
Dagens temaer Time : Diskret Fourier Transform, del Andreas Austeng@ifi.uio.no, INF37 Institutt for informatikk, Universitetet i Oslo Spektral glatting pga endelig lengde data Bruk av en Frekvensestimering
DetaljerINF5820 Natural Language Processing - NLP. H2009 Jan Tore Lønning
INF5820 Natural Language Processing - NLP H2009 jtl@ifi.uio.no HMM Tagging INF5830 Lecture 3 Sep. 7 2009 Today More simple statistics, J&M sec 4.2: Product rule, Chain rule Notation, Stochastic variable
DetaljerUke 10: Diskret Fourier Transform, II
Uke 10: Diskret Fourier Transform, II Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 011 /38 Dagens temaer Spektral glatting pga endelig lengde data Bruk av DFT en
DetaljerFourier-Transformasjoner
Fourier-Transformasjoner Lars Vidar Magnusson February 5, 2018 Delkapittel 4.1 Background Delkapittel 4.2 Preliminary Concepts Delkapittel 4.3 Sampling and the Fourier Transform of Sampled Functions Delkapittel
DetaljerKonvolusjon og filtrering og frevensanalyse av signaler
Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33505 Bildebehandling og mønstergjenkjenning Laboppgave nr 2 Konvolusjon og filtrering og frevensanalyse av signaler Sarpsborg 21.01.2005 20.01.05
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 2. juni 2010 Tid for eksamen : 09:00 12:00 Oppgavesettet er på : XXX sider
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
DetaljerFourier-Transformasjoner
Fourier-Transformasjoner Lars Vidar Magnusson February 21, 2017 Delkapittel 4.1 Background Delkapittel 4.2 Preliminary Concepts Fourier Fourier var en fransk matematiker/fysiker som levde på 1700/1800-tallet.
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 13: Funksjoner Roger Antonsen Institutt for informatikk, Universitetet i Oslo 4. mars 2009 (Sist oppdatert: 2009-03-06 18:57) Kapittel 6: Funksjoner MAT1030 Diskret
DetaljerEksamensoppgave i TMA4110/TMA4115 Calculus 3
Institutt for matematiske fag Eksamensoppgave i TMA4110/TMA4115 Calculus 3 Faglig kontakt under eksamen: Markus Szymik Tlf: 411 16 793 Eksamensdato: August 2018 Eksamenstid (fra til): 09:00 13:00 Hjelpemiddelkode/Tillatte
DetaljerINF mars 2017 Diskret Fouriertransform del II
INF230 29. mars 207 Diskret Fouriertransform del II Kjapp repetisjon Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet Bruk av vinduer 207.03.29 INF230 / 40 Repetisjon Basis-bilder Sort er 0,
Detaljer6.4 Gram-Schmidt prosessen
6.4 Gram-Schmidt prosessen La W {0} være et endeligdimensjonalt underrom av R n. (Senere skal vi mer generelt betrakte indreprodukt rom; se seksjon 6.7). Vi skal se hvordan vi kan starte med en vanlig
DetaljerUtkast med løsningshint inkludert UNIVERSITETET I OSLO
Utkast med løsningshint inkludert UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 2. juni 2010 Tid for eksamen : 09:00
DetaljerMAT-INF 2360: Obligatorisk oppgave 1
6. februar, MAT-INF 36: Obligatorisk oppgave Oppgave I denne oppgaven skal vi sammenligne effektiviteten av FFT-algoritmen med en mer rett frem algoritme for DFT. Deloppgave a Lag en funksjon y=dftimpl(x)
DetaljerBasisbilder - cosinus v Bildene
Repetisjon Basis-bilder 737 Midlertidig versjon! INF 3 9 mars 7 Diskret Fouriertransform del II Ortogonal basis for alle 4x4 gråtonebilder Kjapp repetisjon Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet
DetaljerAnalyse og metodikk i Calculus 1
Analyse og metodikk i Calculus 1 Fredrik Göthner og Raymi Eldby Norges teknisk-naturvitenskapelige universitet 3. desember 01 1 Innhold Forord 3 1 Vurdering av grafer og funksjoner 4 1.1 Hva er en funksjon?.........................
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
DetaljerLøsningsforslag til underveiseksamen i MAT 1100
Løsningsforslag til underveiseksamen i MAT 00 Dato: Tirsdag /0, 00 Tid: Kl. 9.00-.00 Vedlegg: Formelsamling Tillatte hjelpemidler: Ingen Oppgavesettet er på sider Eksamen består av 0 spørsmål. De 0 første
Detaljer5.6 Diskrete dynamiske systemer
5.6 Diskrete dynamiske systemer Egenverdier/egenvektorer er viktige for å analysere systemer av typen x k+1 = A x k, k 0, der A er en kvadratisk diagonaliserbar matrise. Tenker her at x k angir systemets
DetaljerEksempel 1. Frekvensene i DFT. Forelesning 13. mai På samme måte har vi at. I et eksempel fra forrige uke brukte vi sekvensen
Frekvensene i DFT Forelesning 3. mai 4 Pensum i boken: fra 3-5.3 til 3-8.4, samt 3-9. Delkapitlene 3-8.5, 3-8.6 og 3-8.7 er nyttig selvstudium. Oversikt Spektralanalyse av signaler med endelig lengde Spektralanalyse
DetaljerNORMALFORDELINGER, KOVARIANSMATRISER OG ELLIPSOIDER
NORMALFORDELINGER, KOVARIANSMATRISER OG ELLIPSOIDER SIE 3080 STOKASTISKE OG ADAPTIVE SYSTEMER Oddvar Hallingstad 0. februar 00 Vi skal her utlede noen nyttige formler for arbeidet med kovariansmatriser
DetaljerMatematikk 15 V-2008
Matematikk 5 V-008 Løsningsforslag til øving 9 OPPGVE Husk at N = {alle naturlige tall} = {0,,,,... }, Z = {alle heltall} = {...,,, 0,,,,... }, R = {alle reelle tall} og = {alle komplekse tall} = { z :
DetaljerA taxonomy of texture models
INF 5300 - Lecture 22.3.2004 Texture based on filtering Based on: M. Tuceryan and A. Jain, Texture analysis, in Handbook of Pattern Recognition and Computer Vision, C. Chen, L. Pau, W. Wang (editors) T.
DetaljerKap. 7 Symmetriske matriser og kvadratiske former
Kap. 7 Symmetriske matriser og kvadratiske former Vi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på symmetriske matriser som har uvanlig pene egenskaper mht. diagonalisering.
DetaljerUtfordringer 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
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
DetaljerKorteste vei problemet (seksjon 15.3)
Korteste vei problemet (seksjon 15.3) Skal studere et grunnleggende kombinatorisk problem, men først: En (rettet) vandring i en rettet graf D = (V, E) er en følge P = (v 0, e 1, v 1, e 2,..., e k, v k
DetaljerMAT1030 Forelesning 13
MAT1030 Forelesning 13 Funksjoner Roger Antonsen - 4. mars 2009 (Sist oppdatert: 2009-03-06 18:57) Kapittel 6: Funksjoner Opphenting Forrige forelesning snakket vi veldig grundig om relasjoner Vi snakket
DetaljerFilter-egenskaper INF Fritz Albregtsen
Filter-egenskaper INF 60-04.03.2002 Fritz Albregtsen Tema: Naboskaps-operasjoner Del 2: - Lineær filtrering - Gradient-detektorer - Laplace-operatorer Linearitet H [af (x, y) + bf 2 (x, y)] ah [f (x, y)]
DetaljerIntroduksjon/motivasjon I. FOURIER-TRANSFORM I Ole Marius Hoel Rindal, foiler av Andreas Kleppe. Introduksjon/motivasjon II. Bakgrunn: Frekvens
Introduksjon/motivasjon I INF2310 Digital bildebehandling FORELESNING 8 FOURIER-TRANSFORM I Ole Marius Hoel Rindal, foiler av Andreas Kleppe I dag: Grunnlaget Grunnlaget og intuisjonen i Fourier-analyse
Detaljer= 3 11 = = 6 4 = 1.
MAT3000/4000 Eksamen V3 Løsningsforslag Oppgave [0 poeng] Sjekk at 3 er en kvadratisk rest i Z/(3) og finn løsningene av likningen x = 3 i Z/(3) (uten å lage en tabell for x ) Du får lov til å bruke at
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
DetaljerKapittel 6: Funksjoner
MAT1030 Diskret Matematikk Forelesning 13: Funksjoner Dag Normann Matematisk Institutt, Universitetet i Oslo Kapittel 6: Funksjoner 2. mars 2010 (Sist oppdatert: 2010-03-02 14:14) MAT1030 Diskret Matematikk
DetaljerTMA4110 Eksamen høsten 2018 EKSEMPEL 1 Løsning Side 1 av 8. Løsningsforslag. Vi setter opp totalmatrisen og gausseliminerer: x 1 7x 4 = 0
TMA4 Eksamen høsten 28 EKSEMPEL Løsning Side av 8 Løsningsforslag Oppgave Vi setter opp totalmatrisen og gausseliminerer: 2 2 2 4 2 6 2 4 2 6 2 2 Dette gir likningene og 2 2 4 2 6 7 2. x 7x 4 = x 2 + 2x
Detaljer'HQ GLVNUHWH )RXULHU-WUDQVIRUPHQ (')7)
TE6146 ignalbehandling 'HQ GLVNUHWH )RXULHU-WUDQVIRUPHQ (')7),QWURGXNVMRQ,, Har tidligere sett på Fourier- og Z-transformene for diskrete følger. For følger av endelig varighet, er det mulig å utvikle
Detaljer7.4 Singulærverdi dekomposisjonen
7.4 Singulærverdi dekomposisjonen Singulærverdi dekomposisjon til en matrise A er en av de viktigste faktoriseringene av A (dvs. A skrives som et produkt av matriser). Den inneholder nyttig informasjon
DetaljerUniversitet i Bergen. Eksamen i emnet MAT121 - Lineær algebra
Universitet i Bergen Det matematisk-naturvitenskapelige fakultet Bokmål Eksamen i emnet MAT - Lineær algebra Onsdag 5 september, 0, kl. 09.00-4.00 Tillatte hjelpemidler. kalkulator, i samsvar med fakultetets
Detaljer15 Hovedprinsippet for vektorrom med et indre produkt
Hovedprinsippet for vektorrom med et indre produkt La oss minne Hovedprinsippet (Seksjon 8.): Alle (endelig dimensjonale dvs. de som har en endelig basis) vektorrom kan beskrives som R n der n dim V. Alle
DetaljerUke 5: Analyse i z- og frekvensdomenet
Uke 5: Analyse i z- og frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/32 Dagens temaer Fra forrige gang Kausalitet, stabilitet og inverse systemer
DetaljerFourier-Transformasjoner II
Fourier-Transformasjoner II Lars Vidar Magnusson February 27, 2017 Resten av Delkapittel 4.2 Preliminary Concepts Delkapittel 4.3 Sampling and the Fourier Transform of Sampled Functions Delkapittel 4.4
DetaljerHistogrammetoder. Lars Aurdal Norsk regnesentral. Histogrammetoder p.1/91
Histogrammetoder Lars Aurdal Norsk regnesentral aurdal@nr.no Histogrammetoder p.1/91 Oversikt 1 Litt praktisk informasjon. Grånivåtransformasjoner. Grunnleggende transformasjoner. Negativer. Log-transformasjoner.
DetaljerINF 2310 Digital bildebehandling
INF 230 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen 05.02.203 INF230 Temaer i dag Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering
DetaljerLøsningsforslag eksamen STE 6038 Geometrisk modellering 9/8 1995
Løsningsforslag eksamen STE 638 Geometrisk modellering 9/8 995. a) Vi skal bestemme hvilke av avbildningene/transformasjonene som er homeomorfier. f 4 6 Determinanten til matrisen er lik, dvs at den har
DetaljerKapittel 6: Funksjoner
MAT1030 Diskret Matematikk Forelesning 13: Funksjoner Roger Antonsen Institutt for informatikk, Universitetet i Oslo Kapittel 6: Funksjoner 4. mars 2009 (Sist oppdatert: 2009-03-06 18:57) MAT1030 Diskret
DetaljerEgenverdier for 2 2 matriser
Egenverdier for matriser (Bearbeidet versjon av tidligere notat på nett-sidene til MA101 - Lineær algebra og geometri Versjon oppdatert med referanser til 10utg av læreboken) Egenvektorer og egenverdier
DetaljerLøsningsforslag, Ukeoppgaver 9 INF2310, våren kompresjon og koding del I
Løsningsforslag, Ukeoppgaver 9 INF23, våren 2 6. Vi har gitt følgende bilde: kompresjon og koding del I 2 2 2 3 3 3 2 3 3 3 2 2 2 3 3 2 2 2 3 2 3 4 4 2 2 3 2 2 3 4 4 2 2 2 3 3 3 4 3 4 a. Finn Huffman-kodingen
DetaljerUke 9: Diskret Fourier Transform, I
Uke 9: Diskret Fourier Transform, I Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/23 Dagens temaer Sampling og periodisitet DFT DFT og DTFT 3/23 Tema Sampling
DetaljerMatriser TI -86 F1 F2 F3 F4 F5 M1 M2 M3 M4 M5
13 Matriser Lage matriser... 204 Vise matriseelementer, rader og delmatriser... 207 Redigere matrisedimensjon og -elementer... 208 Slette en matrise... 209 Bruke en matrise i et uttrykk... 210 TI -86 M1
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning.
Stavanger, 6. august 013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 5.1 Implementering av IIR filter....................
DetaljerR: 0, , = 6000 D : 0, , = 4000 La v n = angi fordelingen etter n år (dvs. a b n stemmer for R og
EGENVERDIER FOR MATRISER a Motiverende eksempel En by i USA har 0000 innbyggere som stemmer ved valget hvert år. I dag stemmer 8000 for R og 000 for D. Hvert år går 30% fra R til D og 0% fra D til R. Hva
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
DetaljerTMA4110 Matematikk 3 Eksamen høsten 2018 Løsning Side 1 av 9. Løsningsforslag. Vi setter opp totalmatrisen og gausseliminerer:
TMA4 Matematikk 3 Eksamen høsten 8 Løsning Side av 9 Løsningsforslag Oppgave Vi setter opp totalmatrisen og gausseliminerer: 8 5 4 8 3 36 8 4 8 8 8 Den siste matrisen her er på redusert trappeform, og
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
Detaljer3UDNWLVN DQYHQGHOVH DY ')7
TE6146 ignalbehandling 3UDNWLVN DQYHQGHOVH DY ')7,QWURGXNVMRQ Kjenner DFT og FFT for effektiv numerisk beregning av DFT. Finnes ferdige funksjoner for FFT- algoritmer implementert i C/C og andre programmeringsspråk.
DetaljerMAT1030 Forelesning 13
MAT1030 Forelesning 13 Funksjoner Dag Normann - 2. mars 2010 (Sist oppdatert: 2010-03-02 14:15) Kapittel 6: Funksjoner Forrige uke Forrige forelesning snakket vi om relasjoner. Vi snakket om ekvivalensrelasjoner
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
DetaljerForelesningsplan M 117
Forelesningsplan M 117 Innledning Kan du gi et eksempel på et fenomen eller en prosess som er lineær? Har du eksempel på ikke-lineære fenomen? Hva er henholdsvis en ordinær (ODL) og en partiell differensialligning
DetaljerNeste to forelesninger. Bildefiler - bildeformater De aller fleste bildeformater 3/18/2009. Digitale bilder med spesielt fokus på medisinske bilder
3/8/29 Digitale bilder med spesielt fokus på medisinske bilder Karsten Eilertsen Radiumhospitalet Neste to forelesninger Torsdag 29/: Enkel innføring i digitale bilder Eksempler på noen enkle metoder for
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
DetaljerRepetisjon: Eksempel. Repetisjon: Aliasing. Oversikt, 26.februar Gitt. Alle signaler. Ettersom. vil alle kontinuerlig-tid signaler.
Oversikt, 6.februar Tilhørende pensum i boken er. -.. Repetisjon regning med aliasing og folding rekonstruksjon ved substitusjon FIR-filtre glidende middel et generelt FIR-filter enhetsimpulsresponsen
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.
DetaljerLøsningsforslag til eksamen i MA1202/MA6202 Lineær algebra med anvendelser høsten 2009.
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 9 Løsningsforslag til eksamen i MA/MA6 Lineær algebra med anvendelser høsten 9 Oppgave a) Rangen til A er lik antallet
DetaljerSide av 5 fra matriseteori har vi at en symmetrisk matrise alltid er ortogonalt diagonaliserbar. Det vil si at X kan skrives på formen X = M M (6) der
Side av 5 Norges teknisk- naturvitenskapelige universitet Institutt for teknisk kybernetikk SIE38 Stokastiske og adaptive systemer Fasit til ving Oppgave Gitt at den stokastiske vektoren v er normalfordelt
DetaljerTFY4170 Fysikk 2 Justin Wells
TFY4170 Fysikk 2 Justin Wells Forelesning 5: Wave Physics Interference, Diffraction, Young s double slit, many slits. Mansfield & O Sullivan: 12.6, 12.7, 19.4,19.5 Waves! Wave phenomena! Wave equation
DetaljerØving 5 Diagonalisering
Øving 5 Diagonalisering En matrise A er diagonaliserbar dersom den er similær med en diagonalmatrise, dvs. det eksisterer en invertibel matrise P og diagonal matrise D slik at P.D.P -1. I øving 4 lærte
DetaljerKapittel 3: Litt om representasjon av tall
MAT1030 Diskret Matematikk Forelesning 3: Litt om representasjon av tall, logikk Roger Antonsen Institutt for informatikk, Universitetet i Oslo Kapittel 3: Litt om representasjon av tall 20. januar 2009
DetaljerObligatorisk oppgave 2
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Obligatorisk oppgave 2 INF2310, vår 2017 Dette oppgavesettet er på 9 sider, og består av 2 bildebehandlingsoppgaver. Besvarelsen av denne og forrige obligatoriske
DetaljerMinste kvadraters løsning, Symmetriske matriser
Minste kvadraters løsning, Symmetriske matriser NTNU, Institutt for matematiske fag 19. november 2013 Inkonsistent ligningsystem Anta at Ax = b er et inkonsistent ligningsystem, da er b ikke i Col(A).
DetaljerLØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE2010 Informasjons- og signalteori, 29. juli y(n) = ay(n 1) + x(n k),
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR TELETEKNIKK Signalbehandling LØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE200 Informasjons- og signalteori, 29. juli 2002 Oppgave I Gitt
DetaljerLøsningsforslag. e n. n=0. 3 n 2 2n 1. n=1
Eksamen i BYPE2000 - Matematikk 2000 Dato: 6. juni 2014 Målform: Bokmål Antall oppgaver: 7 (20 deloppgaver) Antall sider: 4 Vedlegg: Noen formler Hjelpemiddel: Ingen Alle svarene skal grunngis. Alle deloppgavene
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : Onsdag. juni Tid for eksamen : :3 8:3 Løsningsforslaget er på : 9
DetaljerKap. 6 Ortogonalitet og minste kvadrater
Kap. 6 Ortogonalitet og minste kvadrater IR n er mer enn bare et vektorrom: den har et naturlig indreprodukt, nemlig prikkproduktet av vektorer. Dette indreproduktet gjør det mulig å tenke geometrisk og
DetaljerKap. 5 Egenverdier og egenvektorer
Kap. 5 Egenverdier og egenvektorer Egenverdier, egenvektorer og diagonaliserbarhet er sentrale begreper for kvadratiske matriser. Mye er kjent fra tidligere, skal repetere dette og gå videre. Sammenhengen
DetaljerLøsning av øvingsoppgaver, INF2310, 2005, kompresjon og koding
Løsning av øvingsoppgaver, INF230, 2005,. Vi har gitt følgende bilde: kompresjon og koding 0 2 2 2 3 3 3 2 3 3 3 0 2 2 2 3 3 2 2 2 3 2 3 4 4 2 2 3 2 2 3 4 4 2 2 2 3 3 3 4 3 4 a. Finn Huffman-kodingen av
Detaljer7.1 forts. Schur triangularisering og spektralteoremet
7.1 forts. Schur triangularisering og spektralteoremet Vi skal vise to svært sentrale resultat i lineær algebra. Spektralteoremet (Teorem 3 i Lay): dette sier bl.a. at reelle symmetriske matriser er ortogonalt
DetaljerLøsningsforslag Eksamen M100 Våren 2002
Løsningsforslag Eksamen M00 Våren 00 Oppgave Evaluerer grensen cos( ) 0 ( sin( ) ) 0 6 0 6 5 0 sin( ) 0 sin( ) = Har brukt l Hôpitals regel (derivert teller og nevner hver for seg) i første og tredje overgang.
DetaljerBruk av tidsvindu. Diskret Fourier-transform. Repetisjon: Fourier-transformene. Forelesning 6. mai 2004
Repetisjon: Fourier-transformene Forelesning 6. mai 4 Spektralanalyse Pensum i boken: 3-4 til 3-5. Diskret tid Kontinuerlig tid Diskret frekvens DFT, X[k] Fourierrekker, {a k } Kontinuerlig frekvens DTFT,
DetaljerDiagonalisering. Kapittel 10
Kapittel Diagonalisering I te kapitlet skal vi anvende vår kunnskap om egenverdier og egenvektorer til å analysere matriser og deres tilsvarende lineærtransformasjoner Eksempel Vi begynner med et eksempel
DetaljerINF 2310 Digital bildebehandling
INF 2310 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen 03.02.2014 INF2310 1 Temaer i dag Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon
DetaljerEKSAMEN I FAG TTT4110 Informasjons- og signalteori. Norsk tekst på oddetalls-sider. (English text on even numbered pages.)
Side/Page 1 av/of 8 + 3 sider vedlegg + enclosure, 3 pages NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR ELEKTRONIKK OG TELEKOMMUNIKASJON Signalbehandling Faglig kontakt under eksamen: Navn:
DetaljerMÅLING OG VURDERING AV TEKSTUR I VEGOVERFLATER OG KOPLING TIL STØY
MÅLING OG VURDERING AV TEKSTUR I VEGOVERFLATER OG KOPLING TIL STØY Av Svein Å. Storeheier Miljøvennlige vegdekker, 2006-09-14 1 TEXTURE what can be measured The road surface is scanned by a laser system,
DetaljerFasit til utvalgte oppgaver MAT1100, uka 29/11-3/12
Fasit til utvalgte oppgaver MAT1100, uka 9/11-3/1 Øyvind Ryan (oyvindry@ifiuiono December, 010 Oppgave 15 Oppgave 155 a 4A 3B 4 1 3 1 3 1 4 1 8 4 1 4 3 3 1 3 0 9 6 + 6 3 9 0 5 18 14 1 3 4 4 9 1 6 8 + 6
Detaljer