Signaler, information & bilder, föreläsning 15

Storlek: px
Starta visningen från sidan:

Download "Signaler, information & bilder, föreläsning 15"

Transkript

1 Översikt Signaler, inormation & bilder, öreläsning 5 Michael Felsberg och Maria Magnusson Computer Vision Laborator (Datorseende) Department o Electrical Engineering (ISY) michael.elsberg@liu.se, maria.magnusson@liu.se D Omsampling Uppsampling Nedsampling Rotation Histogram och tröskelsättning Automatisk tröskelsättning Morologiska operationer Dilation (Expansion) Erosion (Krmpning) Kombinationer Avståndskartor Teori: Kap. 4, 5., 5., 6., 6., 6.5 Bgger på Maria Magnussons öreläsningar D Omsampling D linjär interpolation = bilinjär interpolation Metod : Börja med D linjär interpolation i x-led och ortsätt med D linjär interpolation i -led. Metod : Utör D bilinjär interpolation direkt. D bilinjär interpolation, method x A B x, B x, x, xe x, x, x x, x, A, x x e A x, e x, x, x, e e B e x e x e x x

2 D uppsampling en aktor 4 Fig. 4.6 Uppsampling, ideal, repetition Ex) D bilinjär interpolation, method p. 5 D bilinjär interpolation, method x, x x, Basta på x, x,, x, x e x e x, x, x, xe e x, xe e x, xe e x, xe e x Original Närmsta granne interpolation Bilinjär interpolation Bicubic 6 spline interpolation Fig. 4.8

3 Nedsampling m. olika interpolationskn. ekvivalent med att kasta bort varannan pixel Nedsampling, ideal Nedsampling + interpolations. original OBS! LP-iltrering behövs här ör att undvika vikningsdistorsion senare. Fig. 4.3 Snabb radiell sinus + långsam radiell sinus Bicubic interpolation Bilinjär interpolation Fig. 4.4 original Eter slarvig nedsampling Fig Nedsampling, k=, närmsta granne Bildstorlek: 566x4 Bildstorlek: 83x Eekter av vikningsdistorsion 3

4 Bildstorlek: N x N np.t.tshit( np.t.it( np.t.itshit())) Nedsampling, k=, bilinjär interpolation / Bildstorlek: 83x Ideal uppsampling via Fourierdomänen Bildstorlek: N x N bredd = k = 4 pixlar np.t.tshit( np.t.t( np.t.itshit())) Nollpadda Detta är ekvivalent med: 4 /6 / 4 / 4 dvs lågpassiltrering, öljt av att kasta bort varannan pixel Vikningsdistorsionen nästan borta Rotation av en bild cos R sin x x sin cos Inbild Utbild Rx x x Fig. 4. metoder att rotera: Här bara no För alla x i inbilden. Beräkna Rx i utbilden Rx: x värdet xi. värdet För alla x i utbilden Beräkna R inbilden sprids ut i utbilden x x: R x R xmåste interpoler as ram i inbilden i inbilden Forward mapping Inverse mapping 4

5 Rotation enligt metod Observera! Inbilden och utbilden är överlagrade. ' R x ' x Rotation i närbild x R x värdet R x interpoleras ram i inbilden måste obs: a < Fig. 4. Inbild öre rotation Utbild eter rotation Rotation med bilinjär interpolation Rotation -3 o Varör blir apan suddigare eter rotationerna? Rotation 3 o Slutsatser ör omsampling samt rotation Den ideala interpolationsunktionen är en sinc som motsvarar en rektangelunktion i Fourierdomänen. Vid uppsampling och rotation ska rektangelunktionen gå till vid bandgränsen. Vid nedsampling med k ska rektangel-unktionen gå till vid bandgränsen/k. Den korresponderade interpolationsunktionen blir k gånger bredare. Interpolations-unktionen måste utöra lågpassiltrering annars år man vikningsdistorsion. Triangelunktionen (linjär interpolation): Dess bredd = bredden på sincens huvudlob. Uppsampling: bredden på triangelunktionen pixlar Nedsampling: bredden på triangelunktionen k pixlar 5

6 Histogramberäkning på en bild Histogrammet p av en bild (x,) är en sannolikhetsunktion som utsäger hur ota en viss intensitetsnivå..q- örekommer. Bild (x,) Histogram p() p = np.zeros(q) # Initiera histogram till or v in.lat: p[v] += # Beräkna # histogram p = p/sum(p) # Normera histogram # (görs ibland) Olika histogram Kan tröskelsättas Tröskelsättning En gråskalebild (x,) tröskelsätts enligt: b x, B B om om x, x, T T Fig. 5.3 Kontinuerligt, bimodalt Diskret, bimodalt Diskret, ej bimodalt x, p T Ex) B=, B= b x, Fig

7 Threholding example En metod att inna en bra tröskel En metod att inna en bra tröskel Anta att bilden är genererad av - Bakgrundsprocessen: P, N, - Objektprocessen: P, N p p, exp exp Histogrammet kan då skrivas som: P p P p p Vi söker =T så att p P p P Fig. 5.5 Kan leda till t ex leasterror metoden som inte visas i detalj här. En annan populär metod är Otsus metod. Automatisk tröskelsättning med mittpunktsmetoden, midwa method (ingen exakt lösning!) T p, i 3 4 T T i p T i T i p T i i i T T / i i : i Fig

8 Morologiska operationer Grundläggande morologiska operationer Dilation (Expansion) Erosion (Krmpning) Opening (Öppning) = Erosion + Dilation Closing (Slutning) = Dilation + Erosion p. 9 Grundläggande morologiska operationer Dilation (expansion) Erosion (krmpning) Opening = erosion + dilation erosion dilation Closing = dilation + erosion dilation erosion Tar bort små objekt och utskott (spurs) Återställer storleken Fller igen små hål och sprickor Återställer storleken 8

9 Opening öljt av closing opening closing Closing öljt av opening closing opening Nästan samma resultat! Strukturelement Binära ilterkärnor brukar kallas strukturelement. De vanligaste strukturelementen är illustrerade nedan. Origo är markerat med en punkt. Opening öljt av closing Closing öljt av opening 9

10 Dilation ormell beskrivning a b = a b strukturelement altning b tröskling Erosion ormell beskrivning Antal pixlar i strukturelementet strukturelement aθb = a b = A korrelation b tröskling Korrelation = altning med ovikt kärna a Utbild a Utbild Strukturelement Inbild Fig. 6. Strukturelement Inbild Fig. 6. p. 39 p. 4 Exempel: slutör denna dilation! a b a b Exempel: slutör denna erosion! ab a b A a b a b a b ab

11 Strukturelementet d (4) Strukturelementet d (8) Expansion med detta strukturelement: Alla sidogrannar till objektet -ställs Krmpning med detta strukturelement: Alla sidogrannar till bakgrunden -ställs Expansion med detta strukturelement: Alla sido- och hörngrannar till objektet -ställs Krmpning med detta strukturelement: Alla sido- och hörngrannar till bakgrunden -ställs Strukturelementet d (okt) Detta strukturelement ger en jämnare (oktagonal) expansion/krmpning. Samma eekt kan erhållas genom att omväxlande använda d (4) och d (8). Räkneregler Expansion är kommutativ. (Jämör med altning.) a b b a Krmpning är inte kommutativ. (Jämör med korrelation.) Antag att a och b är olika. Om a rms i b så rms b ej i a. ab ba

12 Fig. 6.4 Vilka grannar är sammanhängande? d (4) -konnektivitet: pixlar sitter ihop om de har angränsande sida d (8) -konnektivitet: pixlar sitter ihop om de har angränsande sida eller hörn Konlikt mellan objekt och bakgrund d (4) -konn. objekt <=> d (8) -konn. bakgrund d (8) -konn. objekt <=> d (4) -konn. bakgrund d (4) -konnektivitet: objekt d (8) -konnektivitet: objekt d (4) -konnektivitet: objekt, sammanhängande bakgrund d (8) -konnektivitet: objekt med hål Strukturelementet kan användas ör att beräkna avstånd approximativt. Det inns olika metriker. Strukturelementet appliceras upprepade gånger på objektet (här en punkt). Notera iterationsnumret. Det ger ett avstånd till objektet. Vid varje iteration ökas avståndet med. d (4) -metrik d (8) -metrik Här: avståndskartor utanör ett objekt. d (okt) -metrik: alternera d (4) och d (8) Avståndskartor inuti objekt. d (4) klar. Utör d (8) och d (okt) avståndskartering! d (4) : alla sido-grannar påverkas d (8) : alla sido- och hörngrannar påverkas 3 3 d (4) -metrik d (8) -metrik d (okt) -metrik p. 48

13 Euklidisk avståndskarta Ger exakt avståndsmått. Kan inte implementeras med strukturelement. Implementerad i MATLAB (phton?) tillsammans med d (4) och d (8) avståndskartor. d (4) och d (8) avståndskartor är snabbare att beräkna än en euklidisk avsåndskarta. En ganska snabb implementering öreslogs av Breu et al., p. 49 Avstånd i digitala bilder Man använder inte alltid det korrekta euklidiska avståndet. Det är enklare att använda approximativa avstånd, t ex: d (4) -metrik d (8) -metrik d (okt) -metrik (omväxlande d (4) - och d (8) -metrik) En metrik är ett avståndsmått mellan punkter p och q som måste upplla: d(p,q) >= med d(p,q) = omm p = q d(p,q) = d(q,p) d(p,q) <= d(p,r) + d(r,q) Avståndsmått Euklidiskt avstånd: maxel: % maxel: 4% maxel: -4% maxel: %, örutom (±, ±) 3

Signaler, information & bilder, föreläsning 15

Signaler, information & bilder, föreläsning 15 Signaler, information & bilder, föreläsning 5 Michael Felsberg Computer Vision Laboratory Department of Electrical Engineering michael.felsberg@liu.se Översikt Histogram och tröskelsättning Histogramutjämning

Läs mer

Signaler, information & bilder, föreläsning 14

Signaler, information & bilder, föreläsning 14 Signaler, inormation & bilder, öreläsning Michael Felsberg Computer Vision Laborator Department o Electrical Engineering michael.elsberg@liu.se Översikt D signalbehandling (bildbehandling) orts. Faltningskärnor

Läs mer

Histogramberäkning på en liten bild

Histogramberäkning på en liten bild Signal- och Bildbehandling FÖRELÄSNING Histogram och tröskelsättning Binär bildbehandling Morfologiska operationer Dilation (Expansion) och Erosion () och kombinationer Avståndskartor Mäta avstånd i bilder

Läs mer

Signaler, information & bilder, föreläsning 14

Signaler, information & bilder, föreläsning 14 Signaler, inormation & bilder, öreläsning Michael Felsberg och Maria Magnusson Computer Vision Laborator (Datorseende) Department o Electrical Engineering (ISY) michael.elsberg@liu.se, maria.magnusson@liu.se

Läs mer

Signaler, information & bilder, föreläsning 12

Signaler, information & bilder, föreläsning 12 Signaler, inormation & bilder, öreläsning Michael Felsberg Computer Vision Laboratory epartment o Electrical Engineering michael.elsberg@liu.se Översikt signalbehandling (bildbehandling) en digitala bilden,

Läs mer

7 Olika faltningkärnor. Omsampling. 2D Sampling.

7 Olika faltningkärnor. Omsampling. 2D Sampling. 7 Olika faltningkärnor. Omsampling. D Sampling. Aktuella ekvationer: Se formelsamlingen. 7.. Faltningskärnors effekt på bilder. Bilden f(, y) ska faltas med olika faltningskärnor, A H, se nedan. f(,y)

Läs mer

Signaler, information & bilder, föreläsning 13

Signaler, information & bilder, föreläsning 13 Signaler, inormation & bilder, öreläsning 3 Michael elsberg Computer Vision Laboratory epartment o Electrical Engineering michael.elsberg@liu.se Översikt signalbehandling (bildbehandling) en digitala bilden,

Läs mer

Signal- och Bildbehandling FÖRELÄSNING 7. En bild är en 2D signal. För en digital bild gäller. Fig. 2.1

Signal- och Bildbehandling FÖRELÄSNING 7. En bild är en 2D signal. För en digital bild gäller. Fig. 2.1 Signal- och Bildbehandling FÖRELÄSNING 7 D signalbehandling (bildbehandling) Den digitala bilden, ärgtabeller D kontinuerlig ouriertransorm och D DFT D sampling D diskret altning Lågpassiltrerande D altningskärnor

Läs mer

TSBB31 Medicinska bilder Föreläsning 3

TSBB31 Medicinska bilder Föreläsning 3 TSBB3 Medicinska bilder öreläsning 3 D signalbehandling (bildbehandling) Den digitala bilden, ärgtabeller D kontinuerlig ouriertransorm och D DT D sampling D diskret altning Lågpassiltrerande D altningskärnor

Läs mer

TNM030 Tentasammanfattning (frågor) Nathalie Ek, Sammanfattning. TNM030 - Bildbehandling och bildanalys

TNM030 Tentasammanfattning (frågor) Nathalie Ek, Sammanfattning. TNM030 - Bildbehandling och bildanalys Sammanfattning TNM030 - Bildbehandling och bildanalys Nathalie Ek (natek725), MT -07 2011, LIU Campus Norrköping 1 I det mänskliga ögats näthinna finns två typer av ljussensorer. a) Vad kallas de två typerna?

Läs mer

Signal- och bildbehandling TSEA70

Signal- och bildbehandling TSEA70 Tentamen i Signal- och bildbehandling TSEA70 Tid: 00-05-8 kl. -8 Lokaler: G, G Ansvarig lärare: Maria Magnusson Seger besöker lokalen kl. 5 och 7. tel Hjälpmedel: Räknedosa, OH-film, medskickad formelsamling

Läs mer

Signaler, information & bilder, föreläsning 13

Signaler, information & bilder, föreläsning 13 Signaler, inormation & bilder, öreläsning 3 Michael Felsberg och Maria Magnusson Computer Vision Laboratory (atorseende) epartment o Electrical Engineering (ISY) michael.elsberg@liu.se, maria.magnusson@liu.se

Läs mer

TSBB31. En bild är en 2D signal. Exempel på färginnehåll i bilder p. 4. För en digital bild gäller. vitt. Fig. 1.1

TSBB31. En bild är en 2D signal. Exempel på färginnehåll i bilder p. 4. För en digital bild gäller. vitt. Fig. 1.1 TSBB3 Medicinska bilder Föreläsning 3 D signalbehandling (bildbehandling) Den digitala bilden, ärgtabeller D kontinuerlig ouriertransorm och D DFT D sampling D diskret altning Lågpassiltrerande D altningskärnor

Läs mer

Lågpassfiltrering. Signal- och Bildbehandling FÖRELÄSNING 8. Lågpassfiltrering

Lågpassfiltrering. Signal- och Bildbehandling FÖRELÄSNING 8. Lågpassfiltrering Signal- och Bildbehandling FÖRELÄSIG 8 signalbehandling (bildbehandling) orts. Lågpassilter, orts. Snonmer Cirkulär och Faltningskärna Linjär altning, orts Filterkärna Faltningskärnor: 3 Filter eriverande

Läs mer

8 Binär bildbehandling

8 Binär bildbehandling 8 Binär bildbehandling 8.. Man kan visa att en kontinuerlig liksidig triangel har formfaktorn P2A = P 2 4πA =.65, där P är omkretsen och A är arean. π Nedanstående diskreta triangel är en approximation

Läs mer

Ansiktsigenkänning med MATLAB

Ansiktsigenkänning med MATLAB Ansiktsigenkänning med MATLAB Avancerad bildbehandling Christoffer Dahl, Johannes Dahlgren, Semone Kallin Clarke, Michaela Ulvhammar 12/2/2012 Sammanfattning Uppgiften som gavs var att skapa ett system

Läs mer

Signal- och bildbehandling TSBB14

Signal- och bildbehandling TSBB14 Tentamen i Signal- och bildbehandling TSBB Tid: 3-5-3 Lokaler: TER Ansvarig lärare: Maria Magnusson besöker lokalen kl. 8.5 och.3 tel 73-8 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling, OH-film,

Läs mer

Signal- och bildbehandling TSBB03

Signal- och bildbehandling TSBB03 Tentamen i Signal- och bildbehandling TSBB03 Tid: 2006-05-3 kl. 8-2 Lokal: TER2 Ansvarig lärare: Maria Magnusson besöker lokalen kl. 9.40. tel 073-804 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,

Läs mer

Signal- och bildbehandling TSBB03 och TSEA70

Signal- och bildbehandling TSBB03 och TSEA70 Tentamen i Signal- och bildbehandling TSBB03 och TSEA70 Tid: 004-08-10 kl. 8-1 Lokaler: TER1 Ansvarig lärare: Maria Magnusson Seger besöker lokalen kl. 9.00 och 10.45. tel 073-804 38 67 Hjälpmedel: Räknedosa,

Läs mer

Signal- och bildbehandling TSBB14

Signal- och bildbehandling TSBB14 Tentamen i Signal- och bildbehandling TSBB Tid: --, kl. - Lokaler: U, U, U Ansvarig lärare: Maria Magnusson besöker lokalen kl.. och. tel. Hjälpmedel: Räknedosa, medskickad formelsamling, OH-film, sa och

Läs mer

Bildanalys. Segmentering. Föreläsning 7. Split and Merge. Region Growing

Bildanalys. Segmentering. Föreläsning 7. Split and Merge. Region Growing Föreläsning 7 1 Föreläsning 7 2 Bildanalys Rikard Berthilsson Kalle Åström Matematikcentrum Lund 27 september 2005 Segmentering Mål: Dela upp bilden i segment, d.v.s. områden som hör till samma objekt

Läs mer

Signal- och bildbehandling TSBB03

Signal- och bildbehandling TSBB03 Tentamen i Signal- och bildbehandling TSBB03 Tid: 2004-06-0 kl. 8-2 Lokaler: Garnisonen Ansvarig lärare: Maria Magnusson Seger besöker lokalen kl. 9.00 och 0.45. tel 073-804 38 67 Hjälpmedel: Räknedosa,

Läs mer

Histogramberäkning på en liten bild. Signal- och Bildbehandling FÖRELÄSNING 9 Histogram och. Olika histogram

Histogramberäkning på en liten bild. Signal- och Bildbehandling FÖRELÄSNING 9 Histogram och. Olika histogram Signl- och Bildehndling FÖRELÄSNING 9 Histogrm och Konnektivitet tröskelsättning Logisk omgivningsopertorer i Binär ildehndling Konnektivitetsevrnde Morfologisk opertioner krympning Diltion (Expnsion)

Läs mer

Medicinska Bilder, TSBB31. Lab3: Mätvärden på Medicinska Bilder

Medicinska Bilder, TSBB31. Lab3: Mätvärden på Medicinska Bilder Medicinska Bilder, TSBB3 Lab3: Mätvärden på Medicinska Bilder Maria Magnusson, Avdelningen för Datorseende Institutionen för Systemteknik Linköpings Universitet Introduktion I denna laboration ska vi göra

Läs mer

Facit till Signal- och bildbehandling TSBB

Facit till Signal- och bildbehandling TSBB Facit till Signal- och bildbehandling TSBB3 6-5-3 Maria Magnusson Seger, maria@isy.liu.se Kontinuerlig faltning (9p) a) Faltningsoperationen illustreras i figuren nedan. et gäller att x(t λ) e 4(t λ) u(t

Läs mer

Signal- och bildbehandling TSEA70

Signal- och bildbehandling TSEA70 Tentamen i Signal- och bildbehandling TSEA Tid: -- kl. - Lokaler: G3 Ansvarig lärare: Henrik Turbell besöker lokalen kl..3 tel Adm. assistent: Ylva Jernling tel Hjälpmedel: Räknedosa, OH-film, medskickad

Läs mer

'LJLWDODELOGHUR KGLJLWDOELOGPDQLSXOHULQJ

'LJLWDODELOGHUR KGLJLWDOELOGPDQLSXOHULQJ 'LJLWDODELOGHUR KGLJLWDOELOGPDQLSXOHULQJ Nyckelord: Sampling, kvantisering, upplösning, geometriska operationer, fotometriska operationer, målning, filtrering 'LJLWDOUHSUHVHQWDWLRQR KODJULQJDYELOGHU En

Läs mer

5 GRÅSKALEOPERATIONER

5 GRÅSKALEOPERATIONER 5 GRÅSKALEOPERATIONER 5.1 Histogramoperationer Histogrammet av en bild f(x,y) är frekvensfunktionen, sannolikhetsfunktionen p(f) som utsäger med vilken frekvens (= hur ofta) en viss intensitetsnivå f förekommer.

Läs mer

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling Lösning till tentamen i Medicinska Bilder, TSBB3, 26--28 Maria Magnusson (maria.magnusson@liu.se), Anders Eklund DEL : Grundläggande 2D signalbehandling Uppgift (3p) Translationsteoremet säger att absolutvärdet

Läs mer

Medicinska bilder. Programkurs 6 hp Medical Images TSBB31 Gäller från: 2018 VT. Fastställd av. Fastställandedatum

Medicinska bilder. Programkurs 6 hp Medical Images TSBB31 Gäller från: 2018 VT. Fastställd av. Fastställandedatum 1(6) Medicinska bilder Programkurs 6 hp Medical Images TSBB31 Gäller från: 2018 VT Fastställd av Programnämnden för elektroteknik, fysik och matematik, EF Fastställandedatum LINKÖPINGS UNIVERSITET 2(6)

Läs mer

Signal- och bildbehandling TSBB14

Signal- och bildbehandling TSBB14 Tentamen i Signal- och bildbehandling TSBB4 Tid: -5-8 Lokaler: TER3 Ansvarig lärare: Maria Magnusson besöker lokalen kl. 8.45 och.45 tel 8336, 73-84 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,

Läs mer

6 OPERATIONER PÅ BINÄRA BILDER

6 OPERATIONER PÅ BINÄRA BILDER 6 OPERATIONER PÅ BINÄRA BILDER (Detta avsnitt har producerats i samarbete med Ingemar Ragnemalm) 6.1 Morfologiska operationer I en typisk tillämpning av bildanalys utmynnar operationer och manipulationer

Läs mer

Medicinska Bilder, TSBB31. Lab: Mätvärden på Medicinska Bilder

Medicinska Bilder, TSBB31. Lab: Mätvärden på Medicinska Bilder Medicinska Bilder, TSBB3 Lab: Mätvärden på Medicinska Bilder Maria Magnusson, 22 Senaste updatering: september 25 Avdelningen för Datorseende, Institutionen för Systemteknik Linköpings Universitet Introduktion

Läs mer

Signal- och bildbehandling TSEA70

Signal- och bildbehandling TSEA70 Tentamen i Signal- och bildbehandling TSEA70 Tid: 2003-0-0 kl. 4-8 Lokaler: Examinator: U Maria Magnusson Seger Ansvarig lärare: Olle Seger besöker lokalen kl. 5 och 7. tel 259, 0702/337948 Hjälpmedel:

Läs mer

Signal- och bildbehandling TSEA70

Signal- och bildbehandling TSEA70 Tentamen i Signal- och bildbehandling TSEA70 Tid: 2003-08-22 kl. 4-8 Lokaler: G36 Ansvarig lärare: Maria Magnusson Seger besöker lokalen kl. 6.00. tel 0702/33 79 48 Hjälpmedel: Räknedosa, OH-film, medskickad

Läs mer

Signal- och bildbehandling TSEA70

Signal- och bildbehandling TSEA70 Tentamen i Signal- och bildbehandling TSEA70 Tid: 000-03-8 kl. 4-8 Lokaler: Garnisonen Ansvariga lärare: Olle Seger, Maria M Seger besöker lokalerna kl 500 och 700 tel 070/33 79 48 Hjälpmedel: Räknedosa,

Läs mer

TANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 9 november 2015 Sida 1 / 28

TANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 9 november 2015 Sida 1 / 28 TANA17 Matematiska beräkningar med MATLAB för M, DPU Fredrik Berntsson, Linköpings Universitet 9 november 2015 Sida 1 / 28 Föreläsning 3 Linjära ekvationssystem. Invers. Rotationsmatriser. Tillämpning:

Läs mer

Signal- och bildbehandling TSBB03, TSBB14

Signal- och bildbehandling TSBB03, TSBB14 Tentamen i Signal- och bildbehandling TSBB03, TSBB4 Tid: 00-0- Lokaler: G33 Ansvarig lärare: Maria Magnusson besöker lokalen kl. 4.50 och 6.50 tel 073-804 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,

Läs mer

Medicinska Bilder, TSBB31. Lab: Mätvärden på Medicinska Bilder

Medicinska Bilder, TSBB31. Lab: Mätvärden på Medicinska Bilder Medicinska Bilder, TSBB3 Lab: Mätvärden på Medicinska Bilder Maria Magnusson, 22 Senaste updatering: september 27 Avdelningen för Datorseende, Institutionen för Systemteknik Linköpings Universitet Introduktion

Läs mer

7 MÖNSTERDETEKTERING

7 MÖNSTERDETEKTERING 7 MÖNSTERDETEKTERING 7.1 Korrelation Korrelation av två bilder f(x,y) och g(x,y) kan språkligt sett betyda att man gör just det som utsäges av (7.1). Bilderna läggs alltså på varandra med den ena bilden

Läs mer

Signal- och bildbehandling TSBB03

Signal- och bildbehandling TSBB03 Tentamen i Signal- och bildbehandling TSBB3 Tid: 28-5-29 kl. 8-2 Lokal: TER2 Ansvarig lärare: Maria Magnusson besöker lokalen kl. 9. och.4 tel 73-84 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,

Läs mer

MASKINDIAGNOSTIK. Rullningslager = 2. Φ d α, diameter mellan rullkontaktpunkterna z st. rullkroppar. Φ D m. ω RH. Φ d α. ω I

MASKINDIAGNOSTIK. Rullningslager = 2. Φ d α, diameter mellan rullkontaktpunkterna z st. rullkroppar. Φ D m. ω RH. Φ d α. ω I 0-09-7/HJo MASKNDAGNOSTK Rullningslager Φ d, diameter mellan rullkontaktpunkterna st. rullkroppar Använda beteckningar: Antal rullkroppar, Antal rullkroppar per radian blir Rullkropparnas kontaktvinkel,

Läs mer

Det första du behöver göra är att ta reda på vilken storlek bilden har. Öppna en bild i Photoshop. Välj Bild; Bildstorlek i övre menyn

Det första du behöver göra är att ta reda på vilken storlek bilden har. Öppna en bild i Photoshop. Välj Bild; Bildstorlek i övre menyn Ändra bildstorlek (Photoshop CS 3) Sid. 1 1. Minska en bild När man jobbar med bilder vill man ibland ändra storlek, eller minska antal pixlar, eftersom bildfilen blir för stor och för tung (i kb) om den

Läs mer

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling Lösning till tentamen i Medicinska Bilder, TSBB3, 203-0-08 Maria Magnusson (maria.magnusson@liu.se), Hans Knutsson, Mats Andersson, Gustaf Johansson DEL : Grundläggande 2D signalbehandling Uppgift (2p)

Läs mer

Laboration 1. Grafisk teknik (TNM059) Introduktion till Matlab. R. Lenz och S. Gooran (VT2007)

Laboration 1. Grafisk teknik (TNM059) Introduktion till Matlab. R. Lenz och S. Gooran (VT2007) Laboration 1 Grafisk teknik (TNM059) Introduktion till Matlab R. Lenz och S. Gooran (VT2007) Introduktion: Denna laboration är en introduktion till Matlab. Efter denna laboration ska ni kunna följande:

Läs mer

TNM030 -Sammanfattning Nathalie Ek, 2011. Sammanfattning. TNM030 - Bildbehandling och bildanalys

TNM030 -Sammanfattning Nathalie Ek, 2011. Sammanfattning. TNM030 - Bildbehandling och bildanalys Sammanfattning TNM030 - Bildbehandling och bildanalys Nathalie Ek (natek725), MT -07 2011, LIU Campus Norrköping Bildbehandling och bildanalys - Bildbehandling Kan kort sammanfattas som signalbehandling

Läs mer

Exempelsamling Grundläggande systemmodeller. Klas Nordberg Computer Vision Laboratory Department of Electrical Engineering Linköping University

Exempelsamling Grundläggande systemmodeller. Klas Nordberg Computer Vision Laboratory Department of Electrical Engineering Linköping University Exempelsamling Grundläggande systemmodeller Klas Nordberg Computer Vision Laboratory Department of Electrical Engineering Linköping University Version: 0.1 August 25, 2015 Uppgifter markerade med (A) är

Läs mer

Patrick Hjelm Andersson

Patrick Hjelm Andersson Binär matchning av bilder med hjälp av vektorer från den Euklidiska Avståndstransformen Examensarbete utfört i Bildkodning vid Linköpings Teknisk Högskola av Patrick Hjelm Andersson Reg nr: LiTH-ISY-EX-3585-2004

Läs mer

Exempelsamling Grundläggande systemmodeller. Klas Nordberg Computer Vision Laboratory Department of Electrical Engineering Linköping University

Exempelsamling Grundläggande systemmodeller. Klas Nordberg Computer Vision Laboratory Department of Electrical Engineering Linköping University Exempelsamling Grundläggande systemmodeller Klas Nordberg Computer Vision Laboratory Department of Electrical Engineering Linköping University Version: 0.11 September 14, 2015 Uppgifter markerade med (A)

Läs mer

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling Lösning till tentamen i Medicinska Bilder, TSBB, -- Maria Magnusson (maria.magnusson@liu.se), Hans Knutsson, Mats Andersson, Gustaf Johansson DEL : Grundläggande D signalbehandling Uppgift (p) a) Filtret

Läs mer

Approximation av funktioner

Approximation av funktioner Vetenskapliga beräkningar III 8 Kapitel Approximation av funktioner Vi skall nu övergå till att beskriva, hur man i praktiken numeriskt beräknar funktioner I allmänhet kan inte ens elementära funktioner

Läs mer

Försättsblad till skriftlig tentamen vid Linköpings universitet G34

Försättsblad till skriftlig tentamen vid Linköpings universitet G34 Försättsblad till skriftlig tentamen vid Linköpings universitet Datum för tentamen 205-0-29 Sal () G34 Tid 4-8 Kurskod TSBB3 Provkod TEN Kursnamn/benämning Provnamn/benämning Institution Antal uppgifter

Läs mer

RELATIONER OCH FUNKTIONER

RELATIONER OCH FUNKTIONER RELATIONER OCH FUNKTIONER 1 ORDNADE LISTOR (n-tipplar) Ordningen i en mängd spelar ingen roll Exempelvis {1,,3}={3,1,}={1,3,} För att beskriva listor med objekt där ordningen är viktigt använder vi rundparenteser

Läs mer

Försättsblad till skriftlig tentamen vid Linköpings universitet R36 R37

Försättsblad till skriftlig tentamen vid Linköpings universitet R36 R37 Försättsblad till skriftlig tentamen vid Linköpings universitet Datum för tentamen -- Sal () R R Tid - Kurskod TSBB Provkod TEN Kursnamn/benämning Provnamn/benämning Institution Antal uppgifter som ingår

Läs mer

SF1625 Envariabelanalys Lösningsförslag till tentamen

SF1625 Envariabelanalys Lösningsförslag till tentamen SF1625 Envariabelanalys Lösningsförslag till tentamen 216-6-1 1. Derivera nedanstående funktioner med avseende på x och ange för vilka x derivatan existerar. Endast svar krävs. A. f(x) = arctan 1 x B.

Läs mer

Signal- och Bildbehandling, TSBB14 Lektionsuppgifter

Signal- och Bildbehandling, TSBB14 Lektionsuppgifter Signal- och Bildbehandling, TSBB4 Lektionsuppgifter Innehåll Introduktion Tillkännagivande.................................. Lektionsplanering.................................. Signaler 3 Fourierserier.

Läs mer

Block 1 - Mängder och tal

Block 1 - Mängder och tal Block 1 - Mängder och tal Mängder Mängder och element Venndiagram Talmängder Heltalen Z Rationella talen Q Reella talen R Räkning med tal. Ordning av talen i R Intervall Absolutbelopp Olikheter 1 Prepkursen

Läs mer

1) Automatisk igenkänning av siffror. Miniprojektuppgifter ppg för Signal- och Bildbehandling. av siffror. Klassificering av virusceller.

1) Automatisk igenkänning av siffror. Miniprojektuppgifter ppg för Signal- och Bildbehandling. av siffror. Klassificering av virusceller. Miniprojektuppgifter ppg för Signal- och Bildbehandling TSBB14 2015 2 x 4h lab-tillfälle reserverat 3 pers/grupp bäst (2 pers/grupp okej) Redovisning med powerpoint Redovisning med 3-4 grupper åt gången

Läs mer

Försättsblad till skriftlig tentamen vid Linköpings Universitet

Försättsblad till skriftlig tentamen vid Linköpings Universitet Försättsblad till skriftlig tentamen vid Linköpings Universitet Datum för tentamen 203--0 Sal TER4 Tid 8-2 Kurskod TSBB3 Provkod TEN Kursnamn/ Benämning Institution Antal uppgifter som ingår i tentamen

Läs mer

Spektrala Transformer för Media

Spektrala Transformer för Media Spektrala Transformer för Media Filtrering och transformer i 2D Linjär bildbehandling Principerna från -dimensionell signalbehandling kan appliceras även på 2D-signaler Tillämpningar: Bildförbättring (brusreducering)

Läs mer

Signal- och bildbehandling TSBB14

Signal- och bildbehandling TSBB14 Tentamen i Signal- och bildbehandling TSBB Tid: 205-0-, 8-3 Lokaler: U, U3, U Ansvarig lärare: Maria Magnusson besöker lokalerna kl. 9.30 och.30 tel 073-80 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,

Läs mer

Signal- och bildbehandling

Signal- och bildbehandling 1(9) Signal- och bildbehandling Programkurs 6 hp Signal and Image Processing TSBB14 Gäller från: 2018 VT Fastställd av Programnämnden för kemi, biologi och bioteknik, KB Fastställandedatum LINKÖPINGS UNIVERSITET

Läs mer

Spektrala Transformer för Media

Spektrala Transformer för Media Spektrala Transformer för Media Filtrering och transformer i 2D DT2/3 Spektrala Transformer Jonas Beskow Linjär bildbehandling Principerna från -dimensionell signalbehandling kan appliceras även på 2D-signaler

Läs mer

Försättsblad till skriftlig tentamen vid Linköpings universitet TER1(17) TERE(1)

Försättsblad till skriftlig tentamen vid Linköpings universitet TER1(17) TERE(1) Försättsblad till skriftlig tentamen vid Linköpings universitet Datum för tentamen 207-0-9 Sal (2) Tid 8-2 Kurskod TSBB3 Provkod TEN Kursnamn/benämning Provnamn/benämning Institution Antal uppgifter som

Läs mer

En bijektion mellan två mängder A och B som har ändligt antal element kan finnas endast om mängderna har samma antal element.

En bijektion mellan två mängder A och B som har ändligt antal element kan finnas endast om mängderna har samma antal element. Inversa unktion BIJEKTION, INJEKTION, SURJEKTION Allmän terminologi I samband med variabelbyte vid beräkning av integraler har vi en avbildning mellan två mängder A och B, dvs en unktion : A B Vi har otast

Läs mer

Signal- och Bildbehandling FÖRELÄSNING 7. En bild är en 2D signal 1D: f(t) är en funktion f som beror av tiden t. För en digital bild gäller

Signal- och Bildbehandling FÖRELÄSNING 7. En bild är en 2D signal 1D: f(t) är en funktion f som beror av tiden t. För en digital bild gäller Sinal- och Bildbehandlin ÖRELÄSNING 7 D sinalbehandlin (bildbehandlin) Den diitala bilden, ärtabeller D kontinuerli ouriertransorm och D DT D samplin D diskret altnin Låpassiltrerande D altninskärnor Teori:

Läs mer

Kravspecifikation Fredrik Berntsson Version 1.3

Kravspecifikation Fredrik Berntsson Version 1.3 Kravspecifikation Fredrik Berntsson Version 1.3 Status Granskad FB 2017-01-27 Godkänd FB 2017-01-27 Dokumenthistorik Version Datum Utförda ändringar Utförda av Granskad 1.0 2014-01-15 Första versionen

Läs mer

Försättsblad till skriftlig tentamen vid Linköpings Universitet

Försättsblad till skriftlig tentamen vid Linköpings Universitet Försättsblad till skriftlig tentamen vid Linköpings Universitet Datum för tentamen 23--8 Sal T Tid 4-8 Kurskod TSBB3 Provkod TEN Kursnamn/ Benämning Medicinska Bilder Institution ISY Antal uppgifter som

Läs mer

Ett enkelt OCR-system

Ett enkelt OCR-system P r o j e k t i B i l d a n a l y s Ett enkelt OCR-system av Anders Fredriksson F98 Fredrik Rosqvist F98 Handledare: Magnus Oskarsson Lunds Tekniska Högskola 2001-11-29 - Sida 1 - 1.Inledning Många människor

Läs mer

Grafisk Teknik. Rastrering. Övningar med lösningar/svar. Sasan Gooran (HT 2013)

Grafisk Teknik. Rastrering. Övningar med lösningar/svar. Sasan Gooran (HT 2013) Grafisk Teknik Rastrering Övningar med lösningar/svar Det här lilla häftet innehåller ett antal räkneuppgifter med svar och i vissa fall med fullständiga lösningar. Uppgifterna är för det mesta hämtade

Läs mer

Tentamen del 1 SF1546, , , Numeriska metoder, grundkurs

Tentamen del 1 SF1546, , , Numeriska metoder, grundkurs KTH Matematik Tentamen del 1 SF154, 1-3-3, 8.-11., Numeriska metoder, grundkurs Namn:... Bonuspoäng. Ange dina bonuspoäng från kursomgången läsåret HT15/VT1 här: Max antal poäng är. Gränsen för godkänt/betyg

Läs mer

Bildförbättring i spatial domänen (kap. 3) Bildförbättring (enhancement) Spatial domän. Operatorer. Tröskling (threshold) Gråskale-transformationer

Bildförbättring i spatial domänen (kap. 3) Bildförbättring (enhancement) Spatial domän. Operatorer. Tröskling (threshold) Gråskale-transformationer Bildförbättring i spatial domänen (kap. 3) Punktoperationer Gråskaletransformationer Logiska & aritmetiska operationer Filtrering Faltning Lågpassfilter Högpassfilter Bildförbättring (enhancement) Förbättra

Läs mer

Bildregistrering Geometrisk anpassning av bilder

Bildregistrering Geometrisk anpassning av bilder Bildregistrering Geometrisk anpassning av bilder Björn Svensson, Johanna Pettersson, Hans Knutsson Inst. för Medicinsk Teknik, Linköpings Univeristet Maj, 2007 1 Problembeskrivning Sök förflyttningsfält

Läs mer

TNA004 Analys II Tentamen Lösningsskisser

TNA004 Analys II Tentamen Lösningsskisser TNA004 Analys II Tentamen 20-06-0 Lösningsskisser. a) De båda kurvorna skär varandra i x 0 och x. På intervallet 0 x är x x. Området D är då det skuggade i figuren nedan, där även en tunn rektangel är

Läs mer

TSBB16 Datorövning A Samplade signaler Faltning

TSBB16 Datorövning A Samplade signaler Faltning Name: ID number: Passed: LiU-ID: Date: TSBB16 Datorövning A Samplade signaler Faltning Utvecklad av Klas Nordberg Computer Vision Laboratory, Linköping University, Sweden 24 augusti 2015 Introduktion Denna

Läs mer

SF1625 Envariabelanalys Lösningsförslag till tentamen DEL A

SF1625 Envariabelanalys Lösningsförslag till tentamen DEL A SF1625 Envariabelanalys Lösningsförslag till tentamen 214-1-24 DEL A 1. Låt f(x) = e x sin x. A. Bestäm alla kritiska (stationära) punkter till funktionen f. B. Avgör vilka av de kritiska punkterna som

Läs mer

Försättsblad till skriftlig tentamen vid Linköpings Universitet

Försättsblad till skriftlig tentamen vid Linköpings Universitet Försättsblad till skriftlig tentamen vid Linköpings Universitet Datum för tentamen 24--3 Sal (2) R4 U5 Tid 4-8 Kurskod Provkod Kursnamn/benämning Provnamn/benämning Institution Antal uppgifter som ingår

Läs mer

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling Lösning till tentamen i Medicinska Bilder, TSBB31, 2017-10-19 Maria Magnusson (maria.magnusson@liu.se), Anders Eklund DEL 1: Grundläggande 2D signalbehandling Uppgift 1 (4p) a) f(x, y) = 30 Π(x/40, y/20)

Läs mer

Övervakningssystem. -skillnader i bilder. Uppsala Universitet Signaler och System ht Lärare: Mathias Johansson

Övervakningssystem. -skillnader i bilder. Uppsala Universitet Signaler och System ht Lärare: Mathias Johansson Uppsala Universitet Signaler och System ht 02 2002-12-07 Övervakningssystem -skillnader i bilder Lärare: Mathias Johansson Gruppen: Jakob Brundin Gustav Björcke Henrik Nilsson 1 Sammanfattning Syftet med

Läs mer

Block 1 - Mängder och tal

Block 1 - Mängder och tal Block 1 - Mängder och tal Mängder Mängder och element Venndiagram Delmängder och äkta delmängder Union och snittmängd Talmängder Heltalen Z Rationella talen Q Reella talen R Räkning med tal. Ordning av

Läs mer

Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl

Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl 1 Matematiska Institutionen KTH Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel är tillåtna

Läs mer

Försättsblad till skriftlig tentamen vid Linköpings universitet G35(18) TER4(12)

Försättsblad till skriftlig tentamen vid Linköpings universitet G35(18) TER4(12) Försättsblad till skriftlig tentamen vid Linköpings universitet Datum för tentamen 218-1-24 Sal (2) G35(18) TER4(12) Tid 8-12 Kurskod TSBB31 Provkod TEN1 Kursnamn/benämning Provnamn/benämning Medicinska

Läs mer

Examinator: Armin Halilovic Undervisande lärare: Bengt Andersson, Elias Said, Jonas Stenholm

Examinator: Armin Halilovic Undervisande lärare: Bengt Andersson, Elias Said, Jonas Stenholm Tentamen i Matematik, HF93, 9 oktober, kl 8.5.5 Hjälpmedel: Endast ormelblad miniräknare är inte tillåten) För godkänt krävs poäng av möjliga poäng. Betgsgränser: För betg A, B, C, D, E krävs, 9, 6, 3

Läs mer

Flervariabelanalys I2 Vintern Översikt föreläsningar läsvecka 2

Flervariabelanalys I2 Vintern Översikt föreläsningar läsvecka 2 Flervariabelanals I Vintern Översikt öreläsningar läsvecka Denna vecka ägnas nästan uteslutande åt problemet att hitta största och minsta värden till en unktion av lera variabler. Vi kommer att studera

Läs mer

Föreläsning 11 Reglerteknik AK

Föreläsning 11 Reglerteknik AK Föreläsning 11 Reglerteknik AK c Bo Wahlberg Avdelningen för Reglerteknik, KH 4 oktober, 2016 2 Förra gången: Introduktion Alternativa regulatorstrukturer Dagens program: Implementering: Regulator System

Läs mer

Veckoblad 3, Linjär algebra IT, VT2010

Veckoblad 3, Linjär algebra IT, VT2010 Veckoblad 3, Linjär algebra IT, VT Vi inleder den tredje veckan med att gå igenom begreppen determinant och invers matris som vi inte hann med i vecka, se veckoblad för övningar etc på dessa avsnitt. Därefter

Läs mer

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling Lösning till tentamen i Medicinska Bilder, TSBB3, 08-0-4 Maria Magnusson (maria.magnusson@liu.se) DEL : Grundläggande D signalbehandling Uppgift (6p) a och E: E LP-filtrerar mycket och ger en mycket suddig

Läs mer

Kurvanpassning. Kurvanpassning jfr lab. Kurvanpassning jfr lab

Kurvanpassning. Kurvanpassning jfr lab. Kurvanpassning jfr lab Kurvanpassning jfr lab Kurvanpassning Beräkningsvetenskap II Punktmängd approximerande funktion Finns olika sätt att approximera med polynom Problem med höga gradtal kan ge stora kast Kurvanpassning jfr

Läs mer

7 SIGNALER I TRE DIMENSIONER

7 SIGNALER I TRE DIMENSIONER 7 SIGNALER I TRE DIMENSIONER 7.1 Tredimensionell signalbehandling Endimensionell signalteori och signalbehandling är möjlig att utvidga inte bara till tvådimensionella signaler och funktioner utan i princip

Läs mer

SF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK.

SF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK. SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 6 MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. Tatjana Pavlenko 12 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition

Läs mer

Laboration 1. Grafisk teknik Rastrering. Sasan Gooran (HT 2004)

Laboration 1. Grafisk teknik Rastrering. Sasan Gooran (HT 2004) Laboration 1 Grafisk teknik ------------------------------------- Rastrering Sasan Gooran (HT 2004) Introduktion 1.0 Introduktion Den här laborationen måste förberedas innan laborationstillfället. Ett

Läs mer

TAIU07 Matematiska beräkningar med Matlab

TAIU07 Matematiska beräkningar med Matlab TAIU07 Matematiska beräkningar med Matlab Laboration 3. Linjär algebra Namn: Personnummer: Epost: Namn: Personnummer: Epost: Godkänd den: Sign: Retur: 1 Introduktion 2 En Komet Kometer rör sig enligt ellipsformade

Läs mer

ARCUSFUNKTIONER. udda. arcsin(x) [-1, 1] varken udda eller jämn udda. arccos(x) [-1, 1] [ 0, π ] arctan(x) alla reella tal π π. varken udda eller jämn

ARCUSFUNKTIONER. udda. arcsin(x) [-1, 1] varken udda eller jämn udda. arccos(x) [-1, 1] [ 0, π ] arctan(x) alla reella tal π π. varken udda eller jämn Arcusunktioner ARCUSFUNKTIONER Deinitionsmängd Värdemängd derivatan udda/jämn arcsin() [-, ] [, ] arccos() [-, ] [ 0, ] arctan() alla reella tal (, ) arccot() alla reella tal ( 0, ) + + udda varken udda

Läs mer

c d Z = och W = b a d c för några reella tal a, b, c och d. Vi har att a + c (b + d) b + d a + c ac bd ( ad bc)

c d Z = och W = b a d c för några reella tal a, b, c och d. Vi har att a + c (b + d) b + d a + c ac bd ( ad bc) 1 Komplexa tal 11 De reella talen De reella talen skriver betecknas ofta med symbolen R Vi vill inte definiera de reella talen här, men vi noterar att för varje tal a och b har vi att a + b och att ab

Läs mer

x 1 x 2 x 3 x 4 mera allmänt, om A är en (m n)-matris, då ger matrismultiplikationen en avbildning T A : R n R m.

x 1 x 2 x 3 x 4 mera allmänt, om A är en (m n)-matris, då ger matrismultiplikationen en avbildning T A : R n R m. Fredagen 006 Avbildningar Låt A vara matrisen () = 0 0 Till varje vektor X i R får vi vid matrismultiplikationen AX en vektor i R Mera explicit, om X = x x x x är en given punkt i R, då får vi punkten

Läs mer

Bildmosaik. Bilddatabaser, TNM025. Anna Flisberg Linne a Mellblom. linme882. Linko pings Universitet

Bildmosaik. Bilddatabaser, TNM025. Anna Flisberg Linne a Mellblom. linme882. Linko pings Universitet Bildmosaik Bilddatabaser, TNM025 Linko pings Universitet Anna Flisberg Linne a Mellblom annfl042 linme882 28 maj 2015 Innehåll 1 Introduktion 2 2 Metod 2 2.1 Features..............................................

Läs mer

5 Linjär algebra. 5.1 Addition av matriser 5 LINJÄR ALGEBRA

5 Linjär algebra. 5.1 Addition av matriser 5 LINJÄR ALGEBRA 5 LINJÄR ALGEBRA 5 Linjär algebra En kul gren av matematiken som inte fått speciellt mycket utrymme i gymnasiet men som har många tillämpningsområden inom t.ex. fysik, logistik, ekonomi, samhällsplanering

Läs mer

arcsin(x) udda ( x) varken udda eller jämn alla reella tal ( 0, ) 1. y=a 1 x udda/jämn Värdemängd derivatan Definitionsmängd Arcusfunktioner

arcsin(x) udda ( x) varken udda eller jämn alla reella tal ( 0, ) 1. y=a 1 x udda/jämn Värdemängd derivatan Definitionsmängd Arcusfunktioner ARCUSFUNKTIONER Deinitionsmängd Värdemängd arcsin( [-, ] [, ] arccos( [-, ] [00, ] arctan( alla reella tal (, arccot( alla reella tal ( 0, derivatan udda/jämn udda varken udda eller jämn udda varken udda

Läs mer

1.1 Verktygslådan översikt

1.1 Verktygslådan översikt 1.1 Verktygslådan översikt Markeringsramverktygen markerar rektanglar, ellipser samt enstaka rader eller kolumner. Flytta-verktyget flyttar markeringar, lager och stödlinjer. Lassoverktygen skapar frihandsmarkeringar,

Läs mer

Linjär Algebra, Föreläsning 9

Linjär Algebra, Föreläsning 9 Linjär Algebra, Föreläsning 9 Tomas Sjödin Linköpings Universitet Euklidiska rum Vi ska nu införa en extra struktur på vektorrum, en så kallad skalärprodukt, vilken vi kan använda för att definiera längd

Läs mer