INF 2310 Digital bildebehandling

Like dokumenter
Om pensum fra kap. 10. Hva er segmentering? Segmenterings-problemer. INF 2310 Digital bildebehandling SEGMENTERING VED TERSKLING

INF 2310 Digital bildebehandling

Om pensum fra kap. 10. Segmenterings-problemer. Hva er segmentering? INF 2310 Digital bildebehandling SEGMENTERING VED TERSKLING

Hva er segmentering? To segmenterings-kategorier. Segmenterings-problemer. INF mai 2010 Segmentering ved terskling Kap 10.

Om pensum fra kap. 10. Hva er segmentering? Hva er segmentering? INF 2310 Digital bildebehandling

Hva er segmentering? Segmenterings-problemer. To segmenterings-kategorier. Terskling, eksempel. Dagens verktøy: Terskling

Eksamensoppgave i TMA4240 Statistikk

INF april 2017

Flerpartikkelsystemer Rotasjonsbevegelser

TMA4240/4245 Statistikk Eksamen august 2016

INF 2310 Digital bildebehandling

Løsning heimeøving 7 Sanntid

Working Paper ANO 2002/3. Estimering av indikatorer for volatilitet. Kjetil Johan Rakkestad. Avdeling for verdipapirer og internasjonal finans

EKSAMEN Løsningsforslag

EKSAMEN ny og utsatt løsningsforslag

Tillegg nr 1 til Grunnprospekt datert 27. mai 2015 i henhold til EU's Kommisjonsforordning nr 809/2004

EKSAMEN Ny og utsatt Løsningsforslag

Øvingsoppgaver. Innledende oppgaver. Alle oppgaver er merket ut fra vanskelighetsgrad på følgende måte: * Enkel ** Middels vanskelig *** Vanskelig

(iii) Når 5 er blitt trukket ut, er det tre igjen som kan blir trukket ut til den siste plassen, altså:

Eksamensoppgåve i TMA4240 Statistikk

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

Refleksjon og transmisjon av transverselle bølger på en streng

Rotasjonsbevegelser

Eksamen i LOG530 Distribusjonsplanlegging

Rotasjonsbevegelser

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

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

STK desember 2007

Løsningskisse for oppgaver til uke 15 ( april)

Gradient-operatorer. 1D Laplace-operator. Laplace-operatoren. INF 2310 Digital bildebehandling. Laplace-operatoren er gitt ved:

Alternerende rekker og absolutt konvergens

Bevegelse i én dimensjon (2)

OMDØMMEUNDERSØKELSE FOR HELSE SØR-ØST RHF OMRÅDERAPPORT SØRLANDET 2017

ØVINGER 2017 Løsninger til oppgaver

Krefter og betinget bevegelser

Kinematikk i to og tre dimensjoner

Kinematikk i to og tre dimensjoner

INF 2310 Digital bildebehandling. Hva er segmentering? forelesning nr 11 12/ Segmentering av bilder. To segmenterings-kategorier

Balanserte søketrær. AVL-trær. AVL-trær. AVL-trær høyde AVL AVL. AVL-trær (Adelson-Velskii og Landis, 1962) Splay-trær (Sleator og Tarjan, 1985)

Anvendelser. Kapittel 12. Minste kvadraters metode

Oppgaver. Hypotesetesting testing av enkelthypoteser. Forelesning 4 og 5 MET3592 Økonometri ved David Kreiberg Vår 2011

Kjøpermakt og vannsengeffekt

Forelesning 2 MET3592 Økonometri ved David Kreiberg Vår 2011

UNIVERSITETET I OSLO

Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.18).

Hvor små detaljer kan en linse oppløse?

Dynamisk programmering. Hvilke problemer? Overlappende delproblemer. Optimalitetsprinsippet

INF 2310 Digital bildebehandling

UNIVERSITETET I OSLO

Bevegelsesmengde og kollisjoner Flerpartikkelsystemer

Hva påvirker gjeldsveksten i husholdningene?

Bevegelse i én dimensjon (2)

INF3400 Del 5 Statisk digital CMOS

Diskretisering av tidsavhengig endimensjonal varmelikning

Eksempel på symmetrisk feil: trefase kortslutning på kraftlinje.

I analysen rapporteres følgende resultater basert på data for 90 regioner:

TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.

FYS3140 KORT INTRODUKSJON TIL KONTINUERLIGE GRUPPER

bedre læring Handlingsplan for bærumsskolen mot 2020 Relasjons- og ledelseskompetanse/vurdering for læring/digital didaktikk

TMA4265 Stokastiske prosesser

Løsningsforslag til øving 11

Simpleksmetoden. Initiell basistabell Fase I for å skaffe initiell, brukbar løsning. Fase II: Iterativ prosess for å finne optimal løsning Pivotering

Dynamisk programmering. Hvilke problemer? Overlappende delproblemer. Optimalitetsprinsippet

Notater. Marie Lillehammer. Usikkerhetsanalyse for utslipp av farlige stoffer 2009/30. Notater

Løsningsforslag øving 10 TMA4110 høsten 2018

TMA4245 Statistikk Eksamen august 2014

STK1100 våren 2015 P A B P B A. Betinget sannsynlighet. Vi trenger en definisjon av betinget sannsynlighet! Eksemplet motiverer definisjonen:

Seleksjon og uttak av alderspensjon fra Folketrygden

OPPSUMMERING FORELESNINGER UKE 35

Forelesning Punktestimering

Sorterings- Algoritmer

Automatisk koplingspåsats Komfort Bruksanvisning

Høst 95 Test-eksamen. 1. Et legeme A med masse m = kg påvirkes av en kraft F gitt ved: F x = - t F y = k t 2 = 5.00N = 4.00 N/s k = 1.

X ijk = µ+α i +β j +γ ij +ǫ ijk ; k = 1,2; j = 1,2,3; i = 1,2,3; i=1 γ ij = 3. i=1 α i = 3. j=1 β j = 3. j=1 γ ij = 0.

Bevegelsesmengde og kollisjoner Flerpartikkelsystemer

Kraftelektronikk (Elkraft 2 høst), Løsningsforslag til øvingssett 2, høst 2005

2005/11 Notater Anna-Karin Mevik. Notater. Usikkerhet i ordrestatistikken. Seksjon for statistiske metoder og standarder

Veiledning til obligatorisk oppgave i ECON 3610/4610 høsten N. Vi skal bestemme den fordeling av denne gitte arbeidsstyrken som

IT1105 Algoritmer og datastrukturer

Harald Bjørnestad: Variasjonsregning en enkel innføring.

2. Å R S B E R E T N I N G O G R E G N S K A P F O R A ) Å r s b e r e t n i n g o g r e g n s k a p f o r

Håvard Hungnes Dokumentasjon av faktoretterspørselssystemet i Kvarts og Modag

Bevegelsesmengde og kollisjoner Flerpartikkelsystemer

, og dropper benevninger for enkelhets skyld: ( ) ( ) L = 432L L = L = 1750 m. = 0m/s, og a = 4.00 m/s.

Løsningsforslag for regneøving 3

Oblig1.nb 1. Et glassfiberlaminat består av følgende materialer og oppbygging:

Løsningsforslag (ST1201/ST , kontinuasjonseksamen) ln L. X i = 2n.

Potensiell energi Bevegelsesmengde

FYS3220 Oppgaver om Fourieranalyse

DEN NORSKE AKTUARFORENING

i kjemiske forbindelser 5. Hydrogen har oksidasjonstall Oksygen har oksidsjonstall -2

Kollektivt eller individuelt salg av TVrettighetene

Notater. Mona Irene Andersen og Annette Kalvøy. Prisindeks for telekommunikasjonstjenester 2009/26. Notater

Statistikk og økonomi, våren 2017

Løsningsforslag ST2301 Øving 8

EKSAMEN I FAG SIF5040 NUMERISKE METODER Tirsdag 15. mai 2001 Tid: 09:00 14:00

Løsningsskisse til eksamen i TFY112 Elektromagnetisme,

Notasjoner, gjennomsnitt og kvadratsummer. Enveis ANOVA, modell. Flere enn to grupper. Enveis variansanalyse (One-way ANOVA, fixed effects model)

Oppgaver. Multiple regresjon. Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

Oppgave 1. (a) Vi utvikler determinanten langs første kolonne og dette gir. (b) Med utgangspunkt i de tre datapunktene denerer vi X og y ved

Transkript:

Om ensum ra a. IN 3 Dgal bldebehandlng SEMENERIN VED ERSKLIN lobal hsogram-baser erslng Varabel og mulvarabel erslng Loal adav erslng Kael boa nroduserer e sor og vg ema, erslng, men deer de noe overlads. I IN3 oreleser v bare om segmenerng ved Kan-deesjon W a..7 orelesnng nr 7. erslng W a.3 dagens orelesnng nr 3, men ar dee noe grundgere enn boa. Lenng av aner..7, 7 Hough-ransorm 7..7, regon-baser segmenerng.4, waershed.5 og bevegelses-segmenerng.6 ar v IN43. W:.3 l grundgere enn boa 3 7.5.3 IN 3 3 7.5.3 IN 3 Hva er segmenerng? Segmenerng er en rosess som deler o blde menngsulle regoner. Segmenerng er e av de vgse elemenene e omle bldeanalysesysem. I segmenerng år v ram regoner og objeer som senere sal besrves og gjenjennes. I de enlese lelle har v bare o yer regoner: orgrunn agrunn Esemel: nne symboler or OCR 3 7.5.3 IN 3 3 Segmenerngs-roblemer robleme blr banal hvs v bare har en obje-regon, og denne er homogen. Men v har som regel lere objeer blde. Objeene er sjelden hel le, selv om de er av samme ye. Oe har v lere yer/lasser av objeer samdg. elysnngen an varere over blde. Relesjon, arge ec. an varere over objeer blde. Hva og hvor er objee dee blde? 3 7.5.3 IN 3 4

o segmenerngs-aegorer erslng V sller mellom o aegorer av meoder, baser å hhv. lhe og dsonnue mellom slene blde.. Ved erslng og regon-baser segmenerng år v ram de slene som lgner hverandre. Dee gr alle slene objee.. Ved an-baser segmenerng nner v bass-elemener omrsse l objeene: Kan-uner, lnje-uner, hjørne-uner.. Ineseseg: seg: ynner brede aner Lener unene sammen Hvs v har grunn l å ana a objeene.es. er lysere enn bagrunnen, an v see en ersel og lage oss e bnær u-blde gx,y ved mangen: hvs g x, y hvs x, y x, y Da har v å e u-blde gx,y med bare o mulge verder. Med rg valg av vl nå de lese sler med gx,y= være obje-sler. g 3 7.5.3 IN 3 5 3 7.5.3 IN 3 6 lernvå erslng Har v lere lasser av objeer med orsjellg nense, så an v uvde dee l M gråonenervaller ved hjel av M- ersler. hvs x, y hvs x, y g x, y... M hvs M x, y erslng er e sesallelle av lassasjon. Jr. hsogram-ujevnng med noen å gråoner. ass - erslng Ana a e blde har o nenses-områder: orgrunn og bagrunn. Hsogramme vl da vse o oer, gjerne med e dalsø mellom. Avhengg av hvor mye orgrunn v har orhold l bagrunn, an de hende v e ser o oer. Hvor sal v legge erselen? 3 7.5.3 IN 3 7 3 7.5.3 IN 3 8

Esemel bmodale loale vnduer o auss-ordelnger o auss-ordelnger med samme sandardavv, σ. D=μ -μ =σ D=μ -μ =3σ,33,33 D = μ -μ modal, ca : Le a ror sannsynlgheer. D avgjør om v ser o oer. 8 6 4 3 4 48 56 8 6 4 3 4 48 56 modal, sjev orhold Unmodal Ule a ror sannsynlghe. D avgjør om v ser o oer.,4,4 8 6 4 3 4 48 56 8 6 4 3 4 48 56,5,5 Veldg ule sannsynlgheer. Selv ved sor verd or D ser v e o oer. 8 6 4 3 4 48 56 8 6 4 3 4 48 56 3 7.5.3 IN 3 9 3 7.5.3 IN 3 ordelnger, sandardavv og varans En auss-ordelng g normalordelng er g ved mddelverden varansen : z e Varans:, Sandardavv: x eydnngen av Hvs selverdene l e obje e blde er normalordel med mddelverd og sandardavv så vl 68% av selverdene lgge nervalle <-, + >. 95% av selverdene lgger nervalle <-, + >. 99% av selverdene lgger nervalle <- 3, + 3>. Andel av ordelngen nnenor nervalle 3 7.5.3 IN 3 3 7.5.3 IN 3

Hsogram, normalser, saler Klassasjons-el el ved erslng E esemel: o auss-ordelnger bagrunn : μ = 6, σ = 3 orgrunn : μ = 36, σ = 8,5 - agrunn - orgrunn ersel Normalsere hsogrammer: Salerer med a ror sannsynlgheer,.es. =., = - = 8.8 8 6 4 3 4 48 56,4 Dee an orsyve både mnmum bldes hsogram sjærngsune mellom ordelngene orgrunn som ellassseres som bagrunn med erselen agrunn som ellassseres som orgrunn med erselen 8 6 4 3 4 48 56 3 7.5.3 IN 3 3 3 7.5.3 IN 3 4 Klassasjonsel ved erslng Ana a hsogramme er en sum av o ordelnger bz og z, b og er normalsere bagrunns- og orgrunns-hsogrammer. La og være a ror sannsynlghe or bagrunn og orgrunn += De normalsere hsogramme l blde an da srves z b z z Sannsynlgheene or å ellasssere e sel, g en erselverd, nner v ra de normalsere ordelngene: E z dz E b z dz 3 7.5.3 IN 3 5 Den oale elen V har unne andelen ellassasjon hver ordelng. Den oale elen nner v ved å mullsere med a ror sannsynlgheene or orgrunn og bagrunn: E E E z dz b z dz Legges erselen veldg høy eller veldg lav, blr elen sor. De er rmelg å ana a elen har e mnmum or en besem verd =. 3 7.5.3 IN 3 6

nn den som mnmerer elen E z dz b z dz Derverer E mh. vha. Lebnz regel or dervasjon av negraler. Seer den dervere l og år: VIKI!!! de d b Mer a dee er en generell løsnng som gr mns el. De er ngen resrsjoner mh. ordelngene b og!! erslng av o auss-ordelnger Ana a bagrunns- og orgrunns-nenseene ølger hver sn auss-ordelng, bz og z, sl a de normalsere hsogramme an srves som x x z e e og er a ror sannsynlgheer or or- og bagrunn og er mddelverdene or bagrunn og orgrunn. og er varansen or bagrunn og orgrunn. 3 7.5.3 IN 3 7 3 7.5.3 IN 3 8 Omal løsnng o auss-ordelnger V ve a omal løsnng lgger der hvor b V seer nn or bz og z: e e V an srye og a logarmen: ln ln Dee gr en annengrads-lgnng : ln V an alså å o løsnnger or. o ersler når an de sje? Hvs sandardavvene de o auss-ordelngene er orsjellge og sjærngsunene mellom ordelngene saler med a ror sannsynlghe lgger nnenor gråonesalaen blde En erselverd or hver sjærngsun. De er bare mellom de o erslene a leralle av slene er bagrunnssler!,3 8 6 4 3 4 48 56 3 7.5.3 IN 3 9 3 7.5.3 IN 3

Hvor lgger omal ersel? V har en annengradslgnng g g : ln Hvs sandard-avvene de o ordelngene er le = = > år v en enlere lgnng: ln ln Hvs a ror sannsynlgheene og er omren le har v en veldg enel løsnng: 3 7.5.3 IN 3 Hvs v nå bare anar a = E le esemel: or μ = og μ = 44, med σ = σ = 8, så vl = μ +μ /= 3 være en OK ersel, selv om =.6. or =.9 vl elen bl ganse sor.,33,5 8 6 4 3 4 48 56 8 6 4 3 4 48 56 3 7.5.3 IN 3 En enel erslngs-algorme Samme algorme: bru hsogramme! Sar med ersel-verd = mddelverden l alle slene blde. nn mddelverden av alle sler som er mørere enn erselen nn mddelverden av alle sler som er lysere enn erselen. La ny ersel-verd være jena de o unene ovenor l erselen e lyer seg mer. Dee alles Rdler og Calvard s meode Dee gjøres algormen å sde 74 W. Hvle bengelser må være oyl or a meoden sal vre? Når vl denne meoden sve? Når v sal ersle e ujen blde, jenner v e eller og heller e og V an erav esmere og ra bldes hsogram g den erselen v bruer: Mer a esmaene og nnes ra runere ordelnger runer ved erselen 3 7.5.3 IN 3 3 3 7.5.3 IN 3 4

Osu s meode - movasjon Osu s meode movasjon Ana a v har e gråoneblde med gråoner, g g med normalser hsogram. Ana a blde nneholder o oulasjoner av sler, sl a slene nnenor hver oulasjon er noenlunde le, mens oulasjonene er orsjellge. Mål Målseng: V vl nne en ersel sl a hver av de o lassene som osår ved erslngen blr mes mulg homogen, som osår ved erslngen blr mes mulg homogen, mens de o lassene bl mes mulg orsjellge. Klassene er homogene: a ansen h e a de o lassene e mns m lg varansen hver av de o lassene er mns mulg. Searasjonen mellom lassene er sor: avsanden mellom mddelverdene er sørs mulg. 3 7.5.3 IN 3 5 g Osu s meode enle begreer Osu s meode enle begreer A oseror sannsynlghe or de o lassene er: Mddelverden or gråoner de o lassene er:, Mddelverden or gråoner de o lassene er:,, Varansen nnenor de o lassene er: 3 7.5.3 IN 3 6 Osu s meode l grundg Osu s meode l grundg Den oale varansen nensesordelngen an selvsag deles o ved o o I hver summasjon an v addere og subrahere lassens a oseror mddelverd o 3 7.5.3 IN 3 7 Osu s meode l grundg II Osu s meode l grundg II ørse ledd hver av de o sse lnjene å orrge ol an uryes ved densjonene av σ og σ. Andre ledd an uryes ved og, sden μ, μ og μ er uavhengge av summasjonsvarabelen. Alså år v uavhengge av summasjonsvarabelen. Alså år v o De o summene baers aller bor, ord.. oalvaransen blde er summen av σ W og σ! 3 7.5.3 IN 3 8 W o

Osu s meode: Osu s meode: Ønser å mnmere W og samdg masmere Sden o er onsan: nn som masmerer. Urye or an srves som se neders.h., orrge ol:, Osu s meode: Sø eer masmalverden av or alle verder av der < <. o 3 7.5.3 IN 3 9 Osu s meode; osummerng Osu s meode; osummerng e NxM slers blde med gråoner. nn bldes hsogram, h, =,,,..,-. nn bldes normalsere hsogram:,,,...,, MN h eregn umulav normalser hsogram: eregn umulav mddelverd μ: MN,,,...,, eregn umulav mddelverd, μ: eregn global mddelverd, μ:,,,...,, eregn varansen mellom lassene, σ : nn erselen der σ har s masmum. eregn searablesmåle, η:, 3 7.5.3 IN 3 3 g, η, o Eeen av a ror sannsynlghe Eeen av a ror sannsynlghe oal erslngsel mo log / g g or re verder av μ -μ = Dσ: D= D = D = D = 3 D = 4 elen øer ras ved log / log / => Osu s meode bør bare brues nå < / < når.< / <. De samme gjelder or Rdler & Calvard. D d l! 3 7.5.3 IN 3 3 De nnes gode alernaver! Mnmum el erslng Mnmum el erslng Kler og Illngworh 985 beregner e rerum or alle mulge erselverder: ln ln ln ln J or hver -verd esmeres alle em aramerene. eregn J or alle og nn mnmum, eller nn løsnng erav. K j h l l d d å l Krere-unsjonen har loale mnma ved endene av gråonesalaen. En uheldg sar-verd e erav sø an g menngsløs erselverd. ru Osu s erselverd som sar-verd e erav sø ru Osu s erselverd som sar verd e erav sø. 3 7.5.3 IN 3 3

En sammenlgnng or =.9, =., μ =, μ = 44, σ = σ = 8: Osu s s ersel vensre gr sgnan elerslng. Kler og Illngworh s ersel høyre er OK. Krereunsjoner: σ og J,5 8 6 4 3 4 48 56,5 8 6 4 3 4 48 56 Eeen av søy blde o-nvå gråoneblde =56. A ror sannsynlgheer.5. Søy => Mser bmodale. lobal l erslng => Mange ellasssere sler. Søyjernng + erslng: + modal hsogram => bedre erslng lurrng av blde => el langs obje-anen. 3 7.5.3 IN 3 33 3 7.5.3 IN 3 34 ru av an-normasjon Hvordan an v unngå roblemene som ølger av a obje og bagrunn har ul a ror sannsynlghe? ru bare sler som lgger å eller nær overgangen mellom obje og bagrunn. orholde mellom a ror sannsynlgheer blr da. Hvordan gjør v de? ru en graden-esmaor, og ersle resulae. ru en Lalace-oeraor nullgjennomgang, g g og uvd resulae. Dee er egenlg en srelslunng: or å orbedre erslngen av objee renger v objees omrss. or å avgrense omrsse renger v en erslng. Esemel I e blde x,y der obje-areale er relav le. eregn e anblde Enen graden-magnude eller absoluverd av Lalace. ersle anblde med en høy ersel. -> mase-blde x,y nn hsogram av x,y x,y nn omal ersel med.es. Osu. Anvend å x,y. Nær ere resula. 3 7.5.3 IN 3 35 3 7.5.3 IN 3 36

Esemel II V ønser å nne de lyse sruurene x,y. Vanselg hsogram: Osu -> el erselverd eregn abslalace ersle høy ercenl -> mase-blde x,y nn hsogram av x,y x,y. nn omal ersel med.es. Osu. Anvend å x,y. Varabel belysnng I llegg l søy an v ha ujevn belysnng. elr global erslng er da e mulg uen bru av Søyjernng blde ru av an-normasjon Dee vrer e alld. jern lave revenser blde. Varabel erslng. Odelng av blde Loal adav erslng E hel annerledes alernav: Dvdér blde med blde av homogen lae med samme belysnng. 3 7.5.3 IN 3 37 3 7.5.3 IN 3 38 eneralserng l ler-nvå Rdler & Calvard s meode an generalseres l M ersler: M,,,,,,, M,, M, M,, Ny se erselverder beregnes l alle ersler er sable dvs l alle deransene n, n,-, n M, er mndre enn Δ. rosedyren onvergerer vanlgvs ras. lernvå Osu-erslng erslng V an srve varansen mellom lassene σ som Derverer og seer δσ /δ =. Dee gr en løsnng ved Dee an srves som μ + μ = V ser alså en sammenheng mellom Rdler & Calvard og Osu. De samme gjelder or lernvå erslng se orrge ol. 3 7.5.3 IN 3 39 3 7.5.3 IN 3 4

lobal, varabel eller adav? lobal erslng : Samme verd or over hele blde. Varabel erslng: Verden av varerer over blde. Loal adav erslng: beregnes ra bldes loale egensaer μ, σ,... Adav erslng ved nerolasjon lobale ersler gr oe dårlg resula. lobale meoder an benyes loal. Dee vrer e der vndue bare nneholder en lasse! Osr: NIVÅ I: Del o blde del-blder. or del-blder med b-modal hsogram: nn loal erselverd c,j og lordne den l senersele,j del-blde. or del-blder med un-modal hsogram: nn loal erselverd ved nerolasjon. NIVÅ II: sel-or-sel nerolasjon: å gjennom alle sel-ossjoner besem adav erselverd x,y ved nerolasjon mellom de loale erselverdene c,j. ersle så hver sel x,y blde erselverdene x,y. 3 7.5.3 IN 3 4 3 7.5.3 IN 3 4 Adav erslng Loale endrnger bagrunn og onras an hånderes. an syldes ujevn belysnng/bagrunn. Man an brue Overlaende vnduer e-overlaende vnduer Sørrelsen å vnduene an være avgjørende... En enel adav meode... En meode som benyer de dere lære orelesnngen om gråoneransormer: eregn mddelverd og sandardavv nnenor e gldende w x w vndu over hele blde. Nblac s meode: Se den loale erselverden l, j, j, j La u-blde være g ved hvs, j, j g, j hvs, j, j Ex.: or w = 3, = -.8 : 3 7.5.3 IN 3 43 3 7.5.3 IN 3 44

Samoreoms-marser marser Samoreoms-marser er -D hsogrammer. Engels: ray Level Cooccurrence marx orore LCM. De vser hvor mange oreomser v har av a e sel har gråone samdg som en nabo avsand d og renng θ har gråone j. V an srve dee som h,j d,θ. or d,θ =, beraer v ørse nabo horsonal renng or d,θ =,π/ beraer v ørse nabo veral renng V an legge sammen sle marser ra lere rennger: c,j d =.5*[h,j d=,θ= + h,j d=,θ=π/] gr en samoreoms-marse begge rennger horsonal og veral. LCM-erslng Ana a v har en samoreoms-marse c,j d. nn den erselverd blde som gr ærres mulg anall overganger ra l eller l horsonal og veral resula-blde eer erslng. - Anall overganger ra l bb b O c, j d b j Anall overganger ra l O b j c, j d - Mns omlese: nn den som mnmerer O b + O b j b 3 7.5.3 IN 3 45 3 7.5.3 IN 3 46 Osummerng erslng o vlårlg ordelnger z og bz vl den erselverden som mnmerer elen alld lgge der de d b Rdler og Calvard s meode er en enel algorme. Hvle bengelser må være oyl or a den sal vre? Osu s meode masmerer searasjon mellom o normalordele l lasser. KI-meoden mnmerer dvergensen mellom observer hsogram og en vee blandng av o auss-unsjoner. Nblac s meode gr loal adav ersel baser å mddelverd og sandardavv løende vndu. 3 7.5.3 IN 3 47