Bildbehandling i spatialdomänen och frekvensdomänen
|
|
- Erika Månsson
- för 7 år sedan
- Visningar:
Transkript
1 Digital Media Lab Tillämpad Fysik och Elektronik Ulrik Söderström Bildbehandling i spatialdomänen och frekvensdomänen Fouriertransform och filtering
2 Del 1. Fouriertransformen 1.1. Fourieranalys i två dimensioner Vi kommer att titta på några enkla signaler i både spatial- och frekvensdomänen. I den här övningen använder vi gråskalebilder med storleken 65 x 65 pixlar. Varje pixel har ett värde mellan 0 och 1. Ibland måste man skala om den resulterande bilden för att komma tillbaka till värden mellan 0 och 1. Ett sätt att få information om pixelvärden är funktionen "hist", som beräknar frekvensen för varje pixelvärde. Vi börjar med en "imensionell" sinusvåg. I följande kod finns 65 x 65 pixlar med två perioder av en horisontell sinusvåg. Bilden visas med "imshow", så vi måste skala om värdena så att de ligger mellan 0 och 1 innan den visas. Signalen är centrerad på x-axeln efter att Fouriertransformen beräknas. (fft, fft2, fftshift) clear; %the image will be in format Q x Q Q =65; %number of periods periods=2; %orginal image for m=1:1:q for n=1:1:q orig_image(m,n)= *sin(2.*pi.*(n./(q./periods))); %the "0.5" constants give values between 0 and 1 for use with "imshow" subplot(1,2,1),imshow(orig_image);title('original image'); %delete the added scaling values before FFT, gives values symmetrically around the x- axis A=orig_image-.5; B=fftshift(abs(fft2(A))); subplot(1,2,2),imshow(b);title('magnitude of FFT'); Förklara resultatet. Vad är det som händer? Vad händer med Fourierspektrumet om sinusvågen är vertikal? Skapa en svart bild av storlek 65 x 65 med en 9 x 9 vit kvadrat i mitten. I det här fallet kan du behöva skala om frekvensbilden innan du visar resultatet. Använd en log-transform (log (abs (fftshift (fft2 (bild))) + 1)) och skala om bilden med formeln bild = bildmin (min (bild)))./(max (max (bild)) - min (min (bild))). Ser spektrumet ut som förväntat? Beskriv resultatet Upprepa föregåe experiment men använd en bild med nollor överallt förutom en vit pixel i mitten. Beskriv vad som händer och förklara varför.
3 Del 2 - Filtrering 2.1. Faltning (Filtrering i spatialdomänen) Om filtreringsfunktionen är känd och du vill beräkna en specifik utsignal från insignal går det att använda två metoder. I spatialdomänen används faltning. Du tillämpar faltning till insignalen och impulssvaret för filtret. Vanligtvis är insignalen en lång sekvens och impulssvaret en kort sekvens som kallas faltningskärna (filterkärna). (conv, conv2) Skapa en 65x65 stor bild med en 15 x 15 kvadrat i mitten. Skapa följande faltningskärna med koden nedan: /9 filter1=ones(3, 3)./9; Beräkna utsignalen med hjälp av faltning Hur ändras bilden av filtreringen? Jämför Fourierspektrat för orignalbilden och den filtrerade bilden Följande filter är ett Laplace-filter: filter2=[0 1 0; 1-4 1; 0 1 0]; Hur påverkas bilden och dess Fourierspektrum av denna typ av filter? 2.2. Filtrering i frekvensdomänen Den andra metoden för filtrering är filtrering i frekvensdomänen. Transformen av en bild multipliceras med ett filter som dämpar (eller förstärker) vissa frekvenser. Filtret kan antingen skapas direkt i frekvensdomänen eller vara transformen av ett filter som skapats i spatialdomänen. I detta fall multipliceras Fouriertransformen av bilden med Fouriertransformen av impulssvaret. Fouriertransformera både bilden och ett 3x3 medelvärdesfiltret till frekvensdomänen: [M1 N1]=size(bild); [M2 N2]=size(filter); M=M1+M2-1; %The images has to be zero-padded to this size! N=N1+N2-1; fftbild=fftshift(fft2(bild, M, N)); % calculate the FFT, fftfilter=fftshift(fft2(filter, M, N)); %automatic zero-pad B1=log(abs(fftbild)+1); B1=(B1-min(min(B1)))./(max(max(B1))-min(min(B1))); C1=log(abs(fftfilter)+1); C1=(C1-min(min(C1)))./(max(max(C1))-min(min(C1))); figure
4 subplot(1,2,1),imshow(b1);title('original'); subplot(1,2,2),imshow(c1);title('filter'); En ny, filtrerad, bild (i frekvensdomänen) skapas enkelt via multiplikation: nybild=fftbild.*fftfilter; %element wise multiplication D1=log(abs(nybild)+1); D1=(D1-min(min(D1)))./(max(max(D1))-min(min(D1))); figure subplot(1,2,1),imshow(d1);title('filtered image, magnitude as a function of frequency'); Det sista steget är att göra en inverstransform av resultatet: nybild=fftshift(nybild); %shift back recreate=ifft2(nybild); subplot(1,2,2),imshow(recreate);title('filtered image'); Beskriv funktionen hos filtret. Hur påverkas bilden? Jämför med resultatet i Vad är skillnaden? Skapa ett filter direkt i frekvensdomänen. Till exempel kan du skapa ett idealiskt lågpassfilter: [M, N]=size(fftbild); radius=15; filter=zeros(m, N); for i=1:m for j=1:n if (((i-(m+1)/2).^2+(j-(n+1)/2).^2).^0.5)<=radius filter(i,j)=1; Filtrera bilden från 2.1 (svart med vit fyrkant) med filtret. Vad blir resultatet? Vad för slags filter har du skapat i frekvensdomänen? Diskutera fördelar och nackdelar med filtrering i spatialdomänen och i frekvensdomänen.
5 Del 3 - Image enhancement (Bildförbättring) 3.1. Sharpening Med ett högpassfilter är det möjligt att förstärka ett objekts konturer. Detta kan göras genom att kombinera den ursprungliga bilden med en högpassfiltrerad version av bilden. På hemsidan kan du hitta bilden "debbie 4.bmp" (imread, ind2gray). Ett högpassfilter kan kombineras med den ursprungliga bilden genom följande filter: = Falta bilden med filtret. Visa resultatet och beskriv effekten. Del 4 Färg 4.1. Ladda valfritt färgfotografi i jpeg-format. Det finns tre färgkanaler i bilden, röd, grön och blå. Byt plats på färgkanalerna. Visa effekterna och diskutera resultaten Justera nivån på färgkanalerna genom att multiplicera dem med en faktor (α). Du kan välja om du vill ha en högre nivå (α> 1) eller en lägre nivå (α <1). Visa resultaten för förändringar i två färgkanaler och diskutera resultatet. Rapport Lämna in en individuell skriftlig rapport genom att ladda upp den på Moodle. Rapporten ska innehålla följande: Problembeskrivning. Vad har ni löst? Resultat. Svar på frågor, värden och siffror. Slutsatser från svaren. Vad betyder de? En reflektion över uppgiften. Vad var svårt, bra och/eller meningslöst? Matlab-kod.
Projekt 2 (P2) Problembeskrivning och uppdragsspecifikation
Projekt 2 (P2) Problembeskrivning och uppdragsspecifikation Projekt 2 Möjligheter/Problem med 2-dimensionella mätdata Uppstart: Se planen (kursens hemsida) Etapp 1 Mätdata i 2 dimensioner behöver utredas/signalbehandlas
Läs merFlerdimensionella signaler och system
Luleå tekniska universitet Avd för signalbehandling Magnus Sandell (reviderad av Frank Sjöberg) Flerdimensionell signalbehandling SMS033 Laboration 1 Flerdimensionella signaler och system Syfte: Den här
Läs merTEM Projekt Transformmetoder
TEM Projekt Transformmetoder Utförs av: Mikael Bodin 19940414 4314 William Sjöström 19940404 6956 Sammanfattning I denna laboration undersöks hur Fouriertransformering kan användas vid behandling och analysering
Läs merBildbehandling i frekvensdomänen. Erik Vidholm
Bildbehandling i frekvensdomänen Erik Vidholm erik@cb.uu.se 9 december 2002 Sammanfattning Detta arbete beskriver hur en bild kan tolkas som en tvådimensionell digital signal, hur denna signal Fouriertransformeras
Läs merBildbehandling i frekvensdomänen
Uppsala Tekniska Högskola Signaler och system Handledare: Mathias Johansson Uppsala 2002-11-27 Bildbehandling i frekvensdomänen Erika Lundberg 800417-1602 Johan Peterson 790807-1611 Terese Persson 800613-0267
Läs merSpektrala 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 merSpektrala 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 merBildbehandling En introduktion. Mediasignaler
Bildbehandling En introdktion Mediasignaler Innehåll Grndläggande bildbehandling Foriertransformering Filtrering Spatialdomän Frekvensdomän Vad är bildbehandling? Förbättring Image enhancement Återställning
Läs merTNM030 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 merBildförbättring 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 merDT1130 Spektrala transformer Tentamen
DT3 Spektrala transformer Tentamen 3 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merProjekt 6. Fourieroptik Av Eva Danielsson och Carl-Martin Sikström
Projekt 6. Fourieroptik Av Eva Danielsson och Carl-Martin Sikström Introduktion I detta experiment ska vi titta på en verklig avbildning av fouriertransformen. Detta ska ske med hjälp av en bild som projiceras
Läs merLaboration i Fourieroptik
Laboration i Fourieroptik David Winge Uppdaterad 30 januari 2015 1 Introduktion I detta experiment ska vi titta på en verklig avbildning av Fouriertransformen. Detta ska ske med hjälp av en bild som projiceras
Läs merProjekt 3: Diskret fouriertransform
Projekt 3: Diskret fouriertransform Diskreta fouriertransformer har stor praktisk användning inom en mängd olika områden, från analys av mätdata till behandling av digital information som ljud och bildfiler.
Läs merDT1130 Spektrala transformer Tentamen
DT Spektrala transformer Tentamen 72 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merLaboration 4: Digitala bilder
Objektorienterad programmering, Z : Digitala bilder Syfte I denna laboration skall vi återigen behandla transformering av data, denna gång avseende digitala bilder. Syftet med laborationen är att få förståelse
Läs merSpektrala Transformer
Spektrala Transformer Kurssammanfattning Fyra kärnkoncept Sampling Faltning Poler och nollställen Fouriertransform Koncept #1: Sampling En korrekt samplad signal kan rekonstrueras exakt, dvs ingen information
Läs merDIGITALA FILTER. Tillämpad Fysik Och Elektronik 1. Frekvensfunktioner FREKVENSSVAR FÖR ETT TIDSDISKRET SYSTEM. x(n)= Asin(Ωn)
DIGITALA FILTER TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 1 Frekvensfunktioner x(n)= Asin(Ωn) y(n) H(z) TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 2 FREKVENSSVAR FÖR ETT TIDSDISKRET SYSTEM
Läs merLaboration i Fourieroptik
Laboration i Fourieroptik David Winge Uppdaterad 4 januari 2016 1 Introduktion I detta experiment ska vi titta på en verklig avbildning av Fouriertransformen. Detta ska ske med hjälp av en bild som projiceras
Läs mer2F1120 Spektrala transformer för Media Tentamen
F Spektrala transformer för Media Tentamen 68 Tentamen består av fem uppgifter där varje uppgift maximalt ger p. Normalt gäller följande betygsgränser: :9 p, : p, 5: 7 p Tillåtna hjälpmedel: räknare, formelblad
Läs merDT1130 Spektrala transformer Tentamen
DT3 Spektrala transformer Tentamen 6 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merLaboration i tidsdiskreta system
Laboration i tidsdiskreta system A. Tips Användbara MATLAB-funktioner: conv Faltning square Skapa en fyrkantvåg wavread Läs in en ljudfil soundsc Spela upp ett ljud ones Skapa en vektor med godtyckligt
Läs merLUNDS TEKNISKA HÖGSKOLA Institutionen för Elektro- och Informationsteknik
LUNDS TEKNISKA HÖGSKOLA Institutionen för Elektro- och Informationsteknik SIGNALBEHANDLING I MULTIMEDIA, EITA50, LP4, 209 Inlämningsuppgift av 2, Assignment out of 2 Inlämningstid: Lämnas in senast kl
Läs merTentamen Bildanalys (TDBC30) 5p
Tentamen Bildanalys (TDBC30) 5p Skrivtid: 9-15 Hjälpmedel: kursboken Digital Image Processing Svara på alla frågor på nytt blad. Märk alla blad med namn och frågenummer. Disponera tiden mellan frågorna
Läs merLaplace, Fourier och resten varför alla dessa transformer?
Laplace, Fourier och resten varför alla dessa transformer? 1 Bakgrund till transformer i kontinuerlig tid Idé 1: Representera in- och utsignaler till LTI-system i samma basfunktion Förenklad analys! Idé
Läs merDigital Signalbehandling i Audio/Video
Digital Signalbehandling i Audio/Video Institutionen för Elektrovetenskap Laboration 1 (del 2) Stefan Dinges Lund 25 2 Kapitel 1 Digitala audioeffekter Den här delen av laborationen handlar om olika digitala
Läs merDT1130 Spektrala transformer Tentamen
DT3 Spektrala transformer Tentamen 5 Tentamen består av fem uppgifter där varje uppgift maximalt ger p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merSpektrala Transformer
Spektrala Transformer Fouriertransformer Fourier Gif mig en wågform och jag skola skrifva den som en summa af sinuswågor! Jean-Baptiste Fourier 1768-1830 Fouriertransformen Transformerar kontinuerliga
Läs merSignal- 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 merSpektrala Transformer
Spektrala Transformer Fouriertransformer Fourier Gif mig en wågform och jag skola skrifva den som en summa af sinuswågor! Jean-Baptiste Fourier 768-830 Fouriertransformen Transformerar kontinuerliga signaler
Läs merFrekvensplanet och Bode-diagram. Frekvensanalys
Frekvensplanet och Bode-diagram Frekvensanalys Signaler Allt inom elektronik går ut på att manipulera signaler genom signalbehandling (Signal Processing). Analog signalbehandling Kretsteori: Nod-analys,
Läs merSignal- 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 merLågpassfiltrering. 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 merMedicinska 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 merSignal- och Bildbehandling FÖRELÄSNING 4. Multiplikationsteoremet. Derivatateoremet
Signal- och Bildbehandling FÖRELÄSNING 4 Fouriertransformen, forts Mer egenskaper av fouriertransformen Enkel tillämpning: Filtrera bort oönskat buller från vacker visselton Fouriertransformen, slutsats
Läs merTentamen i TMA 982 Linjära System och Transformer VV-salar, 27 aug 2013, kl
Tentamen i TMA 982 Linjära System och Transformer VV-salar, 27 aug 2013, kl 8.30-12.30 Examinatorer: Lars Hammarstrand och Thomas Wernstål Tentamen består av två delar (Del I och Del II) på sammanlagt
Läs meri(t) C i(t) = dq(t) dt = C dy(t) dt y(t) + (4)
2 Andra lektionen 2. Impulssvar 2.. En liten krets Beräkna impulssvaret för kretsen i figur genom att beräkna hur y(t) beror av x(t). R x(t) i(t) C y(t) Figur : Första ordningens lågpassfilter. Utsignalen
Läs merLaboration 2: Filtreringsoperationer
Skolan för Datavetenskap och Kommunikation, KTH Danica Kragic DD2422 Bildbehandling och Datorseende gk: Laboration 2: Filtreringsoperationer Målet med denna laboration är att du skall få bekanta dig med
Läs merSignal- och Bildbehandling, TSBB14 Laboration 1: Kontinuerliga signaler
Signal- och Bildbehandling, TSBB14 Laboration 1: Kontinuerliga signaler Anders Gustavsson 1997, Maria Magnusson 1998-2018 Avdelningen för Datorseende, Institutionen för Systemteknik Linköpings Universitet
Läs merTSBB31 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 merÖvningar med Digitala Filter med exempel på konstruktion och analys i MatLab
Övningar med Digitala Filter med exempel på konstruktion och analys i MatLab Eddie Alestedt Vt-2002 Digitala filter Digitala filter appliceras på samplade signaler och uppvisar helt andra egenskaper än
Läs merSignal- 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 merUlrik Söderström 20 Jan Signaler & Signalanalys
Ulrik Söderström ulrik.soderstrom@tfe.umu.se 20 Jan 2009 Signaler & Signalanalys Sinusspänning Sinus och cosinus samma form men fasförskjutna Fasförskjutning tidsfördröjning Sinus och cosinus är väldigt
Läs merLaplace, Fourier och resten varför alla dessa transformer?
Laplace, Fourier och resten varför alla dessa transformer? 1 Vi har sett hur ett LTI-system kan ges en komplett beskrivning av dess impulssvar. Genom att falta insignalen med impulssvaret erhålls systemets
Läs merUlrik Söderström 19 Jan Signalanalys
Ulrik Söderström ulrik.soderstrom@tfe.umu.se 9 Jan 200 Signaler & Signalanalys l Sinusspänning Sinus och cosinus samma form men fasförskjutna Fasförskjutning tidsfördröjning Sinus och cosinus är väldigt
Läs merLab 1: Operationer på gråskalebilder
Lab 1: Operationer på gråskalebilder Maria Magnusson, 2016, 2017 Avdelningen för Datorseende, Institutionen för Systemteknik, Linköpings Universitet 1 Introduktion Läs igenom häftet innan laborationen.
Läs merTIDSDISKRETA SYSTEM SYSTEMEGENSKAPER. Minne Kausalitet Tidsinvarians. Linjäritet Inverterbarhet Stabilitet. System. Tillämpad Fysik och Elektronik 1
TIDSDISKRETA SYSTEM TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 1 SYSTEMEGENSKAPER x[n] System y[n] Minne Kausalitet Tidsinvarians Linjäritet Inverterbarhet Stabilitet TILLÄMPAD FYSIK OCH ELEKTRONIK,
Läs merAnsiktsigenkänning 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 merSignal- 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 merBILDBEHANDLINGSMETOD INNEFATTANDE BRUSREDUCERING I BILD MED LOKALT ADAPTIV FILTERKÄRNA
BILDBEHANDLINGSMETOD INNEFATTANDE BRUSREDUCERING I BILD MED LOKALT ADAPTIV FILTERKÄRNA Author: Stefan Olsson Published on IPQ website: April 10, 2015 Föreliggande uppfinning avser en metod för bildbehandling
Läs merResttentamen i Signaler och System Måndagen den 11.januari 2010, kl 14-19
Resttentamen i Signaler och System Måndagen den 11.januari 2010, kl 14-19 Tillåtna hjälpmedel: Valfri miniräknare (utan möjlighet till trådlös kommunkation). Valfri litteratur, inkl. kursböcker, formelsamlingar.
Läs merElektronik 2018 EITA35
Elektronik 218 EITA35 Föreläsning 1 Filter Lågpassfilter Högpassfilter (Allpassfilter) Bodediagram Hambley 296-32 218-1-2 Föreläsning 1, Elektronik 218 1 Laboration 2 Förberedelseuppgifter! (Ingen anmälan
Läs merGrafisk teknik IMCDP IMCDP IMCDP. IMCDP(filter) Sasan Gooran (HT 2006) Assumptions:
IMCDP Grafisk teknik The impact of the placed dot is fed back to the original image by a filter Original Image Binary Image Sasan Gooran (HT 2006) The next dot is placed where the modified image has its
Läs merSignal- 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 merFouriermetoder MVE295 - bonusuppgifter
Fouriermetoder MVE295 - bonusuppgifter Edvin Listo Zec 920625-2976 edvinli@student.chalmers.se Sofia Toivonen 910917-4566 sofiato@student.chalmers.se Emma Ekberg 930729-0867 emmaek@student.chalmers.se
Läs merMiniräknare och en valfri formelsamling i signalbehandling eller matematik. Allowed items: calculator, DSP and mathematical tables of formulas
LUNDS TEKNISKA HÖGSKOLA Institutionen för Elektro- och Informationsteknik Tentamen 209-06-07 SIGNALBEHANDLING i MULTIMEDIA, EITA50 Tid: 08.00-3.00 Sal: Victoriahallen, Victoriahallen 2A Hjälpmedel: Viktigt:
Läs mer1. Vi har givet två impulssvar enligt nedan (pilen under sekvenserna indikerar den position där n=0) h 1 (n) = [ ]
TEKNISKA HÖGSKOLAN I LUND Institutionen för elektro- och informationsteknik Kurskod: ESS00 Tentamen i Digital Signalbehanding Datum: 0 5 Time period: 08.00 3.00 Bedömning: Sex uppgifter. Varje uppgift
Läs merSignal- 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 merSignaler, 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 merMR-laboration: design av pulssekvenser
MR-laboration: design av pulssekvenser TSBB3 Medicinska Bilder Ansvarig lärare: Anders Eklund anders.eklund@liu.se Innehåll Uppgift Initialisering av k-space Koordinater i k-space Navigering i k-space
Läs merSignaler, 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 merFÖRELÄSNING 13: Analoga o p. 1 Digitala filter. Kausalitet. Stabilitet. Ex) på användning av analoga p. 2 filter = tidskontinuerliga filter
FÖRELÄSNING 3: Analoga o p. Digitala filter. Kausalitet. Stabilitet. Analoga filter Ideala filter Butterworthfilter (kursivt här, kommer inte på tentan, men ganska bra för förståelsen) Kausalitet t oh
Läs merSignalbehandling, förstärkare och filter F9, MF1016
Signalbehandling, förstärkare och filter F9, MF1016 Signalbehandling, inledning Förstärkning o Varför förstärkning. o Modell för en förstärkare. Inresistans och utresistans o Modell för operationsförstärkaren
Läs merAKTIVA FILTER. Laboration E42 ELEKTRO. UMEÅ UNIVERSITET Tillämpad fysik och elektronik Sverker Johansson Rev 1.0.
UMEÅ UNIVERSITET Tillämpad fysik och elektronik Sverker Johansson 1999-09-03 Rev 1.0 AKTIVA FILTER Laboration E42 ELEKTRO Personalia: Namn: Kurs: Datum: Återlämnad (ej godkänd): Rättningsdatum Kommentarer
Läs merSpektrala transformer Laboration: JPEG-kodning
Spektrala transformer Laboration: JPEG-kodning 1 Introduktion I denna laboration kommer du att få experimentera med transfom-baserad bildkompression enligt JPEG-metoden. Du kommer att implementera en förenklad
Läs merSignal- 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 merMedicinska 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 merMedicinska 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 merSignal- 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 merMedicinska Bilder, TSBB31. Lab6: Mätningar på SPECT/CT-volymer
Medicinska Bilder, TSBB31 Lab6: Mätningar på SPECT/CT-volymer Maria Magnusson, 2012-2016 Avdelningen för Datorseende Institutionen för Systemteknik Linköpings Universitet 1 Introduktion I denna laboration
Läs merLaboration ( ELEKTRO
UMEÅ UNIVERSITET Tillämpad fysik och elektronik Sverker ohansson ohan Pålsson 21-2-16 Rev 1.1 $.7,9$),/7(5 Laboration ( ELEKTRO Personalia: Namn: Kurs: Datum: Återlämnad (ej godkänd): Rättningsdatum Kommentarer
Läs merSYSTEM. Tillämpad Fysik Och Elektronik 1 SYSTEMEGENSKAPER. Minne Kausalitet Tidsinvarians. Linjäritet Inverterbarhet Stabilitet. System.
SYSTEM TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET SYSTEMEGENSKAPER System y(t) y[n] Minne Kausalitet Tidsinvarians Linjäritet Inverterbarhet Stabilitet TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET
Läs merLUNDS TEKNISKA HÖGSKOLA Inst. för Elektro- och Informationsteknik
LUNDS TEKNISKA HÖGSKOLA Inst. för Elektro- och Informationsteknik Tentamen 04-05-7 SIGNALBEHANDLING I MULTIMEDIA, ETI65 Tid: 4.00 9.00 Sal: MA:0 Hjälpmedel: Miniräknare, formelsamling i signalbehandling
Läs merSignaler, 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 merSignal- 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 merGrafisk teknik IMCDP. Sasan Gooran (HT 2006) Assumptions:
Grafisk teknik Sasan Gooran (HT 2006) Iterative Method Controlling Dot Placement (IMCDP) Assumptions: The original continuous-tone image is scaled between 0 and 1 0 and 1 represent white and black respectively
Läs merDT1120 Spektrala transformer för Media Tentamen
DT Spektrala transformer för Media Tentamen 77 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: 3:9 p, 4: 3 p, 5: 7 p Tillåtna hjälpmedel: räknare,
Läs merTillämpning av komplext kommunikationssystem i MATLAB
(Eller: Vilken koppling har Henrik Larsson och Carl Bildt?) 1(5) - Joel Nilsson joelni at kth.se Martin Axelsson maxels at kth.se Sammanfattning Kommunikationssystem används för att överföra information,
Läs merTNM030 -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 merGrafisk teknik. Sasan Gooran (HT 2006)
Grafisk teknik Sasan Gooran (HT 2006) Iterative Method Controlling Dot Placement (IMCDP) Assumptions: The original continuous-tone image is scaled between 0 and 1 0 and 1 represent white and black respectively
Läs merLaboration 2. Grafisk teknik (TNM059) Digital Rastrering. S. Gooran (VT2007)
Laboration 2 Grafisk teknik (TNM059) Digital Rastrering S. Gooran (VT2007) Introduktion Denna laboration handlar om rastrering och är tänkt att fungera som komplement till rastreringsföreläsningar och
Läs merMedicinska Bilder, TSBB31. Lab7: Mätningar på SPECT/CT-volymer
Medicinska Bilder, TSBB31 Lab7: Mätningar på SPECT/CT-volymer Maria Magnusson, 2012-2018 Avdelningen för Datorseende Institutionen för Systemteknik Linköpings Universitet 1 Introduktion I denna laboration
Läs merSignal- 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 merSignal- 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 mer5 OP-förstärkare och filter
5 OP-förstärkare och filter 5.1 KOMPARATORKOPPLINGAR 5.1.1 I kretsen nedan är en OP-förstärkare kopplad som en komparator utan återkoppling. Uref = 5 V, Um= 13 V. a) Rita utsignalen som funktion av insignalen
Läs merTentamen i Elektronik för E, 8 januari 2010
Tentamen i Elektronik för E, 8 januari 200 Tillåtna hjälpmedel: Formelsamling i kretsteori Tvåpol C A I V Du har tillgång till en multimeter som kan ställas in som voltmeter eller amperemeter. Voltmeter
Läs merTillämpad Fysik Och Elektronik 1
FREKVENSSPEKTRUM (FORTS) TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 1 ICKE-PERIODISKA FUNKTIONER Icke- periodiska funktioner kan betraktas som periodiska, med oändlig periodtid P. TILLÄMPAD FYSIK
Läs merOptimal Signalbehandling Datorövning 1 och 2
Institutionen för Elektro- och Informationsteknik Lunds Universitet Lunds Tekniska Högskola Optimal Signalbehandling Datorövning 1 och 2 Leif Sörnmo Martin Stridh 2011 Department of Electrical and Information
Läs merSignalanalys med snabb Fouriertransform
Laboration i Fourieranalys, MVE030 Signalanalys med snabb Fouriertransform Den här laborationen har två syften: dels att visa lite på hur den snabba Fouriertransformen fungerar, och lite om vad man bör
Läs merSignal- och bildbehandling TSBB14
Tentamen i Signal- och bildbehandling TSBB4 Tid: 2-8-7 Lokaler: TER Ansvarig lärare: Maria Magnusson besöker lokalerna kl. 5.5 och 6.45 tel 73-84 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,
Läs merDT1120/DT1130 Spektrala transformer Tentamen
DT/DT3 Spektrala transformer Tentamen 86 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merTSBB16 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 merLaboration i Fourieranalys för F2, TM2, Kf2 2011/12 Signalanalys med snabb Fouriertransform (FFT)
Laboration i Fourieranalys för F2, TM2, Kf2 2011/12 Signalanalys med snabb Fouriertransform (FFT) Den här laborationen har två syften: dels att visa hur den snabba Fouriertransformen fungerar och vad man
Läs merGrafiska system. Färgblandning. Samspel mellan ytor. Ögats. fysionomi. Ljusenergi. Signalbehandling och aliasing
Grafiska system Signalbehandling och aliasing Gustav Taxén gustavt@nada.kth.se Processor Minne Frame buffer 2D1640 Grafik och Interaktionsprogrammering VT 2006 Färgblandning Pigmentblandning för f att
Läs merSpektrala Transformer
Spektrala Transformer Tidsdiskreta signaler, kvantisering & sampling Tidsdiskreta signaler Tidskontinuerlig signal Ex: x(t) = sin(ωt) t är ett reellt tal ω har enheten rad/s Tidsdiskret signal Ex: x(n)
Läs merLaboration i Fourieranalys, TMA132 Signalanalys med snabb Fouriertransform
Laboration i Fourieranalys, TMA132 Signalanalys med snabb Fouriertransform Den laborationen har syften: dels att visa lite hur den snabba Fouriertransformen fungerar, och lite om vad man den an dels att
Läs merSignal- 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 merDigitala filter. FIR Finit Impulse Response. Digitala filter. Digitala filter. Digitala filter
Digitala filter Digitala filter FIR Finit Impulse Response Digitala filter förekommer t.ex.: I Matlab, Photoshop oh andra PCprogramvaror som filtrerar. I apparater med signalproessorer, t.ex. mobiltelefoner,
Läs mer1) 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