Objekt-bilde relasjonen. Vinkeloppløsnings-kriterier. Forstørrelse. INF 2310 Digital bildebehandling
|
|
- Vebjørn Gabrielsen
- 6 år siden
- Visninger:
Transkript
1 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 i farger ritz Albregtsen I figuren har vi to par av likedannede trekanter: y ' s f ' y ' s' og gir + y s y f s s' f Dette som er kjent som objekt-bilde relasjonen. Uttrykket gjelder både for fokuserende linser og speil IN 3 - A IN 3 - A y orstørrelse Hvor stort blir bildet? ruker trekantene i figuren inner uttrykket til høyre orstørrelsen er m y /y Er objektet langt unna s s >> f > m << IN 3 - A 3 f + s s' s y' s' y s f s' y' y' y f y ( s f ) y s' s s f ( s f ) Vinkeloppløsnings-kriterier Anta at linsens diameter er D, og at lysets bølgelengde er λ. To punkter i et objekt kan akkurat adskilles i bildet hvis vinkelen mellom dem er gitt ved sin θ. λ / D radianer. Dette er Rayleigh-kriteriet. Dip -en i profilen forsvinner når sin θ.95 λ / D radianer. Dette er Sparrow-kriteriet IN 3 - A
2 Naboskap+TransformMaske Naboskap/vindu/omgivelse/neighborhood: De pikslene rundt et punkt i inn-bildet som T opererer på. Transform/Operator/Algoritme: Operator/Algoritme som opererer på pikslene i et naboskap. Maske/Template/filer: Et geometrisk array/matrise av vekter eller koeffisienter Resultatet lagres i et nytt bilde. Eksempel: beregn gjennomsnitt Utregning av -D konvolusjon g( x, x+ w y+ w j x w k y w h( x j, y k) f ( j, k) or å regne ut resultatet av en konvolusjon for posisjon (x, : Roter masken 8 grader, legg den over bildet slik at minst en posisjon overlapper med bildet. Multipliser hvert element i masken med underliggende pikselverdi. Summen av produktene gir verdien for g(x, i posisjon (x,. or å regne ut resultatet for alle posisjoner:lytt masken piksel for piksel og gjenta operasjonene over. Vi bruker notasjonen g h * f der * er konvolusjons-operatoren IN 3 - A IN 3 - A 6 Hva gjør vi langs bilde-randen? Alternativer:. Sett g(x,. Sett g(x,f(x, 3. Trunker ut-bildet 4. Trunker konvolusjons-masken h 5. Utvid bildet ved reflected indexing 6. Circular indexing Et lite tips om konvolusjon Når vi konvolverer et filter med et bilde: Er vi interessert i å lage et nytt bilde med samme størrelse som input-bildet. Vi bruker en av teknikkene fra forrige foil. Når vi konvolverer en filter-kjerne med en annen filter-kjerne: Vi vil lage effektiv implementasjon av et stort filter med en kombinasjon av enkle, separable filtre. Vi beregner resultatet for alle posisjoner der de to filter-kjernene gir overlapp IN 3 - A IN 3 - A 8
3 Egenskaper ved konvolusjon Kommutativ f*g g*f Assosiativ (f*g)*h f*(g*h) Distributiv f*(g+h) (f*g) + (f*h) Assosiativ ved skalar multiplikasjon a(f*g) (af)*g f*(ag) Kan utnyttes i sammensatte konvolusjoner! IN 3 - A 9 Lavpass-filtre Slipper gjennom lave frekvenser, og demper eller fjerner høye frekvener. Høye frekvenser skarpe kanter, støy, detaljer. Effekt: blurring eller utsmøring av bildet Utfordring: bevare kanter samtidig som homogene områder glattes IN 3 - A Separable filtre Geometrisk form: kvadrat, rektangel Rektangulære middelverdi-filtere er separable. h( i, j) 5 [ ] ordel: et raskt filter. Vanlig konvolusjon: n multiplikasjoner og addisjoner. stk -D konvolusjoner: n multiplikasjoner og addisjoner. 5 Ikke-uniformt lavpass-filter Uniforme lavpass-filtre kan implementeres raskt. Ikke-uniforme filtre, for eksempel: D Gauss-filter: ( x + y ) h( x, exp σ Parameter σ er standard-avviket(bredden) ilterstørrelse må tilpasses σ IN 3 - A IN 3 - A
4 Høypass-filtere Slipper gjennom høye frekvenser. Demper eller fjerner lav-frekvente variasjoner. Unsharp masking Middelverdfilter > uskarpt bilde. Subtraher uskarpt bilde fra originalen. Adder differanse til originalen. Resultatet er skarpere enn originalen. Effekt: jerner langsomt varierende bakgrunn ramheve kanter, linjer og skarpe detaljer IN 3 - A IN 3 - A 4 Digitale gradient-approksimasjoner - I Digitale gradient-approksimasjoner - II Asymmetrisk D operator: h R (i,j) f(i,j) - f(i,j-) h C (i,j) f(i,j) - f(i+,j) (i,j) Symmetrisk D operator: h R (i,j) f(i,j+) - f(i,j-) h C (i,j) f(i-,j) - f(i+,j) (i,j) (i,j) Definisjonene er gitt slik at komponentene er positive for en kant der intensiteten øker fra venstre mot høyre og oppover i bildet. (i,j) Gradient-estimatene refererer nå til (i,j). Gjør det samme for tre symmetriske par (i,j) (i,j) Husk at ved konvolusjon skal masken roteres 8 grader før multiplikasjoner og addisjoner! Gradient-estimatene er nå mer robuste mot støy i bildet IN 3 - A IN 3 - A 6
5 g x, g y og gradient-magnituden, G Laplace-operatoren Vi finner de horisontale kantene: eregn g x (x,h x * f(x, Vi finner de vertikale kantene: eregn g y (x,h y *f(x, eregn gradient-magnitude og retning: G( x, g θ ( x, tan x ( x, + g y ( x, g y ( x, g x ( x, Gradient-magnitude Gradient retning Laplace-operatoren er gitt ved: f f ( f ( x, ) + x y Den endrer fortegn der f(x, har et infleksjons-punkt / vendepunkt. f har to ekstremverdier idet vi passerer en kant f markerer kant-posisjon. Kantens eksakte posisjon finnes ved nullgjennomgangen. Dette gir ikke brede kanter. Vi finner bare magnitude, ikke retning. smooth [- -] [- -] IN 3 - A IN 3 - A 8 Laplace på et.grads polynom La intensiteten omkring (x, være gitt ved polynomet f(x, k +k x +k 3 y+k 4 x +k 5 xy+k 6 y I et 3x3 område rundt (x, har vi da intensitetene Laplace vs. Sobel k -k -k 3 +k 4 +k 5 +k 6 k -k 3 +k 6 k +k -k 3 +k 4 -k 5 +k 6 k -k +k 4 k k +k +k 4 k -k +k 3 +k 4 -k 5 +k 6 k +k 3 +k 6 k +k +k 3 +k 4 +k 5 +k 6 Den korrekte Laplace-verdien er gitt ved f ( x, f ( x, ( f ( x, ) + ( k4 + k6) x y åde 4-nabo og 8-nabo masken gir korrekt estimat! IN 3 - A 9 Sobel-filtrert > bred kant Laplace-filtrert > dobbelt-kant IN 3 - A
6 ra Laplace til LoG Vi gjorde gradient-operatorene støy-robuste ved å bygge inn en lavpassfiltrering. Eksempel: Sobel-operator h x h [ ], [ ] y Vi kan gjøre det samme med Laplace-operatoren Vi bruker et Gauss-filter G Og siden konvolusjon er kommutativ, får vi ( f G) ( G) f LoG f Der LoG er resultatet av å anvende Laplace-operatoren på en Gauss-funksjon IN 3 - A Canny s kant-detektor I Canny s algoritme gjøres kant-lokalisering slik: Tynning (non-maximal suppression): Hvis et piksel har en nabo med høyere pikselverdi, settes pikselverdien ned. Hysterese-terskling (to terskler T h og T l ) Vanskelig å finne en god gradient-terskel for hele bildet.. Merk alle piksler der G>T h. Scan alle piksler der G [T l,t h ] 3. Hvis et slikt piksel er nabo til et merket piksel, så merkes dette pikselet også. 4. Gjenta fra trinn til konvergens IN 3 - A Median-filter g(x, median av verdiene i et vindu rundt inn-pikslet. Median den midterste verdien i sortert liste. Vindu: kvadrat, rektangel, pluss. Rask implementasjon kan gjøres vha. histogram, med histogram-oppdatering etter hvert som vinduet flyttes. Et av de mest brukte kant-bevarende støy-filtre. Spesielt godt til å fjerne impuls-støy ( salt og pepper ) Problemer: Tynne kanter kan forsvinne Hjørner kan rundes av Objekter kan bli litt mindre Valg av vindus-størrelse og form er viktig! K Nearest Neighbor-filteret g(x, gjennomsnitt (eller median) av de K pikslene i vinduet som ligner mest på senterpikslet i gråtone-verdi. Kan sees som en modifikasjon av middelverdi-filtret (eller median-filtret), der man kun tar med de K mest aktuelle av nabo-pikslene. Problem: K er konstant for hele bildet. Hvis vi velger for liten K, fjerner vi lite støy. Hvis vi velger for stor K fjernes linjer og hjørner I (n n)-vindu : K: ingen effekt K<n: bevarer tynne linjer K<(n/+) : bevarer hjørner K<(n/+)n: bevarer rette kanter IN 3 - A IN 3 - A 4
7 K Nearest Connected Neighbor filtering Opererer uten noe vindu or alle piksler i bildet: Selected pixel current pixel While # selected pixels < K Add (4- or 8-) neighbors of recently selected pixel Sort list of pixel values Select pixel most similar to current pixel Compute mean of K selected pixels Mode-filter Ut-verdi hyppigst forekommende verdi i et vindu rundt inn-pikslet. Hvordan er dette forskjellig fra median? Implementeres vha. histogram-oppdatering Anvendes mest på segmenterte eller klassifiserte bilder, for å fjerne isolerte piksler. orutsetter noen få mulige verdier, derfor brukes det sjelden på gråtone-bilder. Dette vil bevare kanter og tynne linjer, uansett form IN 3 - A IN 3 - A 6 Terskling Hvis vi har grunn til å anta at objektene f.eks. er lysere enn bakgrunnen, kan vi sette en terskel T og lage oss et binært ut-bilde g(x, ved mappingen: hvis g( x, hvis f ( x, T f ( x, > T Da har vi fått et ut-bilde g(x, med bare to mulige verdier. Med riktig valg av T vil nå alle piksler med g(x, være objekt-piksler IN 3 - A 7 g f Klassifikasjonsfeil ved terskling Anta at histogrammet er en sum av to fordelinger b(z) og f(z), b og f er normaliserte bakgrunns- og forgrunns-histogrammer. La og være a priori sannsynlighet for bakgrunn og forgrunn (+) Det normaliserte histogrammet til bildet kan da skrives p( z) b( z) + f ( z) Sannsynlighetene for å feilklassifisere et piksel, gitt en terskelverdi t, finner vi fra de normaliserte fordelingene: E ( t) E ( t) t f ( z) dz b( z) dz t IN 3 - A 8
8 Den totale feilen Vi har funnet andelen feilklassifikasjon i hver fordeling. Den totale feilen finner vi ved å multiplisere med a priori sannsynlighetene for forgrunn og bakgrunn: E( t) E ( t) + E ( t) t f ( z) dz + Legges terskelen veldig høyt eller veldig lavt, blir feilen stor. Det er rimelig å anta at feilen har et minimum for en bestemt verdi t T. t b( z) dz IN 3 - A 9 inn den T som minimerer feilen E ( t) f ( z) dz + b( z) dz Deriverer E(t) mhp. t vha. Leibnitz regel for derivasjon av integraler. Setter den deriverte lik og får: de( t) dt t Merk at dette er en generell løsning som gir minst feil. Det er ingen restriksjoner mht. fordelingene b og f!! IN 3 - A 3 t f ( T ) b( T ) VIKTIG!!! Terskling av to Gauss-fordelinger Hvis standardavvikene i de to Gauss-fordelingene er forskjellige og skjæringspunktene mellom fordelingene (skalert med a priori sannsynlighet) ligger innenfor gråtoneskalaen i bildet En terskelverdi for hvert skjæringspunkt. Det er bare mellom de to tersklene at flertallet av pikslene er bakgrunnspiksler!, IN 3 - A 3 Hvor ligger optimal terskel? Vi har en annengradsligning i T: ( ) ( ) σ σ ln σ T + µ σ µ σ T + σ µ σ µ + σ µ σ Hvis standard-avvikene i de to fordelingene er like (σ σ σ) får vi en enklere ligning: ( µ µ ) T ( µ + µ )( µ µ ) + σ ln c ( µ + µ ) σ T + ln ( µ µ ) Hvis a priori sannsynlighetene og er omtrent like (eller hvis σ) har vi en veldig enkel løsning: ( µ + µ ) T IN 3 - A 3
9 En enkel tersklings-algoritme Algoritme. i Efford (litt modifisert): Start med terskel-verdi tmiddelverdien til alle pikslene i bildet. Merk: startverdien er modifisert fra Efford s algoritme inn middelverdien (µ (t)) av alle piksler som er mørkere enn terskelen inn middelverdien (µ (t)) av alle piksler som er lysere enn terskelen. La ny terskel-verdi være t ( µ ( t) + µ ( t) ) Gjenta de to punktene ovenfor til terskelen ikke flytter seg mer. Dette kalles Ridler og Calvard s metode Hvilke betingelser må være oppfylt for at metoden skal virke? IN 3 - A 33 Otsu s metode - motivasjon Anta at vi har et gråtonebilde med G gråtoner, med normalisert histogram p(i). Anta at bildet inneholder to populasjoner av piksler, slik at pikslene innenfor hver populasjon er noenlunde like, mens populasjonene er forskjellige. Målsetting: Vi vil finne en terskel T slik at hver av de to klassene som oppstår ved tersklingen blir mest mulig homogen, mens de to klassene bli mest mulig forskjellige. Klassene er homogene: variansen i hver av de to klassene er minst mulig. Separasjonen mellom klassene er stor: avstanden mellom middelverdiene er størst mulig IN 3 - A 34 Otsu s metode: Ønsker å minimere σ W (t) og samtidig maksimere σ (t) Siden σ Tot er konstant: finn t som maksimerer σ (t). Uttrykket for σ (t) kan skrives som: σ ( t) ( µ ( t) µ ) P ( t) + ( µ ( t) µ ) ( P ( t)) µ ( t) µ µ ( t) µ P ( t) ( P ( t)) P ( t) + µ P ( t) [ µ ( t) µ P ( t) ] [ µ µ ( t) µ + µ P ( t) ] P ( t) [ µ ( t) µ P ( t) ] ( P ( t) ) + P ( t) [ µ ( t) + µ P ( t) ] [ µ ( t) µ P ( t) ] P ( t)( P ( t)) P ( t) P ( t)( P ( t)) Otsu s metode: Søk etter maksimalverdien av σ (t) for alle verdier av t der < P (t)< IN 3 - A 35 Adaptiv terskling ved interpolasjon Globale terskler gir ofte dårlig resultat. Globale metoder kan benyttes lokalt. Dette virker ikke der vinduet bare inneholder en klasse! Oppskrift: NIVÅ I: Del opp bildet i del-bilder. or del-bilder med bi-modalt histogram: innlokal terskelverdi T c (i,j) og tilordne den til senterpikselet (i,j) i del-bildet. or del-bilder med uni-modalt histogram: inn lokal terskelverdi ved interpolasjon. NIVÅ II: Piksel-for-piksel interpolasjon: Gå gjennom alle piksel-posisjoner bestem adaptiv terskelverdi T(x, ved interpolasjon mellom de lokale terskelverdiene T c (i,j). Terskle så hvert piksel (x, i bildet i terskelverdiene T(x, IN 3 - A 36
10 De tre stegene i kompresjon Kompresjonsrate og redundans inndata transform kvantisering koding utdata Mange kompresjons-metoder er basert på å representere dataene på en annen måte, Differansetransform løpelengder/run-length, Kvantisering av original-dataene kan ikke reverseres. Koding bygger ofte på sannsynlighetsfordelinger, Estimert ved normaliserte histogrammer. Transformer og koding er alltid reversible IN 3 - A 37 Kompresjonsraten : der i er antall bit pr. sampel originalt, og c er antall bit pr. sampel i det komprimerte bildet. Relativ redundans : percentage removed : CR IN 3 - A 38 i c c R CR i c PR % i Differansetransform Gitt en linje i bildet med gråtoner f,...f N, f i b -. Transformer (reversibelt) til g f, g f -f,..., g N f N -f N- Vi trenger nå b+ biter hvis vi skal tilordne like lange binære koder til alle mulig verdier. I differansehistogrammet vil de fleste verdiene samle seg rundt. En naturlig bit-koding av differansene er ikke optimal IN 3 - A 39 Løpelengde-transform Ofte inneholder bildet objekter med lignende gråtoner, f.eks. svarte bokstaver på hvit bakgrunn. Vi kan benytte oss av kompresjonsteknikker som tar hensyn til at nabopiksler på samme linje ofte er like. Løpelengde-transform er reversibel. ørst et eksempel: (4 byte) Når tallet 3 forekommer 6 ganger etter hverandre, trenger vi bare 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 biter vi bruker pr. tall, avhenger av den videre kodingen IN 3 - A 4
11 Gjennomsnittlig antall biter pr. piksel Vi konstruerer en kode c,...c N slik at symbol s i kodes med kodeordet c i. b i er lengden (angitt i biter) av kodeordet c i. Gjennomsnittlig antall biter pr. symbol for denne koden : Entropi Entropien, H, er definert som: b H p( si ) I( si ) p( si )log( p( si )) i i Entropien setter en nedre grense for hvor kompakt sekvensen kan representeres b R b p + b p b N p N N i b p i i Dette gjelder hvis vi bare koder hvert symbol for seg IN 3 - A IN 3 - A 4 Øvre og nedre grense for entropi Shannon-ano koding Alle symboler like sannsynlige > entropi lik antall biter. Det er b symboler, og sannsynligheten for hvert av dem er p(s i )/ b. Da b blir entropien H log ( ) log ( ) b b b b i N: Hvis det er b symboler som alle er like sannsynlige, så kan de ikke representeres mer kompakt enn med b biter pr symbol. Hvis alle pikslene er like > entropi lik. Hvis bare ett symbol forekommer, er sannsynligheten for dette symbolet lik, og alle andre sannsynligheter er lik. H log () IN 3 - A 43 En enkel metode: Sorterer symbolene etter hyppighet. L() Deler symbolene rekursivt i to omtrent like store grupper. ortsett til hver gruppe er ett symbol. Tilordner ett bit til hver gren i Symbol treet til høyre, til venstre. L Traverser treet fra rot til blad H A inner koden for hvert symbol. O Totalt antall biter IN 3 - A 44 Ant. H, A, L, O (5) H () Kodeord H, A, O (3) A() Lengde 3 3 A, O () O() Antall biter 3 3
12 Oppskrift - Huffman-koding Gitt en sekvens med N symboler:. Sorter symbolene etter sannsynlighet, slik at de minst sannsynlige kommer sist.. Slå sammen de to minst sannsynlige symbolene i en gruppe, og sorter igjen etter sannsynlighet. 3. Gjenta til det bare 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 bakover, og legg til og i kodeordet for de to minst sannsynlige gruppene i hvert steg IN 3 - A 45 Når er Huffman-koding optimal? Den ideelle binære kode-ord lengden for symbol s i er b i - log (p(s i )) Siden bare heltalls ordlengder er mulig, er det bare p( s i ) k for heltall k som tilfredsstiller dette. Eksempel: hvis vi har Symbol Sannsynlighet Kode s.5 s blir den gjennomsnittlige ordlengden R.9375 H IN 3 - A 46 s 3 s 4 s 5 s 6 Lempel-Ziv-koding Mottaker kjenner bare alfabetet, og lagrer nye fraser ved å ta nestsiste streng pluss første symbol i sist tilsendte streng, inntil listen er full (det er en praktisk grense her!). En ulempe er at man av og til lager kodeord som man ikke får bruk for. Komprimerer typisk tekst-filer med ca faktor. Algoritme for aritmetisk koding Vi starter med et current interval [,). or hvert nytt tegn gjør vi to ting: Vi deler opp current interval i nye delintervaller, der størrelsen på hvert delintervall er proporsjonal med sannsynligheten for tegnet. Vi velger det delintervallet av current interval som svarer til det tegnet vi faktisk har truffet på, og gjør dette til vårt nye current interval. Til slutt bruker vi så mange biter til å representere det endelige intervallet at det entydig skiller dette intervallet fra alle andre mulige intervaller IN 3 - A IN 3 - A 48
13 Lossy JPEG-kompresjon av bilde ildet deles opp i blokker på 8x8 piksler, og hver blokk kodes separat. Trekk fra 8 fra alle pikselverdiene. Hver blokk transformeres med DCT (Diskret Cosinus Transform): N M πu πv forξ ( u, v) c( x) c( cos ( x + ) cos ( y + ) f ( x,, c( ξ ) MN x y N M ellers Lossy JPEG-kompresjon Transformkoeffisientene skaleres med en vektmatrise kvantiseres til heltall. DCT transform divideres med Avrundes til Informasjonen i de 64 pikslene samles i en liten del av de 64 koeffisientene Mest i øverste venstre hjørne IN 3 - A IN 3 - A 5 Lossy JPEG-kompresjon 3 Sikk-sakk-scanning ordner koeffisientene i D-rekkefølge. Koeffisientene vil da stort sett avta i verdi utover i rekka Mange koeffisienter er rundet av til null. Løpelengde-transform av koeffisientene Huffman-koding av løpelengdene. Huffman-koden og kodeboken sendes til mottaker / lager. Gjentas for alle blokker i alle kanaler IN 3 - A 5 JPEG-kompresjon av fargebilde Vi skifter fargerom slik at vi separerer lysintensitet fra kromasi (perseptuell redundans, sparer plass). ildet deles opp i blokker på 8x8 piksler, og hver blokk kodes separat. Vi skifter fargerom for hvert bildeplan Hver blokk transformeres med DCT. orskjellige vektmatriser for intensitet og kromatisitet.... resten er som for gråtonebilder IN 3 - A 5
14 Tre integraler gir RG RG-kuben Lys fra en kilde med spektralfordeling E(λ) treffer et objekt med spektral refleksjonsfunksjon S(λ). Reflektert lys detekteres av tre typer tapper med spektral lysfølsomhetsfunksjon q i (λ). Tre analoge signaler kommer ut av dette: R G E( λ) S( λ) q E( λ) S( λ) q E( λ) S( λ) q ( λ) dλ ( λ) dλ ( λ) dλ IN 3 - A 53 R G Gråtonebilder: rgb magenta,,,, rød,, blå svart cyan grønn,, Merk: fargene her er normaliserte slik at de ligger mellom og IN 3 - A 54 gul hvit RG og CMY RG og CMY er i prinsippet sekundærfarger for hverandre. YIQ NTSC er standard for TV og video i USA. ruker fargesystemet YIQ. Y beskriver luminans, I og Q er krominanskomponentene. Samme signal brukes på farge- og gråtoneskjermer. RG hvit (,,) gir NTSC Y. RG grå (g,g,g) gir NTSC IQ IN 3 - A IN 3 - A 56
15 YCbCr-modellen Hue, Saturation, Intensity (HSI) Dette er fargemodellen for digital TV og video! Y er luminans (luma) Cb er blå minus luma (-Y) Cr er rød minus luma (R-Y). YCbCr er kun digital, RG kan være både analog og digital. MPEG-kompresjon er kodet i YCbCr Den analoge tvillingen til YCbCr er YPbPr. cyan S grønn blå hvit gul magenta I H rød Hue: ren farge - gir bølgelengden i det elektromagnetiske spektrum. H er vinkel og ligger mellom og π: Rød: H, grønn: H π/3, blå 4π/3, gul: Hπ/3, cyan π, magenta 5π/3, Hvis vi skalerer H-verdiene til 8-bits verdier vil Rød: H, grønn: H 85, blå 7, gul: H4, cyan 7, magenta 3. svart IN 3 - A IN 3 - A 58 Pikselverdi Disse verdiene ligger lagret på bildefilen RG-verdi,, 55,, 55,55,,55, 55,,...,,55 55,55,55 argetabell Disse verdiene vises på skjermen Kan vise RG-verdier på 8 biters skjerm Eller vise pseudofarger fra et gråtonebilde Pikselverdiene fra til 55 tilordnes et RG-triplet Ved framvisning leses pikselverdien, som brukes til å indeksere tabellen for å finne den RG-fargen som vises. Eks: Histogramutjevning RG vs HSI Originalbilde Histogramutjevning på RG Histogramutjevning i intensitet i HSI IN 3 - A IN 3 - A 6
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)]
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
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
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
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
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
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
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
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
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 :
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
DetaljerOppsummering, mai 2014: Sampling og kvantisering Geometriske operasjoner Gåt Gråtone- og histogramoperasjoner F4,5. Segmentering ved terskling
INF 310 Digital bildebehandling Oppsummering, mai 014: Avbildning F1 Sampling og kvantisering F Geometriske operasjoner F3 Gåt Gråtone- og histogramoperasjoner F4,5 Segmentering ved terskling Farger og
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:
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:
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
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
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
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
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
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 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
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
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
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.
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
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
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
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
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
DetaljerSEGMENTERING 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
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
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
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
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
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
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
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
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
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
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
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
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:
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
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
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
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.
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
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
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
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
DetaljerHovedsakelig fra kap. 3.3 i DIP
Repetisjon av histogrammer INF 231 1.2.292 29 Hovedsakelig fra kap. 3.3 i DIP Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for billedserier Litt om histogramtransformasjoner
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
DetaljerINF 2310 Farger og fargerom. Motivasjon. Fargen på lyset. Fargen på lyset. m cos( Zenit-distansen, z, er gitt ved
Temaer i dag : INF 310 Farger og fargerom 1 Farge, fargesyn og deteksjon av farge Fargerom - fargemodeller 3 Overganger mellom fargerom 4 Fremvisning av fargebilder 5 Fargetabeller 6 Utskrift av fargebilder
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
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
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
DetaljerINF 2310 Farger og fargerom. Motivasjon. Fargen på lyset. Fargen på lyset fra sola. Vi kan skille mellom tusenvis av fargenyanser
INF 2310 Farger og fargerom Temaer i dag (Kapittel 6: Hovedfokus på 6.1 og 6.2): 1. Litt fysikk: sollys og reflektivitet 2. Farge, fargesyn og deteksjon av farge 3. Fargerom - fargemodeller 4. Overganger
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
DetaljerMotivasjon. INF 2310 Farger og fargerom. Fargen på lyset. Spredning, absorbsjon, transmisjon. Vi kan skille mellom tusenvis av fargenyanser
Temaer i dag : INF 310 Farger og fargerom 1. Farge, fargesyn og deteksjon av farge. Fargerom - fargemodeller 3. Overganger mellom fargerom 4. Fremvisning av fargebilder 5. Fargetabeller 6. Utskrift av
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
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 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
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
DetaljerMotivasjon. INF 2310 Farger og fargerom. Fargen på lyset. Fargen på lyset. Vi kan skille mellom tusenvis av fargenyanser
Temaer i dag : INF 310 Farger og fargerom 1. Farge, fargesyn og deteksjon av farge. Fargerom - fargemodeller 3. Overganger mellom fargerom 4. Fremvisning av fargebilder 5. Fargetabeller 6. Utskrift av
DetaljerINF 2310 Digital bildebehandling
INF 2310 Digital bildebehandling Forelesning nr 8-2018 Farger og fargerom Temaer i dag : 1. Farge, fargesyn og deteksjon av farge 2. Fargerom - fargemodeller 3. Overganger mellom fargerom 4. Fremvisning
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,
DetaljerMotivasjon. INF 2310 Farger og fargerom. Fargen på lyset. Fargen på lyset fra sola. Vi kan skille mellom tusenvis av fargenyanser
INF 310 Farger og fargerom Temaer i dag (Hovedfokus på 6.1 og 6.: 1. Farge, fargesyn og deteksjon av farge. Fargerom - fargemodeller 3. Overganger mellom fargerom 4. Fremvisning av fargebilder 5. Fargetabeller
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 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:
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
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.
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
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
DetaljerMidtveiseksamen. INF Digital Bildebehandling
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Midtveiseksamen INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Tirsdag 21. mars 2017 Tidspunkt for eksamen:
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
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,
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
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
DetaljerINF 2310 Digital bildebehandling
INF 2310 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Temaer i dag Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
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
DetaljerINF 1040 Farger og fargerom
INF 1040 Farger og fargerom Temaer i dag : 1. Fargesyn og deteksjon av farge 2. Digitalisering av fargebilder 3. Fargerom og overganger mellom dem 4. Fremvisning og utskrift av fargebilder 5. Fargetabeller
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
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.
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
DetaljerTemaer i dag. Repetisjon av histogrammer I. Gjennomgang av eksempler. INF2310 Digital bildebehandling. Forelesning 5. Pensum: Hovedsakelig 3.
emaer i dag Digital bildebehandling Forelesning 5 Histogram-transformasjoner Ole Marius Hoel Rindal omrindal@ifi.uio.no Etter orginale foiler av Fritz Albregtsen. Histogramtransformasjoner Histogramutjevning
DetaljerMotivasjon. INF 1040 Farger og fargerom. Fargen på et objekt. Fargen på lyset. Vi kan skille mellom tusenvis av fargenyanser
Temaer i dag : INF 14 Farger og fargerom 1 Fargesyn og deteksjon av farge 2 Digitalisering av fargebilder 3 Fargerom og overganger mellom dem 4 Fremvisning og utskrift av fargebilder 5 Fargetabeller 6
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
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
DetaljerINF 1040 løsningsforslag til kapittel 17
INF 1040 løsningsforslag til kapittel 17 Oppgave 1: Bilder og histogrammer Her ser du pikselverdiene i et lite bilde. Kan du regne ut histogrammet til bildet, dvs. lage en tabell over hvor mange piksler
DetaljerMotivasjon. INF 1040 Farger og fargerom. Fargen på lyset. Et prisme kan vise oss fargene i lyset. Vi kan skille mellom tusenvis av fargenyanser
Temaer i dag : INF 14 Farger og fargerom 1 Fargesyn og deteksjon av farge 2 Digitalisering av fargebilder 3 Fargerom - fargemodeller 4 Overganger mellom fargerom 5 Fremvisning av fargebilder 6 Fargetabeller
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
DetaljerINF 1040 Farger og fargerom
INF 1040 Farger og fargerom Temaer i dag : 1. Fargesyn og deteksjon av farge 2. Digitalisering av fargebilder 3. Fargerom - fargemodeller 4. Overganger mellom fargerom 5. Fremvisning av fargebilder 6.
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
DetaljerINF 2310 Digital it bildebehandling. Spredning, absorbsjon, transmisjon FARGER OG FARGEROM
INF 310 Digital it bildebehandling b dli FARGER OG FARGEROM Temaer i dag : 1. Farge, fargesyn og deteksjon av farge. Fargerom - fargemodeller 3. Overganger mellom fargerom 4. Fremvisning av fargebilder
DetaljerHistogramprosessering
Histogramprosessering Lars Vidar Magnusson January 22, 2018 Delkapittel 3.3 Histogram Processing Histogram i Bildeanalyse Et histogram av et digitalt bilde med intensitet i intervallet [0, L) er en diskret
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
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
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
DetaljerMorfologiske 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
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
Detaljer