Motivasjon INF Eksempel. Gjenkjenning av objekter intro (mer i INF 4300) OCR-gjennkjenning: Problem: gjenkjenn alle tall i bildet automatisk.

Størrelse: px
Begynne med side:

Download "Motivasjon INF Eksempel. Gjenkjenning av objekter intro (mer i INF 4300) OCR-gjennkjenning: Problem: gjenkjenn alle tall i bildet automatisk."

Transkript

1 INF 230 Morologi Morologiske operasjoner på binære bilder:. Basis-begreper 2. Fundamentale operasjoner på binære bilder 3. Sammensatte operasjoner 4. Eksempler på anvendelser lettet inn GW, Kapittel (mer i INF 4300) Også i dag: kort kursevaluering Merk: litt orenklet notasjon i orhold til boka Motivasjon Morologisk bildebehandling dreier seg om en rekke ikke-lineære operatorer diskrete varianter av matematisk morologi. De leste operatorene er beregnet på binære bilder Interessert i objekters orm (shape) En morologisk operasjon på et binært bilde et nytt binært bilde. Ut-bildet har verdien på et gitt sted bare hvis den utørte testen var positiv. Mange av dem brukes til å jerne uønskede eekter etter segmentering Fjerning av små objekter (støy-objekter) Glatting av omrisset til større objekter Fjerning av hull i objekter Lenke sammen objekter Noen operatorer er nyttige til analyse og beskrivelse av objekter Finne omriss av objekter Finne ordelingen av størrelsen på objektene Finne ordelingen av størrelsen på mellomrommene mellom objektene Finne mønstre i bilder Operasjonene er ote enkle og kan utøres svært raskt 2 Eksempel Problem: gjenkjenn alle tall i bildet automatisk. Gjenkjenning av objekter intro (mer i INF 4300) OCR-gjennkjenning: Her vil morologiske operatorer være velegnet til å prosessere ormen på de segmenterte tallene etter terskling, men ør gjenkjenning. En del små støy-objekter. Noen symboler er ragmentert i lere deler. Kanten rundt noen symboler kan være rusete. Segmenter ved or eksempel terskling Fjern støy/lukk hull i segmentert bilde Finn tallene (sammenhengende objekter) Trekk ut egenskaper som beskriver objektenes orm Tren på mange eksempler av hvert objekt. Gjenkjenn nye objekter ved å sammenligne med tidligere objekter i treningsdatabasen.

2 Litt sett-teori La A være et sett i Z 2. Dersom punktet a=(a,a 2 ) er et element i A skriver vi: a A Dersom a ikke er inneholdt i A skriver vi: a A Settet uten noen elementer kalles det tomme settet og betegnes Elementene som ikke er i A kalles komplementet til A, og betegnes A c Dersom alle elementene i A er inneholdt i B sies A å være et subsett av B, dette skrives: A B Med unionen av to sett A og B mener vi settet som består av alle elementer ra enten A eller B, dette betegnes: A B Litt sett-teori i praksis på binære bilder Komplementet til et binært bilde, g (x, y) hvis = 0 Snittet av to bilder og g h = g h (x, y) Unionen av to bilder og g h = g (x, y) hvis (x, y) = 0 = hvis (x, y) = og g(x, y) = = 0 ellers hvis (x, y) = eller g(x, y) = h(x,y) = 0 ellers Med snittet av A og B mener vi settet som består av elle elementer som innes i både A og B, dette betegnes: A B Et strukturelement or et binært bilde er en liten matrise av piksler Når vi ører det binære strukturelementet over det binære bildet vil vi inne Posisjoner der elementet ikke overlapper objektet Posisjoner der elementet delvis overlapper objektet, dvs at elementet treer objektet Posisjoner der elementet ligger inni objektet, dvs at elementet passer i objektet Tre sentrale begrep Strukturelementenes orm og origo Strukturelementer kan ha ulik orm og størrelse Et strukturelement har et origo Origo markerer pikselen som evt. endrer verdi Origo kan ligge utenor strukturelementet Origo bør markeres når man an strukturelementet,.eks. ved

3 Passer strukturelementet til det binære bildet? Erosjon Anta at vi lytter strukturelementet rundt over et binært bilde. Strukturelementet passer i posisjonen (x,y) i bildet hvis hvert piksel 0 i elementet svarer til en pikselverdi 0 i bildet. Pikselverdier som aller under strukturelementverdier som er lik 0 er irrelevante! Et bilde: To orskjellige To orskjellige strukturelementer resultater Plasser strukturelementet S slik at origo ligger over bildet med koordinatene (x,y), og bruk regelen ε ( X S ) = 0 { x0 S0 x X} hvis S passer g( x, y) = 0 ellers erodert med Erosjon av et bilde med strukturelementet S betegnes θ S Mer presist: Erosjonen av et sett X (det binære bildet) med strukturelementet S er deinert som posisjonen til alle piksler x slik at S er inkludert i X når origo i S plasseres i x: ε ( X S ) = { x Sx X } Eekter av erosjon Iterativ erosjon Erodering krymper objekter Piksler jernes også innenra, hvis objektet har hull. 0 0 Erosjon jerner små utstikk på objektets omriss. Erosjon utvider innbuktninger i objektets omriss. Resultatet er avhengig av strukturelementets orm. Større strukturelement mer erosjon. erodert med Større strukturelement mer erosjon. Resultatet av erosjon med et stort strukturelement er lik resultatet av gjentatt erosjon med et mindre element med samme orm. Hvis s 2 er ormlik s, men dobbelt så stort, så er ө s 2 ( ө s ) ө s erodert 2 ganger med

4 Anvendelse - Kantdeteksjon ved erosjon Erodering jerner piksler langs omrisset av en region. Eksempel Kantdeteksjon ved erosjon / omriss Vi kan inne kanten av regionene i bildet ved å subtrahere et erodert bilde ra originalbildet, dvs. g = - ( ө s) Strukturelementet avgjør 4- eller 8-naboskap erodert med => dieranse Sammenhengende omriss som benytter naboskap Sammenhengende ved 4-naboskap Treer strukturelementet det binære bildet? Dilasjon Anta igjen at vi lytter strukturelementet rundt over et binært bilde. Strukturelementet treer posisjonen (x,y) i bildet hvis et piksel 0i elementet svarer til en pikselverdi 0 i bildet. Pikselverdier som aller under strukturelementverdier som er lik 0 er irrelevante! Dette er en slags binær (logisk) konvolusjon Et bilde: To orskjellige To orskjellige strukturelementer resultater Plasser S slik at origo ligger i (x,y), og bruk regelen g ( x, y ) = 0 hvis S treer ellers Dilasjon av et bilde med dilatert med strukturelementet S betegnes S Mer presist: Dilasjonen av et sett X med strukturelementet S er deinert som posisjonen til alle piksler x slik at S overlapper med X i minst ett piksel når origo i S plasseres i x: { x S Ø } δ ( X S) = X x

5 Dilasjon utvider objekter Eekter av dilasjon Dette gjelder både indre og ytre omriss til objektet Dilasjon yller i hull i objektet. Dilasjon glatter ut innbuktninger i objektets omriss. Resultatet er avhengig av strukturelementets orm dilatert med Større strukturelement mer eekt av dilasjon. Anvendelse - Region-ylling med dilasjon La X 0 inneholde et punkt i regionen som skal ylles Deretter iterer over ølgende: c X k ( X k S) I X 0 c X X 2 ( X S) (Bilder hentet ra Eekter av kvadratiske og runde strukturelementer Ved dilatering av konkave rettvinklede hjørner vil kvadratiske og runde strukturelementer gi samme eekt. Ved dilatering av konvekse rettvinklede hjørner vil runde strukturelementer gi avrundede hjørner. Runde strukturelementer avrundede hjørner ved erosjon av rettvinklede konkave hjørner. Dualitet Dilasjon og erosjon er duale,dvs operasjonene har motsatt eekt: ( ) C Der C er komplementet til, dvs at vi erstatter med 0 og 0 med, og Ŝ er strukturelementet rotert 80 o. komplementet S = C θ ŜS For å dilatere med symmetrisk S kan vi erodere komplementet til med S, og ta komplementet av resultatet. Både dilasjon og erosjon kan utøres av samme prosedyre, hvis vi kan rotere et strukturelement og inne komplementet til et bilde. dilatert med erodert med og disse bildene er komplementære

6 Dualitet II Betrakt et binært bilde som en samling av sammenhengende regioner av piksler med verdi på en bakgrunn av piksler med verdi 0. Erosjon er å inne de posisjonene der strukturelementet passer inni regionene. Dilasjon er å inne de posisjonene der (det transponerte) strukturelementet passer inni bakgrunnen, og så komplementere resultatet. t t Dermed er det lett å se at erosjon med et sirkelormet element runder av konkave objekt-hjørner, mens dilasjon med samme element runder av konvekse objekt-hjørner. Dilasjon: Andre egenskaper Dilasjon er kommutativ. Det er en konvensjon i aget å la ørste operand være bildet og andre være strukturelementet (som er mindre), men Dilasjon er assosiativ. S = S ( S S S2 ) = ( S) Dette er veldig nyttig hvis vi ser at strukturelementet S kan dekomponeres, dvs at S er S dilatert med S2. Da kan vi spare en del regnetid. Eksempel: = [ ] 2 Erosjon: Andre egenskaper Åpning Erosjon er IKKE kommutativ. ti θ S S θ Erosjon av snittet av to mengder er gitt ved snittet av de to erosjonene: ( X Y ) θ S = ( X θ S) ( Y θ S ) Suksessiv erosjon (eller dilasjon) av bildet med A og så med B er ekvivalent med erosjon (dilasjon) av bildet med A dilatert med B ( θ A) θ B = θ (A B) ( A) B= (A B) En erosjon av et bilde jerner alle stukturer som ikke kan inneholde strukturelementet, og krymper alle andre strukturer. Hvis vi dilaterer resultatet av en erosjon med samme strukturelement, vil de strukturer som overlevede erosjonen bli gjenskapt. Dette er en morologisk åpning. ( θ ) S o S = S Navnet skyldes at operasjonen kan skape en åpning mellom to strukturer som bare henger sammen i en tynn bro, uten å krympe de to strukturene, slik som en erosjon alene ville gjort.

7 Åpning Vi kan visualisere morologisk åpning ved å tenke oss at strukturelementet øres langs kanten av objektet. Først langs innsiden av objektet. Dermed krymper objektet. Konkave hjørner kan bli avrundet hvis strukturelementet er rundt. Deretter ører vi strukturelementet rundt utsiden av resultatobjektet ovenor. Objektet vokser igjen, men små utstikkere som orsvant i orrige steg blir ikke gjenopprettet. For runde strukturelementer: t De konvekse k hjørnene som beholdt ormen ved erosjon blir nå avrundet ved dilasjon, mens de konkave som ble avrundet ved erosjon, blir til rette hjørner igjen ved dilasjon. Idempotens: Gjentatte anvendelser av åpning med samme strukturelement ingen endringer i resultatet. ( o S ) o S = o S (Figur ra Gonzales&Woods) Lukking En dilasjon av et bilde utvider objektet, yller i hull og innbuktninger i omrisset. Hvis vi eroderer resultatet av en dilasjon med det roterte strukturelementet, vil objektene stort sett beholde sin størrelse og orm, men innbuktninger som er ylt igjen ved dilasjonen vil ikke gjenoppstå. Objekter som er smeltet t sammen ved dilasjonen vil ikke bli adskilt igjen. ( Ŝ) θ Sˆ Dette er en morologisk lukking. S = Navnet skyldes at operasjonen kan lukke en åpning mellom to strukturer som bare er adskilt med et lite gap, uten at de to regionene vokser, slik som en dilasjon ville ha gjort. Lukking II Vi kan visualisere morologisk lukking ved å tenke oss at strukturelementet øres langs kanten av objektet. binært bilde Lukking connecting pixels dilatert med erodert med samme element Først langs utsiden av objektet. Dermed vokser objektet. Konvekse hjørner kan bli avrundet. Deretter ører vi strukturelementet rundt innsiden av resultatobjektet ovenor. Objektet krymper igjen, men små viker som orsvant i orrige steg blir ikke gjenopprettet. Idempotens: Gjentatte anvendelser av lukking med samme strukturelement ingen endringer i resultatet. ( S ) S = S Strukturelementets orm, og objektenes orm og avstand er avgjørende or resultatet.

8 Dualitet mellom åpning og lukking Eksempel - Åpning som støyjerner Lukking er en dual operasjon til åpning, og omvendt. C C S =( o S) C C os =( S) Lukking av et binært bilde med et strukturelement kan gjøres ved å ta komplementet til bildet, åpne det med strukturelementet, og ta komplementet av resultatet. Og omvendt: Åpning av et binært bilde med strukturelementet kan gjøres ved å ta komplementet til bildet, lukke det med strukturelementet, og ta komplementet av resultatet. Vi kan altså utøre begge operasjonene med kode bare or den ene, hvis vi har kode or å produsere komplementet til et binært bilde. Lukking er en ekstensiv transormasjon (piksler legges til). Åpning er en antiekstensiv transormasjon (piksler jernes). o S S Åpning med 7x7 sirkulært strukturelement (Bilder hentet ra Eksempel Formseparering ved åpning Eksempel Filtrering ved lukking Åpning med sirkulært strukturelement Lukking med 3x3 strukturelement

9 Eksempel Filtrering ved åpning og lukking Eksempel Granulometri ved åpning Gjentatte åpninger av originalbildet med gradvis større strukturelementer Benytter at eekten av åpning er størst i regioner hvor elementenes størrelser er tilnærmet lik strukturelementets Hit and miss -transormasjonen Dette er en transormasjon som brukes til å inne et bestemt mønster i et bilde. Strukturelementet er et par [s,s 2 ] som er disjunkte mengder. C { S, S } = ( θ S ) ( θ ) ( ) 2 S2 Et objektpiksel bevares kun hvis s passer innenor og s 2 passer utenor objektet. Eksempel på bruk: Finne bestemte strukturer. Fjerne enkeltpiksler. Benyttet i tynning Hit or miss - transormen Finn et eksakt mønster template matching Mål: inn eksakt ormen gitt ved objekt D. D kan passe inni mange objekter, så vi trenger å se på lokal bakgrunn W-D. Beregn ørst erosjonen av A med D, AθD (alle piksler der D passer inni A) Sjekk også om bakgrunnen passer: beregn A C, komplementet til A. Kooridinatene det D passer til snittet mellom AθD og erosjonen av A C med W-D, A C θ(w-d). Hit-or-miss uttrykkes A D: (AθD) [ ACθ ( W D) ] 36

10 Hit and miss eksempel Strukturelement B Bilde A Resultat etter erosjon med B A C Komplementet til bildet Strukturelement B A C erodert med B Hit-and-miss resultatet Logisk AND mellom de to delresultatene Oppsummering Grunnleggende begreper Strukturelement (med origo) Erosjon Dilasjon Dualitet Åpning (erosjon etterulgt av dilasjon) Lukking (dilasjon etterulgt av erosjon) Hit-and-miss Eksempler på anvendelser

Motivasjon. Litt sett-teori. Eksempel. INF Mesteparten av kap i DIP Morfologiske operasjoner på binære bilder.

Motivasjon. Litt sett-teori. Eksempel. INF Mesteparten av kap i DIP Morfologiske operasjoner på binære bilder. 1 Motivasjon INF 2310 Mesteparten av kap 9.1-9.5 i DIP Morfologiske operasjoner på binære bilder Basis-begreper Fundamentale operasjoner på binære bilder Sammensatte operasjoner Eksempler på anvendelser

Detaljer

Motivasjon. INF 2310 Morfologi. Eksempel. Gjenkjenning av objekter intro (mer i INF 4300) Problem: gjenkjenn alle tall i bildet automatisk.

Motivasjon. INF 2310 Morfologi. Eksempel. Gjenkjenning av objekter intro (mer i INF 4300) Problem: gjenkjenn alle tall i bildet automatisk. INF 230 Morfologi Morfologiske operasjoner på binære bilder:. Basis-begreper 2. Fundamentale operasjoner på binære bilder 3. ammensatte operasjoner 4. Eksempler på anvendelser flettet inn GW, Kapittel

Detaljer

Motivasjon. Litt sett-teori. Eksempel. INF Kap. 11 i Efford Morfologiske operasjoner. Basis-begreper

Motivasjon. Litt sett-teori. Eksempel. INF Kap. 11 i Efford Morfologiske operasjoner. Basis-begreper Basis-begreper INF 2310 08.05.2006 Kap. 11 i Efford Morfologiske operasjoner Fundamentale operasjoner på binære bilder Sammensatte operasjoner Morfologisk filtrering Morfologiske operasjoner på gråtonebilder

Detaljer

Morfologiske operasjoner. Motivasjon

Morfologiske operasjoner. Motivasjon INF 230 Digital bildebehandling orelesning nr 2-9.04.2005 Morologiske operasjoner Litteratur : Eord, Kap. Temaer : Neste gang : Basis-begreper Fundamentale operasjoner på binære bilder ammensatte operasjoner

Detaljer

Introduksjon. Litt mengdeteori. Eksempel: Lenke sammen objekter. Morfologiske operasjoner på binære bilder. INF2310 Digital bildebehandling

Introduksjon. Litt mengdeteori. Eksempel: Lenke sammen objekter. Morfologiske operasjoner på binære bilder. INF2310 Digital bildebehandling Introduksjon Digital bildebehandling Forelesning 3 Morologiske operasjoner på binære bilder Fritz Albregtsen Repetisjon av grunnleggende mengdeteori Fundamentale operatorer ammensatte operatorer Eksempler

Detaljer

Introduksjon. Litt mengdeteori. Eksempel: Lenke sammen objekter. Morfologiske operasjoner på binære bilder. INF2310 Digital bildebehandling

Introduksjon. Litt mengdeteori. Eksempel: Lenke sammen objekter. Morfologiske operasjoner på binære bilder. INF2310 Digital bildebehandling Introduksjon Digital bildebehandling Forelesning 4 Morologiske operasjoner på binære bilder Andreas Kleppe Repetisjon av grunnleggende mengdeteori Fundamentale operatorer ammensatte operatorer Eksempler

Detaljer

Introduksjon. Morfologiske operasjoner på binære bilder. Litt mengdeteori. Eksempel: Lenke sammen objekter INF

Introduksjon. Morfologiske operasjoner på binære bilder. Litt mengdeteori. Eksempel: Lenke sammen objekter INF INF230 5.05.202 Morfologiske operasjoner på binære bilder Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på anvendelser er flettet inn DIP: 9.-9.4, 9.5.,

Detaljer

Morfologiske operasjoner på binære bilder

Morfologiske operasjoner på binære bilder Digital bildebehandling Forelesning 15 Morfologiske operasjoner på binære bilder Fritz Albregtsen Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på anvendelser

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

Introduksjon. Litt mengdeteori. Eksempel: Lenke sammen objekter. Morfologiske operasjoner på binære bilder. INF2310 Digital bildebehandling

Introduksjon. Litt mengdeteori. Eksempel: Lenke sammen objekter. Morfologiske operasjoner på binære bilder. INF2310 Digital bildebehandling Digital bildebehandling Forelesning 3 Morfologiske operasjoner på binære bilder Andreas Kleppe Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på anvendelser

Detaljer

Morfologiske operasjoner på binære bilder

Morfologiske operasjoner på binære bilder Digital bildebehandling Forelesning 9-209 Morfologiske operasjoner på binære bilder Fritz Albregtsen Repetisjon av grunnleggende mengdeteori Fundamentale operatorer Sammensatte operatorer Eksempler på

Detaljer

Oversikt, kursdag 3. Matematisk morfologi III. Hit-or-miss transformen og skjeletter. Hit-or-miss transformen og skjeletter

Oversikt, kursdag 3. Matematisk morfologi III. Hit-or-miss transformen og skjeletter. Hit-or-miss transformen og skjeletter Matematisk morfologi III Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Sammensatte operasjoner: Hit-or-miss-transformen. Skjeletter. Oversikt, kursdag 3 Copyright Lars Aurdal, NTNU/NR

Detaljer

Morfologi i Binære Bilder

Morfologi i Binære Bilder Morfologi i Binære Bilder Lars Vidar Magnusson February 26, 2018 Delkapittel 9.1 Preliminaries Delkapittel 9.2 Dilation and Erosion Delkapittel 9.3 Opening and Closing Delkapittel 9.4 The Hit-or-Miss Transformation

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Fredag 29. mars 2019 Tid for eksamen : 14:30 18:30 (4 timer) Oppgavesettet er

Detaljer

Matematisk morfologi II

Matematisk morfologi II Matematisk morfologi II Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Copyright Lars Aurdal, NTNU/NR Oversikt, kursdag 2 Elementære operasjoner: Erosjon. Dilasjon. Sammensatte operasjoner:

Detaljer

Oversikt, kursdag 2. Matematisk morfologi II. Morfologiske operatorer, erosjon og dilasjon. Morfologiske operatorer, erosjon og dilasjon

Oversikt, kursdag 2. Matematisk morfologi II. Morfologiske operatorer, erosjon og dilasjon. Morfologiske operatorer, erosjon og dilasjon Matematisk morfologi II Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Elementære operasjoner: Erosjon. Dilasjon. Oversikt, kursdag 2 Sammensatte operasjoner: Åpning. Lukning. Flosshatt-transformasjoner.

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

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

INF 2310 Digital bildebehandling. Rayleigh-kriteriet. Samplingsteoremet (Shannon/Nyquist) Hvor små detaljer kan en linse oppløse?

INF 2310 Digital bildebehandling. Rayleigh-kriteriet. Samplingsteoremet (Shannon/Nyquist) Hvor små detaljer kan en linse oppløse? INF 3 Digital bildebehandling Raleigh-kriteriet Avbildning ampling og kvantisering Geometriske operasjoner Oppsummering FA, mai 5: F F F3 Filtrering i i bildedomenet d F6, F7 Morologiske operasjoner Farger

Detaljer

Morfologi i Binære Bilder II

Morfologi i Binære Bilder II Morfologi i Binære Bilder II Lars Vidar Magnusson March 28, 2017 Delkapittel 9.3 Opening and Closing Delkapittel 9.4 The Hit-or-Miss Transformation Opening (Åpning) Opening er en morfologisk operasjon

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

UNIVERSITETET I OSLO

UNIVERSITETET 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:

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Matematisk morfologi IV

Matematisk morfologi IV Matematisk morfologi IV Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no. desember 3 Copyright Lars Aurdal, NTNU/NR Oversikt, kursdag Geodesi-transformasjoner: Geodesi-dilasjon. Geodesi-erosjon. Geodesi-rekonstruksjon.

Detaljer

Oversikt, kursdag 4. Matematisk morfologi IV. Geodesi-transformasjoner: Dilasjon. Geodesi-transformasjoner

Oversikt, kursdag 4. Matematisk morfologi IV. Geodesi-transformasjoner: Dilasjon. Geodesi-transformasjoner Matematisk morfologi IV Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no. desember Geodesi-transformasjoner: Oversikt, kursdag Geodesi-dilasjon. Geodesi-erosjon. Geodesi-rekonstruksjon.. Åpning/lukning

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling INF 3 Digital bildebehandling Oppsummering FA, mai 6: Avbildning Sampling og kvantisering Geometriske operasjoner F F F3 Filtrering i bildedomenet F6, F7 Segmentering ved terskling Morfologiske operasjoner

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF30 Digital bildebehandling Eksamensdag : Fredag 9. mars 09 Tid for eksamen : :30 8:30 ( timer) Løsningsforslaget

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling Temaer i dag INF 310 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen Geometriske operasjoner Lineære / aine transormer Resampling og interpolasjon Samregistrering i av bilder

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Oversikt, matematisk morfologi. Matematisk morfologi. Oversikt, matematisk morfologi. Oversikt, matematisk morfologi. Praktisk informasjon

Oversikt, matematisk morfologi. Matematisk morfologi. Oversikt, matematisk morfologi. Oversikt, matematisk morfologi. Praktisk informasjon Matematisk morfologi Lars urdal Norsk regnesentral aurdal@nr.no 9. august 2005 Litt praktisk informasjon.. Historie. Matematisk grunnlag. Fundamentale operatorer: Dilasjon. Erosjon. 1 Sammensatte operatorer:

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling Temaer i dag INF 310 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen Geometriske operasjoner Lineære / aine transormer Resampling og interpolasjon Samregistrering i av bilder

Detaljer

Grunnleggende Matematiske Operasjoner

Grunnleggende Matematiske Operasjoner Grunnleggende Matematiske Operasjoner Lars Vidar Magnusson January 16, 2017 Delkapittel 2.6 Array vs Matrise Operasjoner Det er vanlig med både array- og matrise-operasjoner på bilder. Array-multiplikasjon

Detaljer

EKSAMEN. Bildebehandling og mønstergjenkjenning

EKSAMEN. Bildebehandling og mønstergjenkjenning EKSAMEN Emnekode: ITD33514 Dato: 18. mai 2015 Hjelpemidler: Alle trykte og skrevne. Emne: Bildebehandling og mønstergjenkjenning Eksamenstid: 4 timers eksamen Faglærer: Jan Høiberg Eksamensoppgaven: Oppgavesettet

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

UNIVERSITETET I OSLO. Dette er et løsningsforslag

UNIVERSITETET 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 :

Detaljer

Matematisk morfologi NTNU

Matematisk morfologi NTNU Matematisk morfologi Lars Aurdal Norsk regnesentral aurdal@nr.no 19. april 2004 Oversikt, matematisk morfologi Litt praktisk informasjon. Motivasjon. Historie. Matematisk grunnlag. Fundamentale operatorer:

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

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 4. juni 2013 Tid for eksamen : 09:00 13:00 Løsningsforslaget

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Filtrering i bildedomenet. Middelverdifilter (lavpass) Lavpassfiltre. INF2310 Digital bildebehandling FORELESNING 15 REPETISJON

Filtrering 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

Detaljer

Morfologi i Gråskala-Bilder

Morfologi i Gråskala-Bilder Morfologi i Gråskala-Bilder Lars Vidar Magnusson April 3, 2017 Delkapittel 9.6 Gray-Scale Morphology Generelt Gråskala morfologiske operasjoner har mye til felles med binære morfologiske operasjoner. Vi

Detaljer

INF2310 Digital bildebehandling

INF2310 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

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling Temaer i dag INF 310 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen Geometriske operasjoner Lineære / aine transormer Resampling og interpolasjon Samregistrering i av bilder

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Morfologi i Binære Bilder

Morfologi i Binære Bilder Morfologi i Binære Bilder Lars Vidar Magnusson March 20, 2017 Delkapittel 9.1 Preliminaries Delkapittel 9.2 Dilation and Erosion Bakgrunn Morfologiske operasjoner på binære bilder beskrives med mengdeteori.

Detaljer

Morfologi i Binære Bilder III

Morfologi i Binære Bilder III Morfologi i Binære Bilder III Lars Vidar Magnusson March 28, 2017 Delkapittel 9.5 Some Basic Morphological Algorithms Boundary Extraction (Grenseuthenting) Vi kan hente ut grensen til et sett (boundary)

Detaljer

SEGMENTERING IN 106, V-2001 BILDE-SEGMENTERING DEL I 26/ Fritz Albregtsen SEGMENTERING SEGMENTERING

SEGMENTERING IN 106, V-2001 BILDE-SEGMENTERING DEL I 26/ Fritz Albregtsen SEGMENTERING SEGMENTERING SEGMENTERING IN 106, V-2001 Segmentering er en prosess som deler opp bildet i meningsfulle regioner. I det enkleste tilfelle har vi bare to typer regioner BILDE-SEGMENTERING DEL I Forgrunn Bakgrunn Problemet

Detaljer

LO118D Forelesning 3 (DM)

LO118D Forelesning 3 (DM) LO118D Forelesning 3 (DM) Mengder og funksjoner 27.08.2007 1 Mengder 2 Funksjoner Symboler x y Logisk AND, både x og y må være sanne x y Logisk OR, x eller y må være sann x Negasjon, ikke x x For alle

Detaljer

Høgskoleni østfold EKSAMEN. ITD33506 Bildebehandling og monstergjenkjenning. Dato: Eksamenstid: kl 9.00 til kl 12.00

Høgskoleni østfold EKSAMEN. ITD33506 Bildebehandling og monstergjenkjenning. Dato: Eksamenstid: kl 9.00 til kl 12.00 Or Høgskoleni østfold EKSAMEN Emnekode: Emne: ITD33506 Bildebehandling og monstergjenkjenning Dato: 25.11.2013 Eksamenstid: kl 9.00 til kl 12.00 Hjelpemidler: Læreboken, ett A4-ark skrevet på begge sider

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF 160 Digital bildebehandling Eksamensdag: Mandag 13. mai - mandag 27. mai 2002 Tid for eksamen: 13. mai 2002 kl 09:00 27. mai

Detaljer

Lokale operasjoner. Omgivelser/naboskap/vindu. Bruksområder - filtrering. INF 2310 Digital bildebehandling FORELESNING 6 FILTRERING I BILDE-DOMÈNET I

Lokale operasjoner. Omgivelser/naboskap/vindu. Bruksområder - filtrering. INF 2310 Digital bildebehandling FORELESNING 6 FILTRERING I BILDE-DOMÈNET I Lokale operasjoner INF 30 Digital bildebehandling FORELESNING 6 FILTRERING I BILDE-DOMÈNET I Fritz Albregtsen Naboskaps-operasjoner Konvolusjon og korrelasjon Kant-bevarende filtre Ikke-lineære filtre

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Prøve- EKSAMEN med løsningsforslag

Prøve- EKSAMEN med løsningsforslag Prøve- EKSAMEN med løsningsforslag Emnekode: ITD33514 Dato: Vår 2015 Hjelpemidler: Alle trykte og skrevne. Emne: Bildebehandling og mønstergjenkjenning Eksamenstid: 4 timers eksamen Faglærer: Jan Høiberg

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

INVERST FUNKSJONSTEOREM MAT1100 KALKULUS

INVERST FUNKSJONSTEOREM MAT1100 KALKULUS INVERST FUNKSJONSTEOREM MAT1100 KALKULUS Simon Foldvik 29. Oktober 2017 1. Introduksjon Vi skal i dette dokumentet bevise en global og en lokal versjon av inverst unksjonsteorem i én variabel. Kort oppsummert

Detaljer

Eksamen Løsningsforslag

Eksamen 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:

Detaljer

INF Kap og i DIP

INF 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

Detaljer

Eksamen 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

Eksamen 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.

Detaljer

Oversikt, kursdag 1. Matematisk morfologi I. Praktisk informasjon om kurset. Praktisk informasjon om kurset

Oversikt, kursdag 1. Matematisk morfologi I. Praktisk informasjon om kurset. Praktisk informasjon om kurset Matematisk morfologi I Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 1. mars 2005 Praktisk informasjon om kurset Forelesninger. Øvinger. Pensum. Eksamen. Oversikt, kursdag 1 Tema for forelesningene.

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Notat 05 for MAT Relasjoner, operasjoner, ringer. 5.1 Relasjoner

Notat 05 for MAT Relasjoner, operasjoner, ringer. 5.1 Relasjoner Notat 05 for MAT1140 5 Relasjoner, operasjoner, ringer 5.1 Relasjoner Når R er en relasjon som er veldefinert på A B, slik at R(x, y) er en påstand når x A og B B, tenker vi på relasjonen som noe som lever

Detaljer

Dagens plan. INF3170 Logikk. Induktive definisjoner. Eksempel. Definisjon (Induktiv definisjon) Eksempel

Dagens plan. INF3170 Logikk. Induktive definisjoner. Eksempel. Definisjon (Induktiv definisjon) Eksempel INF3170 Logikk Dagens plan Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen Institutt for informatikk, Universitetet i Oslo 1 Induktive definisjoner 2 29.

Detaljer

Matematisk morfologi I

Matematisk morfologi I Matematisk morfologi I Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Copyright Lars Aurdal, NTNU/NR Oversikt, kursdag 1 Praktisk informasjon om kurset Forelesninger. Øvinger. Pensum.

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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:

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

Morfologi i Gråskala-Bilder II

Morfologi i Gråskala-Bilder II Morfologi i Gråskala-Bilder II Lars Vidar Magnusson April 4, 2017 Delkapittel 9.6 Gray-Scale Morphology Top-Hat (Topphatt) Transformasjon Et eksempel på bruk av top-hat transformasjonen Top-Hat (Topphatt)

Detaljer

INF2310 Digital bildebehandling

INF2310 Digital bildebehandling INF230 Digital bildebehandling Forelesning 6 Filtrering i bildedomenet I Fritz Albregtsen Naboskaps-operasjoner Konvolusjon og korrelasjon Lavpassfiltrering og kant-bevaring G&W: 2.6.2, 3., 3.4-3.5, deler

Detaljer

Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen januar 2007

Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen januar 2007 Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen - 29. januar 2007 1 Induktive definisjoner Induktive definisjoner Definisjon 1.1 (Induktiv definisjon). Å

Detaljer

Løsningsforslag Øving 9 TMA4140 Diskret matematikk Høsten 2008. i for i = 0, 1, 2, 3, 4, og så er W 4 svaret. 0 1 0 0

Løsningsforslag Øving 9 TMA4140 Diskret matematikk Høsten 2008. i for i = 0, 1, 2, 3, 4, og så er W 4 svaret. 0 1 0 0 Løsningsforslag Øving 9 TMA4140 Diskret matematikk Høsten 2008 8.4.27 Vi beregner matrisene W i for i = 0, 1, 2, 3, 4, og så er W 4 svaret. a) W 0 = W 1 = W 2 = 1 0 0 0 1 1 0 0 b) W 0 = c) W 0 = d) W 0

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Andre del av forelesningen om funksjoner bygger på dette notatet. Notatet bygger på læreboken og er noe mer utfyllende enn forelesningen.

Andre del av forelesningen om funksjoner bygger på dette notatet. Notatet bygger på læreboken og er noe mer utfyllende enn forelesningen. NOTAT TIL FORELESNING OM FUNKSJONER, DEL Andre del av orelesningen om unksjoner bygger på dette notatet. Notatet bygger på læreboken og er noe mer utyllende enn orelesningen. GRENSEVERDI Man kan or eksempel

Detaljer

Hensikt: INF Metode: Naboskaps-operasjoner Hvorfor: Hvor:

Hensikt: INF Metode: Naboskaps-operasjoner Hvorfor: Hvor: Standardisering av bildets histogram INF 60-8.02.2003 Fritz Albregtsen Tema: Naboskaps-operasjoner Del : - Standardisering av bilder - Konvolusjon Litteratur: Efford, DIP, kap. 7. - 7.2 Hensikt: Sørge

Detaljer

Temaer i dag. Geometriske operasjoner. Anvendelser. INF 2310 Digital bildebehandling

Temaer i dag. Geometriske operasjoner. Anvendelser. INF 2310 Digital bildebehandling Temaer i dag INF 310 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering av bilder

Detaljer

Dagens plan. INF3170 Logikk. Noen begreper. Automatisk bevissøk i førsteordens logikk

Dagens plan. INF3170 Logikk. Noen begreper. Automatisk bevissøk i førsteordens logikk INF3170 Logikk Dagens plan Forelesning 10: introduksjon, substitusjoner og uniisering Christian Mahesh Hansen 1 Institutt or inormatikk, Universitetet i Oslo 16. april 2007 Institutt or inormatikk (UiO)

Detaljer

Analysedrypp I: Bevis, mengder og funksjoner

Analysedrypp I: Bevis, mengder og funksjoner Analysedrypp I: Bevis, mengder og funksjoner Hensikten med Analysedrypp er å bygge en bro mellom MAT1100 og MAT1110 på den ene siden og MAT2400 på den andre. Egentlig burde det være unødvendig med en slik

Detaljer

Filtrering i bildedomenet. 2D-konvolusjons-eksempel. 2D-konvolusjons-eksempel. INF2310 Digital bildebehandling

Filtrering 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

Detaljer

Følger Sipsers bok tett både i stoff og oppgaver.

Følger Sipsers bok tett både i stoff og oppgaver. 1 - hrj 1 Følger Sipsers bok tett både i stoff og oppgaver. Tirsdag forelesninger, nytt stoff Onsdag eksempler og utfyllende stoff Torsdag oppgaver fra uka før Start: kapittel 1 (2uker), 2 (2uker),3 (2uker),4

Detaljer

Filtrering. Konvolusjon. Konvolusjon. INF2310 Digital bildebehandling FORELESNING 6 FILTRERING I BILDEDOMENET I

Filtrering. Konvolusjon. Konvolusjon. INF2310 Digital bildebehandling FORELESNING 6 FILTRERING I BILDEDOMENET I Filtrering INF30 Digital bildebehandling FORELESNING 6 FILTRERING I BILDEDOMENET I Andreas Kleppe Naboskaps-operasjoner Konvolusjon og korrelasjon Lavpassfiltrering og kant-bevaring G&W:.6., 3., 3.4-3.5,

Detaljer

INF februar 2017 Ukens temaer (Kap og i DIP)

INF 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

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

INF2310 Digital bildebehandling

INF2310 Digital bildebehandling Filtrering INF30 Digital bildebehandling FORELESNING 6 FILTRERING I BILDEDOMENET I Fritz Albregtsen Naboskaps-operasjoner Konvolusjon og korrelasjon Lavpassfiltrering og kant-bevaring G&W:.6., 3., 3.4-3.5,

Detaljer

Filter-egenskaper INF Fritz Albregtsen

Filter-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)]

Detaljer

Hvis Ole følger inf3170, så liker Ole logikk. Ole følger inf3170, og Ole følger ikke inf3170. Ole følger inf3170, eller Ole følger ikke inf3170.

Hvis Ole følger inf3170, så liker Ole logikk. Ole følger inf3170, og Ole følger ikke inf3170. Ole følger inf3170, eller Ole følger ikke inf3170. Forelesning 4: Repetisjon og førsteordens logikk Christian Mahesh Hansen - 12. februar 2007 1 Repetisjon Motivasjon Er utsagnene sanne? Hvis Ole følger inf3170, så liker Ole logikk. Ole følger inf3170,

Detaljer

5.8 Iterative estimater på egenverdier

5.8 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

Detaljer

INF 2310 Digital bildebehandling

INF 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

Detaljer

Dagens plan. INF3170 Logikk. Syntaks: Utsagnslogiske formler. Motivasjon

Dagens plan. INF3170 Logikk. Syntaks: Utsagnslogiske formler. Motivasjon INF3170 Logikk Dagens plan Forelesning 4: og førsteordens logikk Christian Mahesh Hansen Institutt for informatikk, Universitetet i Oslo 1 2 12. februar 2007 3 Institutt for informatikk (UiO) INF3170 Logikk

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

INF januar 2018 Ukens temaer (Kap og i DIP)

INF 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

Detaljer

EKSAMEN Bildebehandling

EKSAMEN Bildebehandling EKSAMEN 6121 Bildebehandling 31.05.2016 Tid: 4 timer, 9 13 Målform: Bokmål/nynorsk Sidetall: 5 (denne forside + 2 + 2) Hjelpemiddel: Merknader: Vedlegg: Sensuren finner du på StudentWeb. Eksamen 6121 Bildebehandling

Detaljer

Utkast med løsningshint inkludert UNIVERSITETET I OSLO

Utkast 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

Detaljer

En rekke av definisjoner i algebra

En rekke av definisjoner i algebra En rekke av definisjoner i algebra Martin Strand, martin.strand@math.ntnu.no 11. november 2010 Definisjonene som er gitt her, kommer i MA2201 Algebra og MA3201 Ringer og moduler. Forhåpentligvis blir det

Detaljer

LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer

LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer Skal studere matematiske modeller for strøm i nettverk. Dette har anvendelser av typen fysiske nettverk: internet, vei, jernbane, fly, telekommunikasjon,

Detaljer

a. Hva er de inverse transformasjonene avfølgende tre transformasjoner T, R og S: θ θ sin( ) cos( ) Fasit: 1 s x cos( θ) sin( θ) 0 0 y y z

a. Hva er de inverse transformasjonene avfølgende tre transformasjoner T, R og S: θ θ sin( ) cos( ) Fasit: 1 s x cos( θ) sin( θ) 0 0 y y z Kommentar: Svar kort og konsist. Husk at eksamen har tre oppgaver. Poengene for hver (del-) oppgave bør gi en indikasjon på hvor me tid som bør benttes per oppgave. Oppgave 1: Forskjellige emner (40 poeng)

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

Kvikkbilde Mål. Gjennomføring. Planleggingsdokument Kvikkbilde 4 12

Kvikkbilde Mål. Gjennomføring. Planleggingsdokument Kvikkbilde 4 12 Kvikkbilde 4 12 Mål Generelt: Sammenligne og diskutere ulike måter å se et antall på. Utfordre elevene på å resonnere omkring tallenes struktur og egenskaper, samt egenskaper ved regneoperasjoner. Spesielt:

Detaljer

Flater, kanter og linjer INF Fritz Albregtsen

Flater, kanter og linjer INF Fritz Albregtsen Flater, kanter og linjer INF 160-11.03.2003 Fritz Albregtsen Tema: Naboskaps-operasjoner Del 3: - Canny s kant-detektor - Rang-filtrering - Hybride filtre - Adaptive filtre Litteratur: Efford, DIP, kap.

Detaljer