Filter-egenskaper INF Fritz Albregtsen
|
|
- Trond Bråthen
- 7 år siden
- Visninger:
Transkript
1 Filter-egenskaper INF 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)] + bh [f 2 (x, y)] der a og b er konstanter, f og f 2 er vilkårlige bilder. Additivitet H [f (x, y) + f 2 (x, y)] H [f (x, y)] + H [f 2 (x, y)] Hvis H er en lineær operator vil responsen på en sum av to inn-signaler være lik summen av responsen på hvert av de to signalene. Homogenitet H [af (x, y)] ah [f (x, y)] Hvis H er en lineær operator, er responsen på et konstant multippel av en vilkårlig input lik konstanten multiplisert med responsen på input. Kommutativ og assosiativ Litteratur: Efford, DIP, kap Konvolusjon er kommutativ og assosiativ f g g f (f g) h f (g h) Det spiller altså ingen rolle hvilken rekkefølge sammensatte konvolusjonener utføres i. 2 Filter-typer Normalisering av filtre Lavpass Slipper gjennom lave frekvenser, og demper eller fjerner høye frekvenser i Fourier-domenet. Hvis vi konvolverer [ ] med seg selv, får vi Fortsetter vi, får vi [] [] [ ] Høye frekvenser: Støy, skarpe kanter, linjer og detaljer i bildet. og [] [ ] [ ] Effekt: blurring av bildet. Høypass Slipper igjennom høye frekvenser, og demper eller fjerner lav-frekvens komponenter i Fourier-domenet. Effekt: Fjerner langsomt varierende bakgrunn, fremhever kanter og skarpe detaljer. Bandpass Fjerner eller demper frekvens-komponenter under og over to gitte frekvenser. [] [ ] [ ] og så videre... Men ved normalisering av filter-kjernen får vi 3 [] [] [ ] 3 Fortsetter vi, får vi naturligvis og 3 [] 3 [ ] [ ] 9 3 [] 9 [ ] [ ]
2 Separable lavpass-filtre Geometrisk form: kvadrat, rektangel. Rektangulære middelverdi-filtre er separable. HM(i, j) [ ] Fordel: En rask implementasjon av et lavpass-filter. Antall aritmetiske operasjoner for n n separabelt filter: S 2 2 n Brute force for n n filter: S 2 n 2 Lavpass-filtrering ved oppdatering Det tar n 2 multiplikasjoner og n 2 addisjoner å beregne responsen R for et n n filter, hvis vi ser bort fra skala-faktoren. Flytter filtret ett piksel. Ny respons R ny kan skrives R ny R gml C + C n der C er summen av produktene under første kolonne i filtret, C n er tilsvarende for siste kolonne i filtret. Det tar n multiplikasjoner og (n ) addisjoner å finne hhv c og C n. Altså 2n + 2n aritmetiske operasjoner for å finne R ny. Oppdatering er like rask som separabilitet! (NB! Ikke alle filtre er separable) Hvis alle filterkoeffisienter, dropper vi alle multiplikasjoner. Dette gir n + addisjoner pr flytting ved oppdatering, mot n 2 addisjoner ved brute force. 5 6 Ikke-uniformt lavpass-filter Høypass-filtre Uniforme lavpass-filtre kan implementeres raskt. Ulempe: Kan gi underlige effekter i frekvensdomenet. Ikke-uniforme filtre: eksempel 2D Gauss-filter. h(x, y) exp (x2 + y 2 ) Fordel: Rotasjons-symmetri, separabilitet Parameter: σ Filterstørrelse må tilpasses σ. Gauss-filtre kan approksimeres: G 3 3 [ ] T [ ] [ ] T [ ] Et høypass filter må ha positive vekter i midten, og negative vekter lenger ut. 8 Vi lar summen av vektene være null. Hvis vi lar middelverdien av ut-bildet bli 0, må noen deler av bildet være < 0. Det er ingen god ide å benytte g(x, y). Vi skalerer, og legger til en konstant, slik at resultatet kan vises fram som g(x, y) > 0 7 8
3 Punkt-deteksjon Anta at vi benytter en konvolusjonsmaske med vekter w i gitt ved Vi beregner 8 R 9 w i z i i der z i er den gråtone-verdi vi finner under maskeverdien w i. Et punkt (i, j) avviker fra sine omgivelser hvis R(i, j) > T der T > 0 er en terskel, og R beregnes ved å sentrere masken om punktet (i, j). Dette er samme maske som vi brukte til høyfrekvensfiltrering, men her anvendes en terskel T for å finne punkter som avviker tilstrekkelig fra sine omgivelser. Hvilket resultat får vi i homogene områder? Hva med en hellende gråtone-flate? High-boost -filtre En høypass filtrering kan utføres ved Høypass Original - Lavpass Hvis vi adderer et høypass-bilde til original-bildet, får vi et High-Boost bilde Vekter vi de to bildene får vi generelt c Vi kan gjøre en vektet high boost i EN konvolusjon (c > 8). Dette gjøres i øyet vårt, og i diverse forbruker-elektronikk. 9 0 Unsharp Masking En høypass filtrering kan sees som at vi subtraherer en blurret versjon av bildet fra originalen g HP (x, y) f(x, y) f LP (x, y) La oss si at vi lager bildet g(x, y) f(x, y) + α(f(x, y) f LP (x, y) βf(x, y) αf LP (x, y) Middelverdien av dette bildet er βf(x, y) αf LP (x, y) βf(x, y) αf LP (x, y) Hvis lavpass-bildet har samme middelverdi som originalen, så er dette lik (β α)f(x, y) Derfor velger vi oftest (β α), slik at middelverdien i resultat-bildet ikke skal forandres. Dette er Unsharp Masking. Fotografisk: Et negativ kopieres gjennom et litt defokusert positiv, slik at lokal middelverdi subtraheres. Resultat: skarpere bilde. Motivasjon for kant-deteksjon Repeterte fenomener i en sekvens bringer oss lite ny informasjon. Vi vet at dette utnyttes i kommunikasjon og i digital bilde-kompresjon. Det meste av informasjonen i et bilde finnes ved kantene/omrissene til objektene/regionene i bildet. Kanter brukes her om intensitets-kanter, farge-kanter, tekstur-kanter, etc. Biologiske visuelle systemer er basert på kant-deteksjon, ikke på f.eks. terskling. Slike systemer arbeider ofte både parallelt og sekvensielt: Alle lokale omgivelser behandles uavhengig av hverandre, og behandles derfor samtidig. Lokalt resultat kan være avhengig av tidligere resultat(er). 2
4 Digitale gradient-operatorer Gradient i kontinuerlig bilde Vi husker at den deriverte av f(x) er gitt ved f(x + h) f(x) lim h 0 h I våre digitale bilder setter vi h Vi får da en gruppe av operatorer som gir approksimasjoner til de ortogonale gradient komponentene δf (x, y)/δx og δf (x, y)/δy Noen operatorer gir bare et estimat av gradient-magnituden (kant-styrken) Andre gir også gradient-retningen Gitt to digitale masker H x og H y. Disse konvolveres med det digitale bildet F (i, j) og måler gradient-komponentene g x og g y over en omegn om (i, j) i bildet F. Gradienten til F langs r i retning θ dvs. Gradienten er størst når Dvs når δf δr δf δx δx δr + δf δy δy δr δf δr δf δf cos θ + δx δy sin θ δ δf 0 δθ δr δf δx sin θ g + δf δy cos θ g 0 Retningen til kanten relativt til x-aksen er derfor θ g tan Og gradient-magnituden er δf δr max g y g x [ g 2 x + g 2 y ] /2 3 4 Digitale gradient-approksimasjoner Symmetriske gradient-operatorer Asymmetrisk D operator G R (i, j) F (i, j) F (i, j ) G C (i, j) F (i, j) F (i +, j) Definisjonen er gitt slik at komponentene er positive for en kant der intensiteten øker fra venstre mot høyre og nedenfra og oppover i bildet. Gradient-estimatene refererer ikke til samme sted i bildet. Symmetrisk D operator G R (i, j) F (i, j + ) F (i, j ) G C (i, j) F (i, j) F (i +, j) Gradient-estimatene refererer nå til (i, j). Operatoren gjøres mindre følsom for støy ved å midle i én retning og derivere i den ortogonale retningen. Eksempler: Prewitt, Sobel, Frei-Chen. Frei-Chen gir samme gradient om kanten ligger langs aksene eller diagonalt. Prewitt er mer følsom for horisontale og vertikale enn for diagonale kanter. Det motsatte er tilfelle for Sobel. Prewitt-operatoren glatter ikke ut støy like effektivt som Sobel-operatoren. Større masker gir mindre støy-følsomhet. Alle de tre nevnte operatorene er separable. 5 6
5 Gradient-operatorer Pixel difference H R (i, j) 0 H C(i, j) 0 0 Separated pixel difference H R (i, j) 0 H C(i, j) 0 0 Roberts H R (i, j) 0 0 H C(i, j) 0 0 Prewitt 0 H R (i, j) 0 H C(i, j) 0 Sobel 0 2 H R (i, j) H C(i, j) 0 2 Frei-Chen H R (i, j) H C(i, j) Laplace-operatoren Den generaliserte 2. deriverte er gitt ved G(x, y) 2 (F (x, y)) der Laplace-operatoren er gitt ved 2 F 2 F x + 2 F 2 y 2 G(x, y) 0 hvis F (x, y) er en lineær funksjon av x og y. G(x, y) endrer fortegn der F (x, y) har et infleksjons-punkt. Denne operatoren gir ikke brede kanter! Vi finner bare magnitude, ikke retning. Merk at G har to ekstremalverdier idet vi passerer en kant, mens G 0 markerer kant-posisjonen. 7 8 D Laplace-operator 2D Laplace-operator I D er 2 f ekvivalent med 2. deriverte Kontinuerlig Digitalt f(x) f(i) f (x) f (i) f(i) f(i ) f (x) 2 f(x) f (i) f (i) f (i ) [f(i) f(i )] [f(i ) f(i 2)] f(i 2) 2f(i ) + f(i) Av symmetri-hensyn flytter vi operatoren slik at den er sentrert om i. Dessuten bytter vi fortegn 2 f(i) f(i ) + 2f(i) f(i + ) Anvender D Laplace i begge retninger: 2 f 2 f x f y 2 f(i, j) + 2f(i, j) f(i +, j) f(i, j ) + 2f(i, j) f(i, j + ) Dette får man ved å konvolvere f(i, j) med
6 Laplace-operatoren Legg merke til at Laplace-operatorene kan uttrykkes som senter-verdi minus et (veiet) middel over et lokalt naboskap. D : 2 f(i) f(i ) + 2f(i) f(i + ) 3f(i) i+ f(j) ji 2D pluss : 4 2D kvadrat : LoG 2 G Gauss-funksjonen i D er gitt som G(x) e (xµx)2 2πσ mens den 2-dimensjonale sirkelsymmetriske Gauss-funksjonen er gitt ved G(x, y) (xµx) 2 +(yµy) 2 2πσ 2e Anta at middelverdiene µ x µ y 0, og derivér G x 2πσ 4 2 G x x2 2 2πσ 4 σ 2 Tilsvarende får vi 2 G y 2 2πσ 4 xe (x2 +y 2 ) y2 e (x2 +y 2 ) σ 2 e (x2 +y 2 ) og summen av 2 G og x 2 2 G blir dermed y 2 2 G 2 x2 + y 2 2πσ 4 σ 2 e (x2 +y 2 ) 2 22 Laplacian-of-Gaussian (LoG) Først foreslått av David Marr (980) I 2D 2 G(x, y) (x y 2 ) 2πσ 4 σ 2 exp (x2 + y 2 ) σ er standard-avviket til G(x,y) w 2 2σ er bredden av den sentrale positive toppen i LoG-operatoren I de fleste tilfelle er størrelsen på operatoren 3w, 8.5σ. 99.7% av arealet under en D Gauss ligger mellom µ 3σ og µ + 3σ. Integralet av LoG operatoren mellom disse grensene 0. 23
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
DetaljerLokale 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
DetaljerINF Stikkord over pensum til midtveis 2017 Kristine Baluka Hein
INF2310 - Stikkord over pensum til midtveis 2017 Kristine Baluka Hein 1 Forhold mellom størrelse i bildeplan y og "virkelighet"y y y = s s og 1 s + 1 s = 1 f Rayleigh kriteriet sin θ = 1.22 λ D y s = 1.22
DetaljerLokale 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
DetaljerFlater, 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.
DetaljerHensikt: 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
DetaljerIntroduksjon. «Diskret» sinus/cosinus i 1D. Funksjonen sin(θ) INF april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4
Introduksjon INF 2310 13. april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4 Fourier: Vi kan uttrykke ethvert bilde som en vektet sum av sinus- og cosinus-signaler med ulik frekvens og orientering
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF30-Digital bildebehandling Eksamensdag: Tirsdag 5. mars 06 Tid for eksamen: 09:00-3:00 Løsningsforslaget er på: 4 sider Vedlegg:
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 :
DetaljerPunkt, Linje og Kantdeteksjon
Punkt, Linje og Kantdeteksjon Lars Vidar Magnusson April 18, 2017 Delkapittel 10.2 Point, Line and Edge Detection Bakgrunn Punkt- og kantdeteksjon er basert på teorien om skjærping (forelesning 7 og 8).
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
DetaljerFiltrering i Frekvensdomenet II
Filtrering i Frekvensdomenet II Lars Vidar Magnusson March 7, 2017 Delkapittel 4.8 Image Smoothing Using Frequency Domain Filters Delkapittel 4.9 Image Sharpening Using Frequency Domain Filters Low-Pass
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
DetaljerFiltrering i Frekvensdomenet III
Filtrering i Frekvensdomenet III Lars Vidar Magnusson March 13, 2017 Delkapittel 4.9.5 Unsharp Masking, Highboost Filtering, and High-Frequency-Emphasis Filtering Delkapittel 4.10 Unsharp Masking og Highboost
DetaljerJustering av bildets middelverdi og standard-avvik IN 106, V-2001 BILDEFORBEDRING, DEL II FILTRERING 19/ Fritz Albregtsen
IN 06, V-200 Justering av bildets middelverdi og standard-avvik Gitt et inn-bilde med normalisert histogram p(v),v [0,..., ], 0 p(v) = Da er µ og gitt ved BILDEFORBEDRING, DEL II µ v = vp(v)dv 0 v 2 (
DetaljerBasisbilder - cosinus. Alternativ basis. Repetisjon Basis-bilder. INF april 2010 Fouriertransform del II. cos( )
INF 30 0. april 00 Fouriertransform del II Kjapp repetisjon Bruk av vinduer Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet Eksempel: 3 5 4 5 3 4 3 6 Repetisjon Basis-bilder Sort er 0, hvit
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : Tirsdag. mars Tid for eksamen : :3 :3 ( timer) Løsningsforslaget
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
DetaljerRepetisjon: LTI-systemer
Forelesning, 11. mars 4 Tilhørende pensum er 6.1-6.4 i læreboken. repetisjon av FIR-filtre frekvensresponsen til et FIR-filter beregne utgangen fra FIR-filtret ved hjelp av frekvensresponsen steady-state
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 25. mars 2014 Tid for eksamen : 15:00 19:00 Oppgavesettett er på : 6 sider
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
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
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
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
DetaljerUtregning av en konvolusjonssum
Forelesning 4.mars 2004 Tilhørende pensum: 5.4-5.8 byggeklosser i implementasjon av FIR-filtre multiplikator adderer enhets blokkdiagrammer over FIR-filtre LTI-systemer tidsinvarians linearitet utlede
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
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
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
DetaljerINF2310 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( x+ π 2) Bakgrunn: Sinus og cosinus. Bakgrunn: Samplet sinus i 1D. Bakgrunn: Samplet sinus i 2D. Bakgrunn: Sinus i 2D. sin( x)=cos.
Bakgrunn: Samplet sinus i 1D Bakgrunn: Sinus og cosinus En generell samplet sinusfunksjon kan skrives som: y(t) = A sin(2πut/n + φ) t : tid; 0, 1,..., N-1 A : amplitude u : antall hele perioder* N : antall
DetaljerINF2310 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,
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:
DetaljerMotivasjon. Litt sett-teori. Eksempel. INF Kap. 11 i Efford Morfologiske operasjoner. Basis-begreper
Basis-begreper INF 2310 08.05.2006 Kap. 11 i Efford Morfologiske operasjoner Fundamentale operasjoner på binære bilder Sammensatte operasjoner Morfologisk filtrering Morfologiske operasjoner på gråtonebilder
DetaljerFiltrering. 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,
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 4. juni 2008 Tid for eksamen : 14:30 17:30 (3 timer) Oppgavesettet er på
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSIEE I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3 Digital bildebehandling Eksamensdag : irsdag 9. mars id for eksamen : 5: 9: Oppgavesettet er på : 5 sider
DetaljerINF2310 Digital bildebehandling
INF3 Digital bildebehandling Forelesning 8 Repetisjon: Filtrering i bildedomenet Andreas Kleppe Filtrering og konvolusjon Lavpassfiltrering og kant-bevaring Høypassfiltrering: Bildeforbedring og kantdeteksjon
DetaljerINF mars 2017 Fourier I -- En litt annen vinkling på stoffet i kapittel 4
INF 2310 22. mars 2017 Fourier I -- En litt annen vinkling på stoffet i kapittel 4 I dag: Sinus-funksjoner i 1D og 2D 2D diskret Fouriertransform (DFT) Mandag 27. mars: Supplementsforelesning holdt av
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
Detaljersin(2 ui/n) starter på 0 og repeteres u ganger per N samples. cos(2 ui/n) starter på 1 og repeteres u ganger per N samples
0700 Foreløbig versjon! INF 0 mars 07 Fourier I -- En litt annen vinkling på stoffet i kapittel I dag: Sinus-funksjoner i D og D D diskret Fouriertransform (DFT) Introduksjon I/II Et gråtonebilde Typisk
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 11. juni 27 Tid for eksamen: 14.3 17.3 Oppgavesettet er på 5 sider. Vedlegg: INF 347 / INF 447 Digital Signalbehandling
DetaljerINF 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
DetaljerMotivasjon. Litt sett-teori. Eksempel. INF Mesteparten av kap i DIP Morfologiske operasjoner på binære bilder.
1 Motivasjon INF 2310 Mesteparten av kap 9.1-9.5 i DIP Morfologiske operasjoner på binære bilder Basis-begreper Fundamentale operasjoner på binære bilder Sammensatte operasjoner Eksempler på anvendelser
DetaljerUNIVERSITETET I OSLO
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
DetaljerEksempel: Ideelt lavpassfilter
Filterdesign i frekvensdomenet Lavpassfiltre Romlig representasjon av ideelt lavpassfilter Slipper bare gjennom lave frekvenser (mindre enn en grense D 0 som kalles filterets cut-off-frekvens) I signalbehandling
DetaljerKantdeteksjon og Fargebilder
Kantdeteksjon og Fargebilder Lars Vidar Magnusson April 25, 2017 Delkapittel 10.2.6 More Advanced Techniques for Edge Detection Delkapittel 6.1 Color Fundamentals Delkapittel 6.2 Color Models Marr-Hildreth
DetaljerEn (reell) funksjon f fra en (reell) mengde D er en regel som til hvert element x D tilordner en unik verdi y = f (x).
Funksjoner En (reell) funksjon f fra en (reell) mengde D er en regel som til hvert element x D tilordner en unik verdi y = f (x). Mengden D kalles definisjonsmengden (eng.: domain) til f. Merknad Dersom
DetaljerSpatial Filtere. Lars Vidar Magnusson. February 6, Delkapittel 3.5 Smoothing Spatial Filters Delkapittel 3.6 Sharpening Spatial Filters
Spatial Filtere Lars Vidar Magnusson February 6, 207 Delkapittel 3.5 Smoothing Spatial Filters Delkapittel 3.6 Sharpening Spatial Filters Hvordan Lage Spatial Filtere Det er å lage et filter er nokså enkelt;
DetaljerFakta om fouriertransformasjonen
Fakta om fouriertransformasjonen TMA413/TMA415, V13 Notasjon Fouriertransformasjonen til funksjonen f er F[f](ω) = ˆf(ω) = 1 Den inverse fouriertransformasjonen er F 1 [g](x) = 1 f(x)e iωx dx g(ω)e iωx
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:
DetaljerINF februar 2017 Ukens temaer (Kap 3.3 i DIP)
15. februar 2017 Ukens temaer (Kap 3.3 i DIP) Kjapp repetisjon av gråtonetransformasjon Histogramtransformasjoner Histogramutjevning Histogramtilpasning/histogramspesifikasjon Standardisering av histogram
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
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.
DetaljerUNIVERSITETET 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
DetaljerIntensitetstransformasjoner og Spatial Filtrering
Intensitetstransformasjoner og Spatial Filtrering Lars Vidar Magnusson January 23, 2017 Delkapittel 3.1 Background Delkapittel 3.2 Some Basic Intensity Tranformation Functions Spatial Domain Som vi allerede
DetaljerUNIVERSITETET I OSLO
Eksamen i UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet INF 2310 Digital bildebehandling Eksamensdag: Tirsdag 18. mai - tirsdag 1. juni 2004 Tid for eksamen: 18. mai 2004 kl 09:00 1.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Fredag 29. mars 2019 Tid for eksamen : 14:30 18:30 (4 timer) Oppgavesettet er
DetaljerMidtveiseksamen Løsningsforslag
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Midtveiseksamen Løsningsforslag INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Tirsdag 21. mars 2017 Tidspunkt
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
DetaljerUke 4: z-transformasjonen
Uke 4: z-transformasjonen Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2012 2/30 Dagens temaer z-dometet; ett av tre domener z-transformasjonen; definisjon og egenskaper
DetaljerBasisbilder - cosinus v Bildene
Repetisjon Basis-bilder 737 Midlertidig versjon! INF 3 9 mars 7 Diskret Fouriertransform del II Ortogonal basis for alle 4x4 gråtonebilder Kjapp repetisjon Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet
DetaljerINF mars 2017 Diskret Fouriertransform del II
INF230 29. mars 207 Diskret Fouriertransform del II Kjapp repetisjon Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet Bruk av vinduer 207.03.29 INF230 / 40 Repetisjon Basis-bilder Sort er 0,
DetaljerUke 6: Analyse i frekvensdomenet
Uke 6: Analyse i frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/39 Dagens temaer Fra forrige gang Frekvensrespons funksjonen Fourier rekker og
DetaljerObligatorisk oppgave 1
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Obligatorisk oppgave 1 INF2310, vår 2017 Dette oppgavesettet er på 9 sider, og består av 2 bildebehandlingsoppgaver. Besvarelsen av denne og neste obligatoriske
DetaljerRepetisjon: Eksempel. Repetisjon: Aliasing. Oversikt, 26.februar Gitt. Alle signaler. Ettersom. vil alle kontinuerlig-tid signaler.
Oversikt, 6.februar Tilhørende pensum i boken er. -.. Repetisjon regning med aliasing og folding rekonstruksjon ved substitusjon FIR-filtre glidende middel et generelt FIR-filter enhetsimpulsresponsen
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 25. mars 2014 Tid for eksamen : 15:00 19:00 Løsningsforslaget
DetaljerUke 4: z-transformasjonen
Uke 4: z-transformasjonen Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/26 Dagens temaer z-dometet; ett av tre domener z-transformasjonen; definisjon og egenskaper
DetaljerMer om Histogramprosessering og Convolution/Correlation
Mer om Histogramprosessering og Convolution/Correlation Lars Vidar Magnusson January 30, 2017 Delkapittel 3.3 Histogram Processing Delkapittel 3.4 Fundementals of Spatial Filtering Lokal Histogramprosessering
DetaljerUNIVERSITETET I OSLO
Bokmål UNIVERSIEE I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : irsdag 29. mars 2011 id for eksamen : 15:00 19:00 Oppgavesettet er på : 5
DetaljerGrunnleggende 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
DetaljerUke 4: z-transformasjonen
Uke 4: z-transformasjonen Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2013 2/31 Dagens temaer z-dometet; ett av tre domener z-transformasjonen; definisjon og egenskaper
DetaljerINF 2310 Digital bildebehandling FORELESNING 5. Fritz Albregtsen. Pensum: Hovedsakelig 3.3 i DIP HISTOGRAM-TRANSFORMASJONER
Temaer i dag INF 231 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
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
DetaljerMorfologiske 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
DetaljerDIGITALISERING Et bilde er en reell funksjon av to (eller flere) reelle variable. IN 106, V-2001 BILDE-DANNING. SAMPLING og KVANTISERING
IN 06, V-200 DIGITALISERING Et bilde er en reell funksjon av to (eller flere) reelle variable. BILDE-DANNING SAMPLING og KVANTISERING BILDE-FORBEDRING I BILDE-DOMENET 2/3 200 Fritz Albregtsen. Trinn: Legg
DetaljerKantsegmentering 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?
DetaljerLøsningsforslag Eksamen S2, høsten 2017 Laget av Tommy O. Sist oppdatert: 26. november 2017
Løsningsforslag Eksamen S, høsten 017 Laget av Tommy O. Sist oppdatert: 6. november 017 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = x 4x 3. Vi bruker regelen samt regelen (x n ) = nx
DetaljerRepetisjon av histogrammer. Repetisjon av histogrammer II. Repetisjon av gråtonetransform. Tommelfingerløsning
2017.02.10. Repetisjon av histogrammer Foreløbig versjon! 15. februar 2017 Ukens temaer h(i) = antall piksler i bildet med pikselverdi i, og følgelig er (Kap 3.3 i DIP) Kjapp repetisjon av gråtonetransformasjon
DetaljerLøsningsforslag øving 6
Løsningsforslag øving 6 7 Husk Teorem 79 i notatet: En delmengde U av et vektorrom V er et underrom hvis ) nullvektoren er i U, ) summen av to vektorer i U er i U igjen, og 3) et skalarmultiplum av en
DetaljerTemaer 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
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF3440/4440 Signalbehandling Eksamensdag: xx. desember 007 Tid for eksamen: Oppgavesettet er på 6 sider. Vedlegg: Tillatte hjelpemidler:
DetaljerINF 2310 Digital bildebehandling
INF 230 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen 05.02.203 INF230 Temaer i dag Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering
DetaljerTransformanalyse. Jan Egil Kirkebø. Universitetet i Oslo 17./23. september 2019
Transformanalyse Jan Egil Kirkebø Universitetet i Oslo janki@ifi.uio.no 17./23. september 2019 Jan Egil Kirkebø (Inst. for Inf.) IN3190/IN4190 17./23. september 2019 1 / 22 Egenfunksjoner til LTI-systemer
DetaljerGauss-Jordan eliminasjon; redusert echelonform. Forelesning, TMA4110 Fredag 18/9. Reduserte echelonmatriser. Reduserte echelonmatriser (forts.
Gauss-Jordan eliminasjon; redusert echelonform Forelesning, TMA4110 Fredag 18/9 Martin Wanvik, IMF MartinWanvik@mathntnuno En matrise vil normalt være radekvivalent med flere echelonmatriser; med andre
DetaljerUNIVERSITETET 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
DetaljerTemaer i dag. Mer om romlig oppløsning. Optisk avbildning. INF 2310 Digital bildebehandling
Temaer i dag INF 2310 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål i bilder Pensum: Kap.
DetaljerMotivasjon. 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
DetaljerHva er segmentering? INF Fritz Albregtsen. Tema: Segmentering av bilder Del 1: - Ikke-kontekstuell terskling
Hva er segmentering? IN 160-80003 ritz Albregtsen Tema: Segmentering av bilder Del 1: - Ikke-kontekstuell terskling Litteratur: Efford, DIP, kap 101-10 Segmentering er en prosess som deler opp bildet i
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
DetaljerOppfriskningskurs i matematikk 2008
Oppfriskningskurs i matematikk 2008 Marte Pernille Hatlo Institutt for matematiske fag, NTNU 4.-9. august 2008 Velkommen! 2 Temaer Algebra Trigonometri Funksjoner og derivasjon Integrasjon Eksponensial-
DetaljerINF 2310 Digital bildebehandling FORELESNING 5. Fritz Albregtsen. Pensum: Hovedsakelig 3.3 i DIP HISTOGRAM-TRANSFORMASJONER
Temaer i dag INF 231 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
DetaljerIntroduksjon. 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.,
DetaljerMorfologiske 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
DetaljerTDT4195 Bildeteknikk
TDT495 Bildeteknikk Grafikk Vår 29 Forelesning 5 Jo Skjermo Jo.skjermo@idi.ntnu.no Department of Computer And Information Science Jo Skjermo, TDT423 Visualisering 2 TDT495 Forrige gang Attributter til
DetaljerForelesning nr.12 INF 1410
Forelesning nr.12 INF 1410 Komplekse frekvenser analyse i frekvensdomenet 20.04. INF 1410 1 Oversikt dagens temaer Intro Komplekse tall Komplekse signaler Analyse i frekvensdomenet 20.04. INF 1410 2 Intro
DetaljerBiseksjonsmetoden. biseksjonsmetode. Den første og enkleste iterativ metode for ikke lineære likninger er den så kalt
Biseksjonsmetoden Den første og enkleste iterativ metode for ikke lineære likninger er den så kalt biseksjonsmetode. Gitt en intervall [a, b] hvor f skifter fortegn, vi halverer [a, b] = [a, b + a 2 ]
DetaljerFourier-Transformasjoner IV
Fourier-Transformasjoner IV Lars Vidar Magnusson March 1, 2017 Delkapittel 4.6 Some Properties of the 2-D Discrete Fourier Transform Forholdet Mellom Spatial- og Frekvens-Intervallene Et digitalt bilde
DetaljerFlyttalls aritmetikk. I datamaskinen er alle tall representert i flyttalls aritmetikk.
Flyttalls aritmetikk I datamaskinen er alle tall representert i flyttalls aritmetikk. 1/21 Det betyr at desimal punktet ( float, floating point arithmetic på engelsk) beveger seg slik at store og små tall
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:
Detaljer