Gråtonehistogrammer. Histogrammer. Hvordan endre kontrasten i et bilde?

Like dokumenter
Temaer i dag. Gjennomgang av eksempler. Hvordan endre kontrasten i et bilde? INF 2310 Digital bildebehandling

Temaer i dag. Hvordan endre kontrasten i et bilde? Histogrammer. INF 2310 Digital bildebehandling

Hva er kontrast? Gråtonehistogrammer. Hvordan endre kontrasten i et bilde? Repetisjonsforelesning før midtveiseksamen INF2310 våren 2016

Standardisering av bilder med lineær transform. Ikke-lineære, parametriske transformer. og lokale gråtonetransformer INF2310

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling

Forelesning 19 og 20 Regresjon og korrelasjons (II)

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk

Oversikt over tester i Econ 2130

TMA4245 Statistikk Eksamen mai 2016

Seminaroppgaver for uke 13

Seminaroppgaver for uke 13 (Oppgave (1), (2), og (3))

TMA4245 Statistikk Eksamen 21. mai 2013

Det ble orientert i plenum under eksamensdagen om følgende endringer i forhold til oppgaven:

INF 2310 Digital bildebehandling

TMA4245 Statistikk Eksamen august 2014

Forelesning 21 og 22 Goodness of fit test and contingency table ( 2 test og krysstabell)

Oversikt over tester i Econ 2130

Econ 2130 uke 19 (HG) Inferens i enkel regresjon og diskrete modeller

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

Oversikt over tester i Econ 2130

TMA4240 Statistikk Høst 2016

Regler om normalfordelingen

STK1110 høsten Lineær regresjon. Svarer til avsnittene i læreboka (med unntak av stoffet om logistisk regresjon)

Gråtone-transformasjoner Hovedsakelig fra kap i DIP

Løsningskisse seminaroppgaver uke 17 ( april)

Forelesning 3 mandag den 25. august

Regler om normalfordelingen

Regler om normalfordelingen

som vi ønsker å si noe om basert på data Eksempel. Uid-modellen: X1, X ,,,

STK1100 våren Konfidensintevaller

Analyse av sammenhenger

Forelesning Enveis ANOVA

Om enkel lineær regresjon II

Forelesning Ordnings observatorer

Notat 1: Grunnleggende statistikk og introduksjon til økonometri

Oppgave 1 Det er oppgitt i oppgaveteksten at estimatoren er forventningsrett, så vi vet allerede at E(ˆµ) = µ. Variansen til ˆµ er 2 2 ( )

Makroøkonomi - B1. Innledning. Begrep. B. Makroøkonomi. Mundells trilemma går ut på følgende:

Forelesning Z-, t-test, test for forventningsdifferanser

Løsningsforslag Eksamen i Statistikk Nov 2001 Oppgave 1 a) Det fins 8 mulige kombinasjoner. Disse finnes ved å utelate ett og ett tall.

Om enkel lineær regresjon II

1. Konfidens intervall for

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk

Oversikt over konfidensintervall i Econ 2130

01. Til hvilke deler av naturen benyttes kvantefysikk som beskrivende verktøy?

Formler og regler i statistikk ifølge lærebok Gunnar Løvås: Statistikk for universiteter og høgskoler

i B maksimal b Fundamentalteoremet for lineærprogrammering Den leksikografiske metode Blands pivoteringregel MoD233 - Geir Hasle - Leksjon 4 2

Om enkel lineær regresjon II

UNIVERSITETET I OSLO

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

Econ 2130 uke 15 (HG)

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL

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

STK1100 våren Estimering. Politisk meningsmåling. Svarer til sidene i læreboka. The German tank problem. Måling av lungefunksjon

INF 2310 Digital bildebehandling

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 29. mai 2007

Kapittel 9 ALGEBRA. Hva er algebra?

Statistikk med anvendelse i økonomi

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

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

Geometriske operasjoner

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Estimering. Målemodellen. Kp. 5 Estimering. Målemodellen.

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

Geometriske operasjoner

FORELESNINGSNOTATER I SPILLTEORI Geir B. Asheim, våren 2001 (oppdatert ).

Mer om Hypotesetesting (kap 5) Student t-fordelingen. Eksamen. Fordelingene blir like ved stor n:

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

Kapittel 1: Beskrivende statistikk

Positive rekker. Forelest: 3. Sept, 2004

Seleksjon og uttak av alderspensjon fra Folketrygden

UNIVERSITETET I OSLO

Forelesning Punktestimering

Econ 2130 uke 13 (HG)

Kapittel 1: Beskrivende statistikk

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT. Innleveringssted: Ekspedisjonen i 12. etasje (mellom ) OG Fronter (innen klokken 15).

Dynamisk programmering. Hvilke problemer? Optimalitetsprinsippet. Overlappende delproblemer

Chapter 2 - Discrete Mathematics and Its Applications. Løsningsforslag på utvalgte oppgaver

EKSAMEN løsningsforslag

Forelesning 2 MET3592 Økonometri ved David Kreiberg Vår 2011

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

(ii) Anta vi vet om en observasjon av X at den ikke er større enn 5. Hva er da sannsynligheten for at den er lik 5? (Hint: Finn PX ( = 5 X 5) ).

Del1. Oppgave 1. a) Deriver funksjonene: b) Gitt den uendelige rekken. Avgjør om rekken konvergerer, og bestem eventuelt summen av rekken.

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

INF februar 2017 Ukens temaer (Hovedsakelig fra kap. 3.1 og 3.2 i DIP) (Histogrammer omtales i kap. 3.3)

UNIVERSITETET I OSLO

Introduksjon til økonometri, kap 8, 9.1 og 9.2. Hva er formålet med økonometri? Utvalgskorrelasjoner To-variabel regresjoner

Anne Vedø Estimering av materialfordelingen til husholdningsavfall i 2004 Dokumentasjon av estimeringsmetoder

Differensligninger Forelesningsnotat i Diskret matematikk Differensligninger

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

Avsnitt 8.1 i læreboka Differensligninger

LØSNINGSFORSLAG TIL ØVING NR. 1, VÅR 2015

Terminprøve R2 Høsten 2014 Løsning

MSKOMNO. kó=ñê~w. pfabufp=ud. aáöáí~ä=ê åíöéå=l=îáçéçjëçñíï~êé=j=sfabufp hçêí=äêìâë~åîáëåáåö= kçêëâ

f(x) = x 2 x 2 f 0 (x) = 2x + 2x 3 x g(x) f(x) = f 0 (x) = g(x) xg0 (x) g(x) 2 f(x; y) = (xy + 1) 2 f 0 x = 2(xy + 1)y f 0 y = 2(xy + 1)x

Statistikk og økonomi, våren 2017

Om enkel lineær regresjon I

Forelesninger i spillteori V 2003, del 1. Telenor Mobil, NetCom Rimi, Rema, andre SAS, lavprisselskaper Charterselskaper

Dynamisk programmering. Hvilke problemer? Overlappende delproblemer. Optimalitetsprinsippet

Transkript:

INF 3 råtoe-trasforasjoer Hovedsakelg fra ka. 3.-3. DIP Hstograer Leære gråtoetrasforer Stadardserg av blder ed leær trasfor Ikke-leære, araetrske trasforer Hvorda edre kotraste et blde?? Neste uke: Hstograbaserte oerasjoer og lokal gråtoetrasfor Mateatsk verktøykasse INF3 /37 INF3 /37 Hstograer Et stogra er e dskret fuksjo so vser atall ålger efor ufore tervaller et datasett råtoestograer tt et gråtoeblde ed ksler og gråtoer V jobber ed blder og får Et blde so datasett Pksel-testeter so ålger Altså e overskt over frekvese tl testetee bldet Ka også a stograer over avledede egeskaer bldet Et stogra,, er slk at: atall ksler bldet ed kselverd Daes ved å gå gjeo alle kslee og telle gråtoer V ar aturlgvs at #ksler gråtoe INF3 3/37 INF3 4/37

Ekseel - stogra Ekseler Blde: 3 5 4 4 5 3 # ksler Hstogra: 3 3 4 5 Pkselverd INF3 5/37 INF3 6/37 Ekseler II Ogaver Hvorda ser stograet ut? Hvorda ser stograet ut? ½ ½ Hvorda ser stograet ut? Her er stograet. Hvorda ser bldet ut? 4 6 8 INF3 7/37 INF3 8/37

Noralsert stogra V ar at Det oralserte stograet er:, ka ses å so e sasylgetsfordelg for kselverdee Uavegg av atall ksler bldet Ma ka s e del o bldet ut fra dee sasylgets-tettetsfuksjoe Kuulatvt stogra Hvor age ksler ar gråtoe dre e eller lk gråtoe j? c j Noralsert kuulatvt stogra: j c j Sasylgete for at e tlfeldg ksel er dre eller lk gråtoe j INF3 9/37 INF3 /37 Ekseel, kuulatvt stogra Hstograer av objekt-egeskaer Hstogra og kuulatvt stogra sae fgur INF3 /37 Begresaaratet okrg stograer vl også koe tl ytte dgtal bldeaalyse V ka lage stograer over egeskaer, feks: Objekt-størrelse: Vser fordelge av størrelse å objektee, og daer grulag for å sette e terskel for å kue fjere så og uvesetlge objekter fra bldet støy Objekt-oeter: Vser fordelge av beregede oeter fra vert objekt, og daer grulag for å sale gruer av objekter klasser eller clustre INF3 /37 3

råtoetrasforasjo Idettetsag Når v vser et blde å skjere er testete kotrollert av de tlsvarede verde bldeatrse V ka orette e avbldgs-fuksjo ello de tallee so fes bldeatrse, v, og de testete v øsker å skjere, v out For ett-bådsblder er v out [v ka være e araetrsk fuksjo eller e tabell Re gråtoetrasforasjo, så ett og ett ksel trasforeres uavegg av aboksler lobal trasforasjo Fgure vser saeege ello kselverde -bldet f og kselverde tl de sae ksele utbldet g etter e gråtoetrasforasjo Hvs trasforasjo er e dettetsag, gf, vl fgure vse e rett lje gjeo orgo, ed stggstall [ g g g f f f INF3 3/37 INF3 4/37 Leær avbldg Edre lysete brgtess Leær strekkg [ a b g x, y a f x, y b Legge tl e kostat b tl alle kselverdee x, y f x, y b g g a regulerer kotraste, og b lysete a>: er kotrast a<: dre kotrast b: flytter alle gråtoer b våer Negatver: a-, baxverd for bldetye Hvs b >, alle kselverdee øker, og bldet blr lysere Hvs b <, bldet blr ørkere Hstograet flyttes o eller ed ed b g f f INF3 5/37 INF3 6/37 4

Edre kotraste Multlsere ver kselverd ed e faktor a: x, y a f x, y g Hvs a >, kotraste øker Hvs a <, kotraste ker Eks: Bruke ele testetsskalae g g f f Ivertert gråtoeblde Daer bldets egatv ved å sett a- og baksverde Bldet får kke egatve verder, e avbldgsfuksjoe ar egatvt stggstall INF3 7/37 INF3 8/37 Fra gråtoevå [f,f tl [g,g Edre tervallet [f, f tl å bl [g,g E leær ag fra f tl g: g g g x, y g [ f x, y f f f Rett lje ed stggstall ag -g /f -f g g g f f f g g a ff Klg etter trasfor O gx,y får verder utefor det støttede tervallet, foretas so oftest klg av verdee F.eks for et 8 bts usged blde vl g bl tvuget efor tervallet [, 55 ax g g INF3 9/37 INF3 /37 5

6 INF3 /37 Stadardserg av blder Heskt: Sørge for at alle bldee e sere er statstsk lke. orde Metode: Justere ddelverde og varase tl gråtoeverdee bldet ved jel av e leær gråtoetrasfor Hvorfor? Fjere effekte av Døgvarasjo belysg Aldrgseffekter laer og detektorer Akkuulerg av støv å lser etc. Hvor: Produkt-seksjo dustr Mkroskoerg av celler... Neste uke: Ka også stadardsere bldee ed stograsesfkasjo, e vl da kke beolde fore å stograet INF3 /37 Mddelverde av gråtoee Mddelverde av kselverdee et blde ed х ksler og gråtoer ka fes ete fra bldet eller fra bldets stogra, evt oralsert stogra [..., x y y x f, Noralsert stogra Hvorfor e fordel ed det sste alteratvet? INF3 3/37 Varas av gråtoee Varase av kselverdee et blde ed x ksler og gråtoer ka også fes fra bldets stogra [ [, [ x y y x f INF3 4/37 Justerg av og tt -blde ed ddelverd og varas Ata e leær gråtoe-trasfor [ab Ny ddelverd og varas er da gtt ved Dvs. a /, b -a V ka altså velge ye og, berege a og b, avede [a b å -bldet og få et ut-blde ed rktg og b a [ [ [ a a b a b ab a

Ekseel : Justerg av Vl beolde ddelverde, slk at, e øsker y. Beste a og b lgge [ab: a, b a [ Ekseel : Justerg av og Øsker at alle bldee e sere skal a sae,. Beste a og b lgge [ab: a, b a [ For vert blde å v fe bldets, INF3 5/37 INF3 6/37 Valg av stadardavvk Ata at stograet tl bldet er oralfordelt N,, og at v velger /. Hva er da otalt valg av? Hvor stor ercetl blr klt? Ikke-leær trasfor Logartsk skalerg Eks: Desbel og radarblder, Fourer-trasfor Eksoetell skalerg aa-skalerg Stykkevs-leær skalerg Hva gjøres ed kotraste de ørke og lyse delee av bldet etter slke skalerger eg sksse av fuksjoee og se Δf ot Δg INF3 7/37 INF3 8/37 7

Power-law gaa-trasforasjoer Logartsk ag Mage blderoduserede aarater ar et ut/oututforold so ka beskrves so: s c γ der s er ut-testete ved e ut Ka korrgeres ved gråtoetrasfore [ /γ Fg 3.6 DIP... eerell kotrast-aulasjo Brukervelg ed ku é varabel INF3 9/37 INF3 3/37 Eksoetell ag Stykkevs leær ag Brukersesfsert stykkevs leær ag for å freeve vsse tervaller INF3 3/37 INF3 3/37 8

r bært blde basert å o kslees -te bt er satt I ekselet, ku de sste 4 bt eolder vsuell sgfkas Ka beyttes koresjo Ku beolde vsse la Effektvt å kode bære blder f.eks rulegt Bt-la-odelg ersklg Dette er et grese-tlfelle av leær trasforasjo, der alle ut-verdee g settes lk for -verder f et tervall -, es alle adre ut-verder settes lk Dette gr et to-vå bært ut-blde INF3 33/37 INF3 34/37 Ileetasjo: Oslagstabeller LU Ileetasjo av gråtoeoerasjoer Mål: Effektvsere leetasjoe Avbldgsfuksjoe utføres å alle ulge testeter og resultatee lagres e tabell LUlook u table råtoe-avbldge utføres så so oslag e tabell Hardware LU-oerasjoe utføres å data-strøe ello ukoelse og dslay o te fly å grafkkortet Ioldet blde-atrse edres kke Kotrastedrg ved ku å edre tabellverdee Software Utregg av avbldgsfuksjoe for vert ksel blr byttet ut ed ekelt tabelloslag for x:wdt- for y:egt- gx,ya*fx,y b for g:reylevels- [ga*gb for x:wdt- for y:egt- gx,y[fx,y drekte leetasjo ved bruk av LU edrg av kselverdee INF3 35/37 INF3 36/37 9

råtoestograer Osuerg Leær trasfor Forstå effekte av araetree a og b Stadardserg av blder ed leær trasfor Fjere effekte av varasjoer avbldgsforold døgvarasjo, lae, støv etc Hvorda bestee a og b for å få øsket og Ikke-leære, araetrske trasforer Logartsk, eksoetell, gaa, stykkevs leær Hva gjøres ed kotraste de ørke og lyse delee av bldet etter slke skalerger eg sksse av fuksjoee og se Δf ot Δg INF3 37/37