Anvendelser. Kompresjon. Noen begreper. INF 2310 Digital bildebehandling
|
|
- Egil Jansen
- 7 år siden
- Visninger:
Transkript
1 Anvendelser IF 3 Digital ildeehandling Kompresjon og koding Del I Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman GW: Kap. 8 unntatt 8..7, 8.., 8..6, 8.., 8.3 Kompresjon og koding enyttes for å redusere antall iter som skal til for å eskrive ildet (eller en god approksimasjon til ildet). En mengde anvendelser innen data-lagring og data-overføring Televideo-konferanser Fjernanalyse / meteorologi Overvåking / fjernkontroll Telemedisin / medisinske arkiver (PACS) Dokumenthåndtering / FAX Multimedia / nettverkskommunikasjon Moil kommunikasjon MP3-spillere, DAB-radio, digitalkameraer, Tidsforruket ved off-line kompresjon er ikke særlig viktig. Dekompresjons-tiden er langt viktigere. Ved sanntids data-overføring er tidsforruket kritisk. F 5.4. IF 3 F 5.4. IF 3 oen egreper Kompresjon Kompresjons -algoritme Lagring eller oversending Dekompresjons -algoritme Kompresjon kan deles inn i tre steg: Transform - representer dataene mer kompakt. Kvantisering - avrunding av representasjonen. Koding - produksjon og ruk av kodeok. Data Kompresjon Dekompresjon Data Bildekompresjon estår i å pakke informasjonsinnholdet i ildet på en så kompakt måte at redundant informasjon ikke lagres. Dataene komprimeres, deretter lagres de. år de senere skal leses, må vi dekomprimere dem. Koding er en del av kompresjon, men vi koder for å lagre effektivt, ikke for å hemmeligholde eller skjule informasjon. F 5.4. IF 3 3 inndata transform kvantisering koding utdata Kompresjons kan gjøres Eksakt / tapsfri ( loss-less ) følg de grønne pilene Her kan vi rekonstruere den originale meldingen eksakt. Ikke-tapsfri ( lossy ) følg de røde pilene Her kan vi ikke rekonstruere meldingen eksakt. Resultatet kan likevel være godt nok. Det finnes en mengde ulike metoder for egge kategorier kompresjon. F 5.4. IF 3 4
2 De tre stegene i kompresjon Eksempler - plassehov inndata transform kvantisering koding utdata Mange kompresjons-metoder er asert på å representere dataene på en annen måte, altså transformer av original-dataene. Differansetransform løpelengder/run-length, Hvis vi kvantiserer original - dataene, så kan ikke dette reverseres. Koding ygger ofte på sannsynlighetsfordelinger, Estimert ved normaliserte histogrammer. Transformer og koding er alltid reversile. Kvantisering gir alltid et tap av presisjon. F 5.4. IF 3 5 Digitalt RGB-ilde: 5 x 5 x 8 iter x 3 farger = iter Radar-ilde fra Radarsat- satellitten: 4MB, 3 km 3 km, 6 iter pr. piksel. Miljøovervåkning av havområder: Trenger 8 ilder for å dekke hele Middelhavet 3D-seismikk data fra 6. km i ordsjøen 4 GB = 4 Terayte... Røntgen-ilde: 7 x piksler a iter: iter F 5.4. IF 3 6 Plass og tid Digitale data kan ta stor plass Spesielt lyd, ilder og video Eksemper :. Digitalt ilde: 5 x 5 x 8 iter x 3 farger = iter. Røntgenilde: 7 x 8636 x iter pr. piksel = iter Overføring av data tar tid: Linje med 64 kit/sek:. ca. min. 38 s.. ca. 3 timer min. Linje med Mit/sek:. ca. 6 s.. ca. min. Overføringskapasitet og ps Filstørrelser er oftest gitt i inære enheter, gjerne i potenser av 4: Kiiyte (KiB = yte = 4 yte), Meiyte (MiB = yte = yte), Giiyte (GiB = 3 yte = yte) Overføringshastigheter og linjekapasitet angis alltid i titallsystemet, oftest som antall iter per sekund: kps = ps = 3 iter per sekund. Mps = kps = 6 iter per sekund. Gps = Mps = 9 iter per sekund. Kapasitet for noen typer linjer: GSM-telefonlinje: 9.6 kps Analogt modem: f.eks. 56 kps ADSL (Asymmetric Digital Suscrier Line): - Mps F 5.4. IF 3 7 F 5.4. IF 3 8
3 Melding, data og informasjon Vi skiller mellom data og informasjon: Melding: teksten, ildet eller signalet som vi skal lagre. Data: strømmen av iter som lagres på fil eller sendes. Informasjon: Et matematisk egrep som kvantifiserer mengden overraskelse/uventethet i en melding. Et varierende signal har mer informasjon enn et monotont signal. I et ilde: kanter rundt ojekter har høyest informasjonsinnhold, spesielt kanter med mye krumning. Redundans Vi kan ruke ulike mengder data på samme melding. Et ilde av et 5-tall (5 x 5 piksler a 8 iter = its) Teksten fem i 8 its ISO (4 iter) ISO tegnet 5 (8 iter) Et inært heltall (3 iter) Redundans sier noe om hvor stor del av datamengden vi kan fjerne uten at vi mister informasjonen i dataene. Eks: vi skal lagre tallet, men hvordan lagres det faktisk: Binært i en yte: - 8 iter med Standard 7 its ASCII kode for Vet vi at vi are skal lagre tallet, trenger vi are it. Ved smart komprimering og dekomprimering kan vi fjerne redundante its. F 5.4. IF 3 9 F 5.4. IF 3 Ulike typer redundans Kompresjonsrate og redundans Psykovisuell redundans Det finnes informasjon vi ikke kan se. Da kan vi su-sample, eller redusere antall it per piksel. Interilde redundans Det er en viss likhet mellom nao-ilder i en tids-sekvens Vi koder noen ilder i sekvensen, og deretter are differanser. Intersampel redundans ao-piksler ligner på hverandre eller er like. Hver linje i ildet kan run-length transformeres. Kodings-redundans Gjennomsnittlig kodelengde minus et teoretisk minimum. Velg en metode som er grei å ruke, med liten redundans. F 5.4. IF 3 Kompresjonsraten : der i er antall it pr. sampel originalt, og c er antall it pr. sampel i det komprimerte ildet. Relativ redundans : percentage removed : CR = F 5.4. IF 3 i c c R = = CR i c PR = % i
4 Bildekvalitet Hvis vi velger irreversiel kompresjon må vi kontrollere at kvaliteten på ut-ildet er god nok. Gitt en M inn-ilde f(x,y) og et komprimert / dekomprimert ut-ilde g(x,y). Feilen vi gjør lir da: e(x,y) = g(x,y) f(x,y) RMS-avviket (kvadratfeilen) mellom de to ildene lir da: e RMS = M M x= y= e ( x, y) Vi kan også etrakte feilen som støy og se på midlere kvadratisk signal-støy-forhold (SR): M = g ( x, y) x y= ( SR) MS = M e ( x, y) x= y= RMS-verdien av SR er da Bildekvalitet - ( SR) M x= y= M RMS = e x= y= g ( x, y) ( x, y) Kvalitetsmålene ovenfor slår sammen alle feil over hele ildet. Vårt synssystem er ikke slik! Fler-komponent kvalitetsmål er edre! Del opp ildet etter lokal aktivitet! Fra Fourier-analyse: For å representere en skarp kant kan vi trenge mange koeffisienter. Homogene områder kan representeres ved få koeffisienter Kompresjonsgraden ør kanskje variere rundt i ildet: Komprimer homogene områder kraftig. Mindre kompresjon langs kanter og linjer, slik at detaljer eholdes. F 5.4. IF 3 3 F 5.4. IF 3 4 Kompresjon av ilder Det er en mengde redundant informasjon i ilder: Mellom piksler på samme linje Mellom ulike linjer i ildet Ojekter kan representeres mer kompakt enn med piksler. Vi kan også ta i etraktning psykovisuelle effekter. Symmetrisk kompresjon: komprimering og dekomprimering tar like lang tid. Assymmetrisk kompresjon, komprimering og dekomprimering har ulik regnetid, ofte tillater man langsom komprimering, men ønsker rask dekomprimering. F 5.4. IF 3 5 Differansetransform Gitt en linje i ildet med gråtoner f,...f, f i -. Transformer (reversielt) til g = f, g = f -f,..., g = f -f - Vi trenger nå + iter hvis vi skal tilordne like lange inære koder til alle mulig verdier. I differansehistogrammet vil de fleste verdiene samle seg rundt. En naturlig it-koding av differansene er ikke optimal. F 5.4. IF 3 6
5 Differanseilder og histogram Litt mer om differansetransform Original: Differanse-ilde (linje for linje) : Originalt Histogram: Histogram til Differanseildet: Lag f.eks. en 6 ords naturlig kode c =, c =,... c 6 = Tilordne de 4 kode-ordene i midten: c,... c 5 til differansene -7, -6,..., -,,,,..., 5, 6 Kodene c og c 6 kan rukes til å indikere om differansen x < -7 eller om x 7 (to-sidet shift-kode) x = - => c c c 5 x = => c 6 c 6 c c c c 5 c c c c 5 c c 9 c 5 c 6 c c 6 c 5 c 6 c 6 c Her øker kodeordets lengde trinnvis med 4 iter. eppe helt optimalt i forhold til differansehistogrammet. F 5.4. IF 3 7 F 5.4. IF 3 8 Løpelengde-transform Ofte inneholder ildet ojekter med lignende gråtoner, f.eks. svarte okstaver på hvit akgrunn. Vi kan enytte oss av kompresjonsteknikker som tar hensyn til at naopiksler på samme linje ofte er like. Løpelengde-transform er reversiel. Først et eksempel: (4 yte) år tallet 3 forekommer 6 ganger etter hverandre, trenger vi are lagre tallparet (3,6). Tilsammen trenger vi her 4 tallpar, (3,6), (5,), (4,), (7,6) altså 8 tall til å lagre hele sekvensen 4 tall ovenfor. Hvor mange iter vi ruker pr. tall, avhenger av den videre kodingen. Løpelengder i inære ilder I to-nivå ilder trenger vi are å angi løpelengden for hvert run, forutsatt at vi vet om linjen starter med et hvitt eller et svart run. Vi trenger kodeord for EOL og EOI. Run-lengde histogrammet er ofte ikke flatt. Benytter da en kode som gir korte kode-ord til de hyppigste run-lengdene. En standard (CCITT) Huffman kode asert på dokumentstatistikk rukes for dokument-overføring pr fax. Egen kodeok for svarte og hvite runs. Mer effektiv dersom kompleksiteten i ildet er lav. F 5.4. IF 3 9 F 5.4. IF 3
6 Koding aturlig inær-koding Et alfaet er mengden av alle mulige symoler (gråtoner) Hvert symol får et kode-ord. Tilsammen utgjør kodeordene kode-oken. Koding skal være reversiel fra koden skal vi kunne rekonstruere det originale symolet Unikt dekodare koder har den egenskap at en mottatt sekvens av kode-ord kan dekodes på en og are en måte. Instantant dekodare koder kan dekodes uten skilletegn. Alle kode-ord er like lange. Kjenner vi noen eksempler på dette? Eks: En 3-iters kode gir 8 mulige verdier: Symol nr Symol s s s 3 s 4 s 5 s 6 s 7 s 8 Kode c i aturlig inærkoding er are optimal hvis alle verdiene i sekvensen er like sannsynlige. F 5.4. IF 3 F 5.4. IF 3 Gray code Gray Code tranformasjoner Er den konvensjonelle inære representasjonen av gråtoner optimal? La oss se på et ett-ånds gråtone-ilde med it-plan. Ønskelig med minst mulig kompleksitet i hvert it-plan Da lir løpelengde-transformasjonen mest effektiv. Konvensjonell inær representasjon gir høy it-plan kompleksitet. Hvis gråtoneverdien fluktuerer mellom k - og k vil k+ iter skifte verdi: eksempel: 7 = mens 8 = I Gray Code skifter alltid are en it når gråtonen endres med. Overgangen fra inær kode til gray code er en transformasjon, men åde naturlig inær kode og gray code er selvsagt koder. Transformasjon fra Binary Code til Gray Code :. Start med MSB i BC og ehold alle inntil du treffer. eholdes, men alle følgende its komplementeres inntil du treffer 3. komplementeres, men alle følgende it eholdes inn du treffer 4. Gå til. Fra Gray Code til Binary Code :. Start med MSB i GC og ehold alle inntil du treffer. eholdes, men alle følgende its komplementeres inntil du treffer. 3. komplementeres, men alle følgende its eholdes inntil du treffer. 4. Gå til F 5.4. IF 3 3 F 5.4. IF 3 4
7 Binary reflected gray code Gray kode i gråtoneilder 4 its Gray kode og inær Gray Binær Desimal g d Gray code shaft encoder Gir sikker avlesing av vinkel. Emilie Baudot s telegrafskive 878. Koden patentert av Gray i 953. Brukes i styring av root-armer etc. MSB er likt i de to representasjonene. Større homogene områder i hvert itplan i Gray-kode enn i naturlig inærkode. Flere itplan med støy i vanlig inærkode. Det er en gevinst i løpelengdekoding av itplan i Gray kode. GC BC GC BC F 5.4. IF 3 5 F 5.4. IF 3 6 Informasjonsteori og koding Koder med variael lengde Kompresjon/koding ygger på sannsynligheter. Forekommer en pikselverdi ofte, ør vi lagre den med et lite antall iter for å ruke minst mulig lagerplass totalt. Et symol som forekommer sjeldent, kan vi tillate oss å ruke mange iter på å lagre. Vi ruker da et variaelt antall iter pr. symol. Vi skal først se på koding av enkelt-piksler. Inter-piksel redundans minimeres av transform-steget: Differanse-transform Løpelengdetransform For ulike sannsynligheter er koder med variael lengde på kode-ordene edre enn like lange koder Hyppige symoler kortere kode-ord. Sjeldne symoler lengere kode-ord. Dette var forretnings-ideen til Samuel Morse A. - F.. -. K -. - P U.. - B -... G - -. L. -.. Q V... - C -.-. H... M -- R.-. W.-- D -.. I.. -. S... X E. J. --- O --- T - Y De vanligste symolene i engelsk tekst er : e, t, a, n, o, i, F 5.4. IF 3 7 F 5.4. IF 3 8
8 Entropi en liten forsmak Histogram og normalisert histogram Entropi er et matematisk mål på gjennomsnittlig informasjonsmengde i en sekvens av tegn eller tall. Har vi en sekvens av tall eller tegn som lagres med iter pr. sampel, så kan vi si vi har et alfaet med mulige symoler. Vi kan finne sannsynligheten for hvert symol i alfaetet: P(s i )= n i / Vi er interessert i gjennomsnittlig informasjon pr. symol. Intuitivt har vi at en mindre sannsynlig hendelse gir mer informasjon enn en mer sannsynlig hendelse Informasjon er relatert til mengden redundans eller overraskelse. F 5.4. IF 3 9 Vi har en sekvens med symoler. Tell opp antall ganger symol s i forekommer og la n i være dette antallet. Dette er det samme som histogrammet til sekvensen. Sannsynligheten til symolene finnes da som: p i = n i / Dette er det normaliserte histogrammet. F 5.4. IF 3 3 Gjennomsnittlig antall iter pr. piksel Vi konstruerer en kode c,...c slik at symol s i kodes med kodeordet c i. i er lengden (angitt i iter) av kodeordet c i. Gjennomsnittlig antall iter pr. symol for denne koden : R = p + p p Entropien H gir oss en nedre grense for hvor mange iter vi gjennomsnittlig trenger pr. symol (hvis vi are koder ett symol av gangen). = p i i Informasjonsinnhold Definer informasjonsinnholdet I(s i ) i hendelsen s i ved I ( si ) = log s ) log (x) er -er logaritmen til x Hvis log (x)= så er x= Eks: log (64)=6 fordi 64= 6 (=*****) log (8)=3 fordi 8=**= 3 log (tall) = log (tall) / log () log (/s i )) gir oss informasjonsinnholdet i hendelsen: symolet s i forekommer en gang, uttrykt i iter. i F 5.4. IF 3 3 F 5.4. IF 3 3
9 Entropi Hvis vi tar gjennomsnittet over alle symolene s i i alfaetet, får vi gjennomsnittlig informasjon pr. symol. Entropi H: H = si ) I( si ) = si )log( si )) Entropien setter en nedre grense for hvor kompakt sekvensen kan representeres Dette gjelder hvis vi are koder hvert symol for seg. Øvre og nedre grense for entropi Hvis alle symoler like sannsynlige => entropi lik antall iter. Det er symoler, og sannsynligheten for hvert av dem er s i )=/. Da lir entropien H = log ( ) = log B: Hvis det er symoler som alle er like sannsynlige, så kan de ikke representeres mer kompakt enn med iter pr symol. Hvis alle pikslene er like => entropi lik. Hvis are ett symol forekommer, er sannsynligheten for dette symolet lik, og alle andre sannsynligheter er lik. H = log () = ( ) = F 5.4. IF 3 33 F 5.4. IF 3 34 To eksempler Entropi i inært ilde Et inært ilde med *M piksler inneholder it per piksel. Det er *M iter data i ildet, men hvor mye informasjon er det i ildet? Entropi i et inært ilde Hvis det er like mange som i ildet, så er det like stor sannsynlighet for at neste piksel er som. Informasjonsinnholdet i hver mulig hendelse er da like stort, og entropien til et nytt symol er it. H = log ( ) + log / ( ) = *+ * / = Hvis det er 3 ganger så mange som i ildet, så er det mindre overraskende å få en, og det skjer oftere. Entropien er da mindre: 3 3 H = log ( ) + log ( ) = *+ *.45=.5 +.3=.8 4 / 4 4 3/ F 5.4. IF 3 35 Entropi,5,5,5,75 A priori sannsynlighet for klasse Vi vil alltid måtte ruke it per piksel i et inært ilde, selv om entropien godt kan li nær null! Kodingsredundansen er null når det er like mange svarte og hvite piksler. F 5.4. IF 3 36
10 Entropi i et gråtoneilde Andre entropi-egreper Anta at åde forgrunn og akgrunn er Gauss-fordelinger. Klasse-entropiene under og over en terskel t er da gitt ved: t H( t) = log P P h( t) = log P + P H = G = log t+ log P P h( G ) h( t) + P [ P ] der h(t) er kumulativ entropi og h(g-) er systementropien. H (t) + H (t) rukes til terskling., ( f( h(t) H(t) H(t) sum I(p i ) når p i, og I() = - log () er ikke definert. I(p i ) når p i, og I() =. Alternativ: Eksponensiell entropi n ( pi ) pi e H = ( ) n e Terskling med eksponensiell entropi: t E( t) = exp P P G exp t+ P P Høyere ordens (kontekstuell) H... Entropi Entropi i et inært ilde,5,5,5,75 A priori sannsynlighet for klasse, ( f( LOG EXP F 5.4. IF 3 37 F 5.4. IF 3 38 Shannon-Fano koding En enkel metode: Sorterer symolene etter hyppighet. Deler symolene rekursivt i to omtrent like store grupper. Fortsett til hver gruppe er ett symol. Tilordner ett it til hver gren i treet til høyre, til venstre. Traverser treet fra rot til lad Finner koden for hvert symol. Eksempel: HALLO : Koden er unikt dekodar. H, A, L, O (5) H, A, O (3) Symol Ant. Kodeord Lengde Antall iter L H A 3 3 O 3 3 Totalt antall iter F 5.4. IF 3 39 L() H () A, O () A () O () Shannon-Fano koding - II Oppdeling i omtrent like store grupper kan gi et annet inært tre: Samme eksempel: HALLO Selv om treet er annerledes, og kodeoken lir forskjellig, så er koden unikt dekodar. Vi har altså flere likeverdige løsninger. Gjennomsnittlig antall iter per symol er relatert til entropien: H R H+ Øvre grense for kodingsredundans: it per symol. H, A, L, O (5) L, H (3) A, O () L () H () A () O () Symol Ant. Kodeord Lengde Antall iter L 4 H A O Totalt antall iter F 5.4. IF 3 4
11 Huffman-koding Oppskrift - Huffman-koding Huffman-koding er en algoritme for optimal koding med variael-lengde koder. Huffman-koding er asert på at vi kjenner hyppigheten for hvert symol Dette etyr at vi må lage et histogram. Ofte eregner vi sannsynlighetene Men det holder at vi kjenner hyppighetene. Huffman-koden er unikt dekodar. Gitt en sekvens med symoler:. Sorter symolene etter sannsynlighet, slik at de minst sannsynlige kommer sist.. Slå sammen de to minst sannsynlige symolene i en gruppe, og sorter igjen etter sannsynlighet. 3. Gjenta til det are er to grupper igjen. 4. Gi kodene og til de to gruppene. Kode til den mest og til den minst sannsynlige av de to 5. Traverser akover, og legg til og i kodeordet for de to minst sannsynlige gruppene i hvert steg. F 5.4. IF 3 4 F 5.4. IF 3 4 Eksempel - Huffman-koding Gitt 6 egivenheter A, B, C, D, E, F med sannsynligheter Begivenhet A B C D E F Sannsynlighet Slå sammen de to minst sannsynlige, Slå også sammen sannsynligheten deres Finn de to som nå er minst sannsynlige, og slå dem sammen på samme måte.5 Fortsett til det er are to igjen Eksempel - Huffman-koding Gitt 6 egivenheter A, B, C, D, E, F med sannsynligheter Begivenhet A B C D E F Sannsynlighet Gå aklengs gjennom strukturen og tilordne eller til hver gruppe. (F. eks. kode til den mest sannsynlig og kode til den minst sannsynlige).6 Kode Kode F 5.4. IF 3 43 F 5.4. IF 3 44
12 Dette gir følgende kodeok Kodeoken Begivenhet A B C D E F Kode Med sannsynlighetene lir gjennomsnittlig antall iter pr. symol (R) for denne koden: (se foil 3) R= p + p p = i pi = =.4 Entropien H er her mindre enn R (se foil 33): H = s )log( )) =.34 i s i Generelt om Huffman-koding Ingen kode-ord danner prefiks i en annen kode Dette sikrer at en sekvens av kodeord kan dekodes entydig man trenger IKKE ende-markører. Mottatt kode er instantant (øyelikkelig) dekodar. Dette gjelder også Shannon-Fano og naturlig inærkoding. Hyppige symoler har kortere koder enn sjeldne symoler. Dette gjelder også for Shannon-Fano. De to minst sannsynlige symolene har like lange koder, siste it skiller dem fra hverandre. Merk at kodeoken må overføres! Lengden av en Huffman kodeok er G= kodeord. Det lengste kodeordet kan ha opptil G iter. F 5.4. IF 3 45 F 5.4. IF 3 46 Kodingsredundans La oss ruke de 6 mest sannsynlige symolene i engelsk tekst: symol ^ e t a o i sannsynlighet kode Ordlengde entropi Det gjennomsnittlige antall iter per symol, R, er gitt ved: R = p i i = =.47 Entropien H er litt mindre enn R: H = si )log( s i )) =.34 Kodingsredundansen R-H er dermed: F 5.4. IF 3 47 R H =.47.34=.3 Ideell og faktisk kodeord-lengde Vi definerte informasjonsinnholdet I(s i ) i hendelsen s i ved I ( si ) = log s ) Den ideelle inære kodeordlengden for symol s i er i = - log (s i )). Plotter den ideelle lengden på kodeordene sammen med den faktiske kodeordlengden, som er heltall: antall iter per symol F 5.4. IF 3 48 i 3 6 ^ e t a o i
13 år er Huffman-koding optimal? Den ideelle inære kode-ord lengden for symol s i er i = - log (s i )) Siden are heltalls ordlengder er mulig, er det are s i ) = k for heltall k som tilfredsstiller dette. Eksempel: hvis vi har Symol s s s 3 s 4 s 5 s 6 Sannsynlighet Kode lir den gjennomsnittlige ordlengden R =.9375 = H. Kodingsredundans for Huffman Shannon-Fano metoden har en øvre grensen for kodingsredundans på it per symol. Kodingsredundansen til Huffman-koden har en øvre grense som er en funksjon av p, der p er sannsynligheten til det hyppigste symolet. Huffman-koden kan i enkelte tilfeller komme dårligere ut når det gjelder kodingsredundans enn Shannon-Fano, hvis p er nær. F 5.4. IF 3 49 F 5.4. IF 3 5
Anvendelser. Noen begreper. Kompresjon
Anvendelser INF 30 Digital it ildeehandling dli 7.04.0 Kompresjon og koding Del I Tre steg i kompresjon Redundans Bildekvalitet Transformer Koding og entropi Shannon-Fano og Huffman GW: Kap. 8 unntatt
DetaljerAnvendelser. Noen begreper. Kompresjon. INF 2310 Digital bildebehandling
Anvendelser INF 30 Digital ildeehandling Kompresjon og koding Del I Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman Kompendium: Frem t.o.m. 8.7. + Appendiks B Kompresjon
DetaljerINF 1040 Digital video digital bildeanalyse. Noen begreper. Kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Digital video digital ildeanalyse Tema i dag :. Hvor mye informasjon inneholder en melding?. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding
DetaljerFORELESNING 11. KOMPRESJON OG KODING I Andreas Kleppe. Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman
Anvendelser INF30 Digital ildeehandling FORELESNING KOMPRESJON OG KODING I Andreas Kleppe Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman Kompendium: Frem t.o.m.
DetaljerINF 1040 Kompresjon og koding. Noen begreper. De tre stegene i kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Kompresjon og koding Noen egreper Kompresjonsalgoritme Dekompresjonsalgoritme Tema i dag :. Noen egreper. Redundans Data Kompresjon Lagring eller oversending Dekompresjon Data. Differanse- og løpelengdetransformer
DetaljerINF 1040 Kompresjon og koding. Noen begreper. De tre stegene i kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Kompresjon og koding Noen egreper Kompresjonsalgoritme Dekompresjonsalgoritme Tema i dag :. Noen egreper. Redundans Data Kompresjon Lagring eller oversending Dekompresjon Data. Differanse- og løpelengdetransformer
DetaljerKompresjon. Noen begreper. Plass og tid. Kompresjon. Digitale data kan ta stor plass. Eksemper : Overføring av data tar tid: Dekompresjonsalgoritme
Kompresjon Noen egreper Kompresjonsalgoritme Dekompresjonsalgoritme Litteratur : Cyganski kap. 7 Compressing Information kap. 8 Image Compression kap. 9 Digital Video Data Kompresjon Lagring eller oversending
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Forelesning 11 Kompresjon og koding I Andreas Kleppe Tre steg i kompresjon Redundanser Transformer Koding og entropi Shannon-Fano og Huffman Kompendium: Frem t.o.m. 18.7.2
DetaljerINF 1040 Kompresjon og koding
INF 1040 Kompresjon og koding Tema i dag : 1. Noen begreper 2. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding 7. Lempel-Ziv koding 8. JPEG koding
DetaljerINF 1040 Kompresjon og koding
INF 1040 Kompresjon og koding Tema i dag : 1. Hvor mye informasjon inneholder en melding? 2. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding
DetaljerINF 1040 Kompresjon og koding
INF 1040 Kompresjon og koding Tema i dag : 1. Noen begreper 2. Redundans 3. Differanse- og løpelengdetransformer 4. Gray kode 5. Entropi 6. Shannon-Fano og Huffman koding 7. Lempel-Ziv koding 8. JPEG koding
DetaljerLøsningsforslag, Ukeoppgaver 9 INF2310, våren kompresjon og koding del I
Løsningsforslag, Ukeoppgaver 9 INF2310, våren 2009 6. Vi har gitt følgende bilde: kompresjon og koding del I 1 0 1 2 2 2 3 3 3 1 1 1 2 1 1 3 3 3 1 0 1 1 2 2 2 3 3 2 1 2 2 3 2 3 4 4 2 1 2 3 2 2 3 4 4 2
DetaljerLøsning 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
DetaljerINF 1040 Løsningsforslag til kapittel
INF 040 Løsningsforslag til kapittel 8 Oppgave : Huffmankoding med kjente sannsynligheter Gitt en sekvens av symboler som er tilstrekkelig lang, og som inneholder de 6 symbolene A, B, C, D, E, F. Symbolene
DetaljerPLASS og TID IN 106, V-2001 KOMPRESJON OG KODING 30/ Fritz Albregtsen METODER ANVENDELSER
IN 106, V-2001 PLASS og TID Digitale bilder tar stor plass Eksempler: a 512 512 8 bits 3 farger 63 10 6 bits KOMPRESJON OG KODING 30/4 2001 b 24 36 mm fargefilm digitalisert ( x = y=12µm) 2000 3000 8 3
DetaljerPLASS og TID INF Fritz Albregtsen. Tema: komprimering av bilder ANVENDELSER METODER
PLASS og TID INF 60-30042002 Fritz Albregtsen Tema: komprimering av bilder Litteratur: Efford, DIP, kap 2 Digitale bilder tar stor plass Eksempler: a 52 52 8 bits 3 farger 63 0 6 bits b 24 36 mm fargefilm
DetaljerLøsningsforslag, Ukeoppgaver 10 INF2310, våren 2011 kompresjon og koding del II
Løsningsforslag, Ukeoppgaver 10 INF2310, våren 2011 kompresjon og koding del II 1. En fax-oppgave: a. Et ark med tekst og enkle strektegninger skal sendes pr digital fax over en modemlinje med kapasitet
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
DetaljerINF 1040 høsten 2009: Oppgavesett 13 Kompresjon og koding (løsningsforslag) (kapittel 18) Tenk selv -oppgaver
IN høsten : Oppgavesett Kompresjon og koding (løsningsforslag) (kapittel ) Tenk selv -oppgaver. Heksadesimal Sudoku Vi har en kvadratisk matrise med * elementer som igjen er delt opp i * blokker på * elementer.
DetaljerINF 1040 høsten 2009: Oppgavesett 13 Kompresjon og koding (kapittel 18)
asitoppgaver IN høsten : Oppgavesett Kompresjon og koding (kapittel ) enne seksjonen inneholder innledende oppgaver hvor det finnes en enkel fasit bakerst i oppgavesettet. et er ikke nødvendigvis meningen
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF310 Digital bildebehandling Eksamensdag : Tirsdag 5. juni 007 Tid for eksamen : 09:00 1:00 Oppgavesettet er på : 5 sider
DetaljerRepetisjon: Kompresjon
Repetisjon: Kompresjon INF2310 Digital bildebehandling FORELESNING 11 KOMPRESJON OG KODING II Andreas Kleppe Differansetransform Løpelengdetransform LZW-transform JPEG-kompresjon Tapsfri prediktiv koding
DetaljerRepetisjon: Kompresjon
INF2310 Digital bildebehandling Ole Marius Hoel Rindal, foiler av Andreas Kleppe Differansetransform Løpelengdetransform LZW-transform JPEG-kompresjon Tapsfri prediktiv koding Kompendium: 18.4, 18.7.3
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Forelesning 11 Kompresjon og koding II Andreas Kleppe Differansetransform Løpelengdetransform LZW-transform JPEG-kompresjon Tapsfri prediktiv koding Kompendium: 18.4, 18.7.3
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : Onsdag. juni Tid for eksamen : 4:3 8:3 Oppgavesettet er på : 5 sider Vedlegg : Ingen
DetaljerRepetisjon: Kompresjon
Repetisjon: Kompresjon INF230 Digital bildebehandling Forelesning Kompresjon og koding II Ole Marius Hoel Rindal, foiler av Andreas Kleppe Differansetransform Løpelengdetransform LZW-transform JPEG-kompresjon
DetaljerUNIVERSITETET I OSLO
Bokmål UNIVERSIEE I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 3. juni 2009 id for eksamen : 14:30 17:30 Oppgavesettet er på : 6 sider
DetaljerKOMPRESJON OG KODING
KOMPRESJON OG KODING Et kapittel fra boken Fritz Albregtsen & Gerhard Skagestein Digital representasjon av tekster, tall former, lyd, bilder og video 2. utgave Unipub 2007 - Med enkelte mindre endringer
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 5. juni 2007 Tid for eksamen : 09:00 12:00 Oppgavesettet er på : 5 sider
Detaljerda INF 2310 Digital bildebehandling
Ulike typer redundans da INF 2310 Digital bildebehandling Kompresjon og koding Del II LZW-koding Aritmetisk koding JPEG-kompresjon av gråtonebilder JPEG-kompresjon av fargebilder Rekonstruksjonsfeil i
DetaljerRepetisjon: Kompresjon
Repetisjon: Kompresjon INF 2310 Digital bildebehandling Kompresjon og koding Del II LZW-koding Aritmetisk koding JPEG-kompresjon av gråtonebilder JPEG-kompresjon av fargebilder Rekonstruksjonsfeil i bilder
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 2. juni 2010 Tid for eksamen : 09:00 12:00 Oppgavesettet er på : XXX sider
DetaljerUNIVERSITETET I OSLO. Dette er et løsningsforslag
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF231 Digital bildebehandling Eksamensdag : Onsdag 3. juni 29 Tid for eksamen : 14:3 17:3 Løsningsforslaget er på :
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2310 Digital bildebehandling Eksamensdag: Mandag 1. juni 2015 Tid for eksamen: 14:30 18:30 Oppgavesettett er på: 6 sider Vedlegg:
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 4. juni 2013 Tid for eksamen : 09:00 13:00 Oppgavesettet er på : 7 sider
DetaljerINF1040 Digital representasjon
INF1040 Digital representasjon av tekster, tall, former, lyd, bilder og video Forelesere: Gerhard Skagestein Fritz Albregtsen Første forelesning: Onsdag 23. august 12:15 14:00, Sophus Lies Auditorium.
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Stephan Oepen & Erik Velldal Universitetet i Oslo 22. februar, 2013 Tema 2 Forrige uke Data-abstraksjon Lister av lister Tre-rekursjon Prosedyrer som datastruktur
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Ole Marius Hoel Rindal Gråtonetrasformasjoner Histogramtransformasjoner 2D diskret Fourier-transform (2D DFT Filtrering i Fourierdomenet Kompresjon og koding Segmentering
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Stephan Oepen & Erik Velldal Universitetet i Oslo 22. februar, 2013 Tema 2 Forrige uke Data-abstraksjon Lister av lister Tre-rekursjon Prosedyrer som datastruktur
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF210 Digital bildebehandling Eksamensdag: Onsdag 28. mai 2014 Tid for eksamen: 09:00 1:00 Løsningsforslaget
DetaljerTDT4105/TDT4110 Informasjonsteknologi grunnkurs:
1 TDT4105/TDT4110 Informasjonsteknologi grunnkurs: Uke 38 Digital representasjon, del 2 - Representasjon av lyd og bilder - Komprimering av data Rune Sætre satre@idi.ntnu.no 2 Digitalisering av lyd Et
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF230 Digital bildebehandling Eksamensdag : Onsdag 6. juni 202 Tid for eksamen : 09:00 3:00 Oppgavesettet er på : 6 sider Vedlegg
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2310 Digital bildebehandling Eksamensdag: Onsdag 28. mai 2014 Tid for eksamen: 09:00 13:00 Oppgavesettet er på: 6 sider Vedlegg:
DetaljerINF1040 Digital representasjon Oppsummering 2008 del II
INF040 Digital representasjon Oppsummering 2008 del II Fritz Albregtsen INF040-Oppsum-FA- Lydintensitet Vi kan høre lyder over et stort omfang av intensiteter: fra høreterskelen, I 0 = 0-2 W/m 2,tilSmerteterskelen,0
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 4. juni 2008 Tid for eksamen : 14:30 17:30 (3 timer) Oppgavesettet er på
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Stephan Oepen Universitetet i Oslo 1. mars 2016 Tema 2 Sist Trær som lister av lister Trerekursjon Mengder som trær I dag Hierarkisk og symbolsk data Eksempel:
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
DetaljerINF2810: Funksjonell Programmering. Huffmankoding
INF2810: Funksjonell programmering INF2810: Funksjonell Programmering Huffmankoding Erik Velldal Universitetet i Oslo 20. februar 2015 Tema I går Trær som lister av lister Trerekursjon Mengder som trær
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
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF30 Digital bildebehandling Eksamensdag: Mandag 6. juni 06 Tid for eksamen: 4:30 8:30 Løsningsforslaget er
DetaljerINF1040 Digital representasjon Oppsummering 2008 del II
INF igital representasjon Oppsummering 8 del II Lydintensitet Vi kan høre lyder over et stort omfang av intensiteter: fra høreterskelen, I - W/m,tilSmerteterskelen, W/m Oftest angir vi ikke absolutt lydintensitet
DetaljerLempel-Ziv-koding. Lempel-Ziv-koding. Eksempel på Lempel-Ziv. INF 2310 Digital bildebehandling. Kompresjon og koding Del II
Lempel-Ziv-koding INF 2310 Digital bildebehandling Kompresjon og koding Del II LZW-koding Aritmetisk koding JPEG-kompresjon av gråtonebilder JPEG-kompresjon av fargebilder Rekonstruksjonsfeil i bilder
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Forelesning 10 Kompresjon og koding I Ole Marius Hoel Rindal, foiler av Andreas Kleppe. Tre steg i kompresjon Redundanser Koding og entropi Shannon-Fano-koding Huffman-koding
DetaljerFiltrering i bildedomenet. 2D-konvolusjons-eksempel. 2D-konvolusjons-eksempel. INF2310 Digital bildebehandling
Filtrering i bildedomenet INF2310 Digital bildebehandling FORELESNING 16 REPETISJON DEL I Andreas Kleppe Filtrering i bildedomenet 2D diskret Fourier-transform (2D DFT) Kompresjon og koding Morfologiske
DetaljerUNIVERSITETET I OSLO
Eksamen i UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet INF 160 Digital bildebehandling Eksamensdag: Mandag 12. mai - mandag 26. mai 2003 Tid for eksamen: 12. mai 2003 kl 09:00 26. mai
DetaljerFiltrering i bildedomenet. Middelverdifilter (lavpass) Lavpassfiltre. INF2310 Digital bildebehandling FORELESNING 15 REPETISJON
Filtrering i bildedomenet INF3 Digital bildebehandling FORELESNING 5 REPETISJON Andreas Kleppe Filtrering i bildedomenet D diskret Fourier-transform (D DFT) Kompresjon og koding Morfologiske operasjoner
DetaljerKONTINUASJONSEKSAMEN
Høgskolen i Gjøvik Avdeling for Teknologi KONTINUASJONSEKSAMEN FAGNAVN: FAGNUMMER: Algoritmiske metoder I L 189 A EKSAMENSDATO: 17. august 2000 KLASSE: 98HINDA / 98HINDB / 98HINEA ( 2DA / 2DB / 2EA ) TID:
DetaljerINF 1040 Kompresjon og koding. Noen begreper. Litt om de tre stegene i kompresjon. Kompresjon. Dekompresjonsalgoritme. Kompresjonsalgoritme
INF 4 Kompresjon og koding Tem i dg :. Hvor mye informsjon inneholder en melding?. Redundns Dt Kompresjon Noen egreper Lgring eller oversending Kompresjonslgoritme Dekompresjonslgoritme Dekompresjon Dt
DetaljerINF2310 Digital bildebehandling
INF230 Digital bildebehandling Forelesning 5 Repetisjon Andreas Kleppe Filtrering i bildedomenet 2D diskret Fourier-transform (2D DFT) Kompresjon og koding Morfologiske operasjoner på binære bilder F5
DetaljerEksamen i INF 1040, 5. desember Det matematisk-naturvitenskapelige fakultet. Ditt kandidatnr: DETTE ER ET LØSNINGSFORSLAG
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF1040 Digital representasjon Eksamensdag : Fredag 5. desember 2008 Tid for eksamen : 09.00 12.00 Oppgavesettet er på
DetaljerInformasjonsteori Skrevet av Joakim von Brandis, 18.09.2003
Informasjonsteori Skrevet av Joakim von Brandis, 18.09.200 1 Bits og bytes Fundamentalt for informasjonsteori er at all informasjon (signaler, lyd, bilde, dokumenter, tekst, etc) kan representeres som
DetaljerObjekt-bilde relasjonen. Vinkeloppløsnings-kriterier. Forstørrelse. INF 2310 Digital bildebehandling
Objekt-bilde relasjonen IN 3 Digital bildebehandling Oppsummering II, våren 7: y f f s s y Avbildning Naboskapsoperasjoner og konvolusjon Segmentering Kompresjon og koding av bilder argerom og bildebehandling
DetaljerEksamen i INF 1040, 5. desember Det matematisk-naturvitenskapelige fakultet
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF1040 Digital representasjon Eksamensdag : Fredag 5. desember 2008 Tid for eksamen : 09.00 12.00 Oppgavesettet er på
DetaljerINF 1040 høsten 2008: Oppgavesett 11 Farger (kapittel 15)
INF 1040 høsten 2008: Oppgavesett 11 Farger (kapittel 15) Fasitoppgaver Denne seksjonen inneholder innledende oppgaver hvor det finnes en enkel fasit bakerst i oppgavesettet. Det er ikke nødvendigvis meningen
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Stephan Oepen Universitetet i Oslo 1. mars 2016 Tema 2 Sist Trær som lister av lister Trerekursjon Mengder som trær I dag Hierarkisk og symbolsk data Eksempel:
DetaljerINF2310 Digital bildebehandling
INF2310 Digital bildebehandling Forelesning 12 Kompresjon og koding II Andreas Kleppe LZW-koding Aritmetisk koding JPEG-kompresjon Tapsfri prediktiv koding Kompendium: 18.7.3-18.7.4 og 18.8-18.8.1 F12
DetaljerINF1040 Digital representasjon. Oppsummering. Glyfer og tegn. Den endelige løsning UNICODE og ISO bit ulike tegn!
INF040 Digital representasjon Oppsummering Glyfer og tegn Tegn: Det bakenforliggende begrep for bestemte visualiseringer ( strektegninger ) på papir, skjerm, steintavler Et tegn kan vises fram med ulike
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2310 Digital bildebehandling Eksamensdag: Onsdag 1. juni 2015 Tid for eksamen: 14:30 18:30 Løsningsforslaget
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer HØSTEN 2017 Ingrid Chieh Yu Institutt for informatikk, Universitetet i Oslo Forelesning 4: Prioritetskø og Heap Ingrid Chieh Yu (Ifi, UiO) INF2220 H2017, forelesning
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 28. mars 2007 Tid for eksamen : 13:30 16:30 Oppgavesettet er på : 4 sider
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 4. juni 2008 Tid for eksamen : 14:30 17:30 (3 timer) Oppgavesettet er på
DetaljerFORELESNING 12. KOMPRESJON OG KODING II Andreas Kleppe
Repetisjon: Kompresjon INF2310 Digital bildebehandling FORELESNING 12 KOMPRESJON OG KODING II Andreas Kleppe LZW-koding Aritmetisk koding JPEG-kompresjon Tapsfri prediktiv koding Kompendium: 18.7.3-18.7.4
DetaljerEksamen Løsningsforslag
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Eksamen Løsningsforslag INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Torsdag 1. juni 2017 Tidspunkt for eksamen:
DetaljerUNIVERSITETET I OSLO
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF1040 Digital representasjon Eksamensdag : Torsdag 7. desember 2006 Tid for eksamen : 09.00 12.00 Oppgavesettet er
DetaljerINF 1040 høsten 2009: Oppgavesett 11 Farger (kapittel 15) Løsningsforslag Flervalgsoppgaver
INF 1040 høsten 2009: Oppgavesett 11 Farger (kapittel 15) Løsningsforslag Flervalgsoppgaver I disse oppgavene er det oppgitt fem svaralternativer der bare ett svar er riktig. 8. Fargerommet som brukes
DetaljerINF 1040 høsten 2009: Oppgavesett 12 Digital video og digital bildeanalyse (løsningsforslag) (kapittel 16 og 17) 13. Lagring av video på DVD
INF 040 høsten 2009: Oppgavesett 2 Digital video og digital bildeanalyse (løsningsforslag) (kapittel 6 og 7) 3. Lagring av video på DVD a) Med en bitrate på 250 Mbit/s, hvor lang tidssekvens av en digital
DetaljerLøsningsforslag til kapittel 15 Fargerom og fargebilder
Løsningsforslag til kapittel 15 Fargerom og fargebilder Oppgave 1: Representasjon av et bilde Under har vi gitt et lite binært bilde, der svart er 0 og hvit er 1. a) Kan du skrive ned på et ark binærrepresentasjonen
DetaljerIN2040: Funksjonell programmering. Trær, mengder og huffmankoding
IN2040: Funksjonell programmering Trær, mengder og huffmankoding Erik Velldal Universitetet i Oslo 18. september 2019 Tema 2 Forrige uke lambda, let og lokale variabler Dataabstraksjon Lister av lister:
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
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
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
DetaljerDagens plan. INF Algoritmer og datastrukturer. Koding av tegn. Huffman-koding
Grafer Dagens plan INF2220 - Algoritmer og datastrukturer HØSTEN 2007 Institutt for informatikk, Universitetet i Oslo Avsluttende om grådige algoritmer (kap. 10.1.2) Dynamisk programmering Floyds algoritme
DetaljerEksamen i IN 106, Mandag 29. mai 2000 Side 2 Vi skal i dette oppgavesettet arbeide med et bilde som i hovedsak består av tekst. Det binære originalbil
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i IN 106 Introduksjon til signal- og bildebehandling Eksamensdag: Mandag 29. mai 2000 Tid for eksamen: 29. mai 2000 kl 09:0031.
DetaljerNotater til INF2220 Eksamen
Notater til INF2220 Eksamen Lars Bjørlykke Kristiansen December 13, 2011 Stor O notasjon Funksjon Navn 1 Konstant log n Logaritmisk n Lineær n log n n 2 Kvadratisk n 3 Kubisk 2 n Eksponensiell n! Trær
DetaljerTall. Ulike klasser tall. Læringsmål tall. To måter å representere tall. De naturlige tallene: N = { 1, 2, 3, }
1111 Tall 0000 0001 De naturlige tallene: N = { 1, 2, 3, } Ulike klasser tall 1101 1110-3 -2-1 0 1 2 3 0010 0011 De hele tallene: Z = {, -2, -1, 0, 1, 2, } 1100-4 4 0100 1011 1010-5 -6-7 -8 7 6 5 0110
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 11: Huffman-koding & Dynamisk programmering (Ifi, UiO) INF2220 H2015, forelesning 11 1 / 32 Dagens
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer HØSTEN 2016 Ingrid Chieh Yu Institutt for informatikk, Universitetet i Oslo Forelesning 4: Prioritetskø og Heap Ingrid Chieh Yu (Ifi, UiO) INF2220 H2016, forelesning
DetaljerINF2810: Funksjonell Programmering. Huffman-koding
INF2810: Funksjonell Programmering Huffman-koding Erik Velldal Universitetet i Oslo 23. februar 2017 Tema 2 Sist Trær som lister av lister Trerekursjon Mengder som trær Dataabstraksjon I dag Hierarkisk
DetaljerUNIVERSITETET I OSLO
Eksamen i UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamensdag: 13. desember 2011 Tid for eksamen: 14.30 18.30 Oppgavesettet er på 7 sider. Vedlegg: INF2220 lgoritmer og datastrukturer
DetaljerINF1020 Algoritmer og datastrukturer GRAFER
GRAFER Dagens plan: Avsluttende om grådige algoritmer Huffman-koding (Kapittel 10.1.2) Dynamisk programmering Floyds algoritme for korteste vei alle-til-alle (Kapittel 10.3.4) Ark 1 av 16 Forelesning 22.11.2004
DetaljerDet fysiske laget, del 2
Det fysiske laget, del 2 Kjell Åge Bringsrud (med foiler fra Pål Spilling) 1 Pulsforvrengning gjennom mediet Linje g(t) innsignal Dempning A(f) v(t) utsignal A(f) 0% 50% Frekvensresponsen Ideell Frekv.
DetaljerAlgoritmer og Datastrukturer
Eksamen i Algoritmer og Datastrukturer IAI 21899 Høgskolen i Østfold Avdeling for informatikk og automatisering Torsdag 3. november 2, kl. 9. - 14. Hjelpemidler: Alle trykte og skrevne hjelpemidler. Kalkulator.
DetaljerTemaer i dag. Repetisjon av histogrammer II. Repetisjon av histogrammer I. INF 2310 Digital bildebehandling FORELESNING 5.
Temaer i dag INF 231 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
DetaljerIN Algoritmer og datastrukturer
IN2010 - Algoritmer og datastrukturer HØSTEN 2018 Ingrid Chieh Yu Institutt for informatikk, Universitetet i Oslo Forelesning 3: Prioritetskø og Heap Ingrid Chieh Yu (Ifi, UiO) INF2010 H2018, forelesning
DetaljerGråtonehistogrammer. Histogrammer. Hvordan endre kontrasten i et bilde? INF Hovedsakelig fra kap. 6.3 til 6.6
Hvordan endre kontrasten i et bilde? INF 230 Hovedsakelig fra kap. 6.3 til 6.6 Histogrammer Histogramtransformasjoner Histogramutjevning Histogramtilpasning Histogrammer i flere dimensjoner Matematisk
DetaljerKomprimering av bilder
Ltteratur : IF 3 Dgtal ldeehandlng Forelesnng nr 3-3.5.5 Komprmerng av lder Efford, kap. Data Kompresjon oen egreper Lagrng eller oversendng Kompresjonsalgortme Dekompresjonsalgortme Dekompresjon Temaer
DetaljerINF1040 Oppgavesett 6: Lagring og overføring av data
INF1040 Oppgavesett 6: Lagring og overføring av data (Kapittel 1.5 1.8) Husk: De viktigste oppgavetypene i oppgavesettet er Tenk selv -oppgavene. Fasitoppgaver Denne seksjonen inneholder innledende oppgaver
DetaljerRepetisjon av histogrammer
Repetisjon av histogrammer INF 231 Hovedsakelig fra kap. 3.3 i DIP Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for billedserier Litt om histogramtransformasjoner
DetaljerINF2220: Forelesning 2
INF2220: Forelesning 2 Mer om analyse av algoritmer Analyse av binære søketrær Balanserte søketrær Rød-svarte trær (kapittel12.2) B-trær (kapittel 4.7) ANALYSE AV ALGORITMER 2 Analyse av tidsforbruk Hvor
Detaljer