Projekt 2 (P2) Problembeskrivning och uppdragsspecifikation
|
|
- Malin Lundgren
- för 8 år sedan
- Visningar:
Transkript
1 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 i frekvensdomänen och i spatialplanet. Handledare: TFE/US Etapp 2 Ett verktyg med Wavelets beställs för komprimering av mätdata i stora volymer Handledare: TFE/BT Stoppdatum för P2-projektets rapport 1 : Se planen (kursens hemsida). 1 Den skriftliga dokumentationen skall bestå av en teknisk rapport (riktad till beställaren) samt en kortfattad rapport (delar enligt projektmodellen) om projektarbetet (riktad till projektets handledare). Dokumentationen läggs senast på stoppdatum till kursens P2- dokument-databas. Etapp 1 Problem med 2-dimensionella mätdata Problembeskrivning för etapp 1 Uppdragsgivaren överväger att använda signalbehandling för sina 2-dimensionella mätdata/bilder. För att förstå hur det kan användas får ni i uppdrag att göra en förstudie och se hur filtrering av mätdata fungerar både i spatialdomänen och i frekvensdomänen. Ni ska också utvärdera vilka fördelar och nackdelar som finns med de olika metoderna. Man vill även ta fram ett verktyg för klassificering av 2-dimensionella mätdata, och har gett er ett antal bilder som ni ska prova att klassificera. Uppdragsgivaren önskar att motsvarande signalbehandling utförs med Matlab där m-koden levereras tillsammans med analysen/rapporten. I. Hur kan man med Fouriertransformen behandla 2-dimensionella mätdata? II. Hur tillämpas faltning i spatialplanet? III. Hur tillämpas filtrering i frekvensdomänen? IV. Kan man klassificera 2-dimensionella mätdata med FFT? I så fall hur? V. Ett antal detaljfrågor ingår även i uppdraget. Man har sammanställt dessa Se bilga P2-1 Länk till 2-dim exempel-data/bilder (.zip-fil med namnet bilder.zip) hittar du i kursens Moodle.
2 Tvådimensionell signalbehandling Filtrering och fouriertransformering Tillämpad Digital Signalbehandling Tips på användbara MATLAB-funktioner anges med fet stil (ta reda på hur dessa fungerar innan de används, help funktionsnamnet ), MATLAB-kod är skriven med typsnittet courier i den här specifikationen. Del 1 Fouriertransform 1.1 Fourieranalys i två dimensioner Här kommer ni att skapa en bild som ni sedan ska undersöka dess egenskaper i frekvensdomänen. Pixlarna i bilden representeras av ett flyttal mellan 0 och 1. Vid vissa beräkningar måste du skala om pixelvärden så att de ligger inom det tillåtna området. Ett hjälpmedel för att få en uppfattning om pixlarnas intensitetsvärden är funktionen hist. Den ritar upp ett histogram som visar frekvensen för varje intensitetsvärde. Börja med att studera en (egentligen imensionell) sinussignal. Nedanståe kod skapar en pixlars bild med två perioder av en horisontell sinusvåg. Bilden är skapad för att kunna visas med imshow, alltså uppflyttad och skalad att ligga mellan 0 och 1. Signalen centreras sedan runt x-axeln innan fouriertransformen beräknas. (fft, fft2, fftshift) clear; %ger en bild av format antal x antal antal=64; %antal perioder i bilden perioder=2; %orginalbild for m=1:1:antal for n=1:1:antal bild(m,n)= *sin(2.*pi.*(n./(antal./perioder))); subplot(1,2,1),imshow(bild);title('originalbild'); %ta bort bakgrunds-grånivå A=bild-.5; B=abs(fftshift(fft2(A))); subplot(1,2,2),imshow(b);title('beloppskaraktär'); Tolka resultatet av fouriertransformen. Vad borde frekvensspektrat visa (transformen av en sinusvåg)? Stämmer resultatet med det teoretiska resultatet? Vad händer med frekvensspektrat om man istället låter sinusvågen löpa vertikalt över bilden? Skapa en bild med en 9 9 pixel vit kvadrat i mitten av bilden, svart i övrigt. Här kan man behöva skala om frekvensbilden för att kunna visualisera den. Prova att använda en logtransform (log(abs(fftshift(fft2(bild)))+1)), eller skala om bilden så att alla värden ligger mellan 0-1 (bild2=(bild-min(min(bild)))./(max(max(bild))- min(min(bild)))), eller båda omskalningar. Beskriv frekvensspektrat, stämmer det med teorin (transformen av en kvadrat)? 1.2. Signalernas utbredning
3 Nu ska ni ändra lite på signalerna i föregåe uppgifter. Gör kvadraten i uppgift större, pixlar Hur förändras frekvensspektrat? Förklara hur signalens utbredning i spatialplanet påverkar utbredningen i frekvensdomänen. Ändra utbredningen på signalen i 1.1 genom att rita upp 2,5 perioder av sinusvågen. Skala om frekvensbilden så att den lämpar sig för visualisering Hur förändras utbredningen? Skiljer det sig från föregåe uppgift? Läs in en riktig bild, smregit.bmp som finns på hemsidan, och skapa en frekvensbeskrivning av denna. Förklara hur du burit dig åt. Gör en verbal tolkning av din bild! (imread, ind2gray) 1.3. Invers FFT och fasbeloppet Nedanståe kod skapar en enkel bild, en vertikal balk. I figuren visas denna och frekvensspektrat för bilden. %ger en bild av format antal x antal antal=64; bild=zeros(antal,antal); for n=antal/4-2:1:antal/4+2 for m=1:1:antal bild(m,n)=1; %originalbild; subplot(1,3,1),imshow(bild);title('orginalbild'); %beloppet av fft-analys fftbild=(fft2(bild)); B=abs(fftshift(fftbild))./300; %Skala om för visualisering subplot(1,3,2),imshow(b);title('frekvensinnehåll'); %invers fft av föregåe bild C=(ifft2(fftbild)); subplot(1,3,3),imshow(c);title('invers fft'); Nu ska ni rita upp en horisontell balk som ligger högst upp i bilden. Denna kod ritar upp balken, frekvensbeloppet av FFT:n av balken, frekvensernas fas, samt ett imensionellt snitt genom fasen, visat liggande. %ger en bild av format antal x antal antal=64; bild=zeros(antal,antal); for m=1:1:5 for n=1:1:antal bild(m,n)=1; %originalbild; subplot(2,2,1),imshow(bild);title('orginalbild'); fftbild=(fft2(bild)); %beloppet av fft-analys
4 fftbildbelopp=abs(fftshift(fftbild)); B=(fftbildbelopp-min(min(fftbildbelopp)))./(max(max(fftbildbelopp))- min(min(fftbildbelopp))); subplot(2,2,2),imshow(b);title('frekvensinnehåll'); %beräkna fasen C=angle(fftshift(fftbild)); D=(C+pi)/(2.*pi); subplot(2,2,3),imshow(d);title('faskaraktär'); E=C(:,antal/2+1); F=E'; G=unwrap(F); K=G'; subplot(2,2,4),plot(k);title('faskaraktär imensionellt'); Flytta balken i höjdled. Låt balken börja vid 11:e och 21:a pixeln i stället för första Hur förändras beloppsbilden när balken flyttas? Hur förändras fasen? Del 2 Filtrering 2.1. Faltning (filtrering i spatialplanet) För att filtrera en bild i spatialplanet använder man faltning; man faltar helt enkelt insignalen med systemets (filtrets) impulssvar. Ofta är insignalen en lång signalsekvens, medan impulssvaret är en kortare sekvens. Den senare kallas ibland för faltningskärna. Faltning heter på engelska "convolution". (conv, conv2) Skapa en bild med en pixlars kvadrat i mitten, liknande den i uppgift 2. Gör sedan en faltningskärna med följande utsee enligt nedanståe MATLAB-kod: /9 filter=ones(3, 3)./9; Filtrera bilden genom att falta den med filtret Hur förändras bilden efter filtreringen? Jämför frekvensspektrat av bilden före och efter filtrering. Hur har bildens frekvenser påverkats? Ändra storleken på filtret till 7 7 pixlar. (Filtret är ett medelvärdesfilter, dvs. det beräknar medelvärdet av alla pixlar i ett område runt aktuell pixel. Kom därför ihåg att dividera ettorna med antalet pixlar i kärnan.) Gör om filtreringen. Hur påverkas bilden nu? Jämför med föregåe uppgift. Vilken betydelse har storleken på faltningskärnorna? Skapa ett nytt filter med följande utsee (Laplace-filter): filter=[0 1 0; 1-4 1; 0 1 0]; Filtrera originalbilden med filtret. Förklara hur bilden och dess frekvensspektra påverkas.
5 2.2. Filtrering i frekvensdomänen Den andra metoden för att filtrera används i frekvensplanet. När man filtrerar i frekvensdomänen multiplicerar man fouriertransformen av en signal med ett filter som förstärker eller försvagar vissa frekvenser. Filtret kan antingen skapas i frekvensdomänen, eller bestå av transformen av en faltningskärna. Transformera både bilden med kvadraten och 3 3 medelvärdeskärnan: [M1 N1]=size(bild); [M2 N2]=size(filter); M=M1+M2-1; %Bilderna måste "zero-paddas" till denna storlek N=N1+N2-1; fftbild=fftshift(fft2(bild, M, N)); % Bestäm storleken på FFT:n, fftfilter=fftshift(fft2(filter, M, N)); % MATLAB zero-paddar automatiskt 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 subplot(1,2,1),imshow(b1);title('originalbild'); subplot(1,2,2),imshow(c1);title('filter'); Filtrera bilden genom att multiplicera dess FFT med filtrets nybild=fftbild.*fftfilter; %elementvis multiplikation D1=log(abs(nybild)+1); D1=(D1-min(min(D1)))./(max(max(D1))-min(min(D1))); figure subplot(1,2,1),imshow(d1);title('filtrerad bild, frekvensbelopp'); och transformera tillbaka till spatialdomänen: nybild=fftshift(nybild); %skifta tillbaka recreate=ifft2(nybild); subplot(1,2,2),imshow(recreate);title('filtrerad bild'); Beskriv hur filtret ser ut. Vilka frekvenser försvagas? Hur påverkas bilden? Jämför men bilden du filtrerade genom faltning i 2.1. Vad skiljer de filtrerade bilderna åt? Hur ser filtrets frekvensbelopp ut om man ökar kärnans storlek till 7 7? Stämmer detta med resultatet i 2.1.2? Vad finns det för fördelar och nackdelar med att filtrera i spatial resp. frekvensdomänen? Del 3 Klassificering I filen bilder.zip finns det exempel på olika bilder. Bilderna består av tre olika sorters mönster, horisontala linjer, vertikala linjer och rutmönster. Försök att göra en automatisk klassificering i tre grupper med hjälp av FFT.
6 Etapp 2 Komprimering av 2-dimensionella mätdata Problembeskrivning och uppdragsspecifikation för etapp 2 Målet med projektet är att utreda om uppdragsgivaren skall övergå till att använda Wavelets till sitt stora arkiv med mätdata/bilder. F.n. använder man DCT vid den elektroniska lagringen men man är osäker på fördelarna/nackdelarna på ett eventuellt byte (se även bilaga P2-2). I en första etapp vill man ha klarhet i följande frågor (se nedan) och förutom källkoden i Matlab m-kod beställer man en tillhörande teknisk rapport med motsvarande konkreta analyser/exempel/bilder. VI. Hur kan jag med verktyget Wavelets komprimera mina mätdata? Mätdata utgörs av en vald 2-dimensionell s/v bild. VII. Hur rekonstruerar jag mina mätdata? Hur kan jag återbilda data med mindre rekonstruktionsfel - Vilka data (eg. waveletskoefficienter) har minst- respektive mest betydelse? VIII. Hur bra är rekonstruktionen? I det teoretiska fallet - respektive i ett konkret fall med en vald testbild - hur stort är felet? Hur stor del av bildens Wavletskoefficienter kan ha värdet 0 utan att den återskapade bildens kvalitet blir betydligt sämre? Finns det några lämpliga mått för att mäta/jämföra slutresultatets kvalitet? IX. Jämför Waveletstranformen med DCT (diskreta cosinustransformen. Vad blir skillnaden mellan transformmetoderna rent resultatmässigt? Hur skiljer sig metoderna då data vid rekonstruktionen tillåts gå förlorade till begränsad del? X. Man har samplade mätdata i två fall: a) en dimension b) två dimensioner För båda fallen gäller att signalen/mätdata har Gaussiskt vitt brus adderad. Ger Waveletstransformen något stöd för att filtrera/renodla signalen/mätdata? I så fall hur bra/dåligt fungerar det i några exempelfall jämfört med t.ex. LP-filtrering
7 Verktyg för wavelets i Matlab: Bilaga P2-2
Bildbehandling i spatialdomänen och frekvensdomänen
Digital Media Lab 2016-02-22 Tillämpad Fysik och Elektronik Ulrik Söderström Bildbehandling i spatialdomänen och frekvensdomänen Fouriertransform och filtering Del 1. Fouriertransformen 1.1. Fourieranalys
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 merProjekt 1 (P1) Problembeskrivning och uppdragsspecifikation
Projekt 1 (P1) Problembeskrivning och uppdragsspecifikation Etapp 1 Problem med mätsignalen m.a.p. sampling, vikning och spektraltäthet Problembeskrivning Uppdragsgivaren överväger att skaffa nya A/D-omvandlare
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 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 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 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 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 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 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 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 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 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 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 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 merBildbehandling En introduktion. Mediasignaler
Bildbehandling En introdktion Mediasignaler Innehåll Grndläggande bildbehandling Foriertransformering Filtrering Spatialdomän Frekvensdomän Vad är bildbehandling? Förbättring Image enhancement Återställning
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 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 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 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 merTeori... SME118 - Mätteknik & Signalbehandling SME118. Johan Carlson 2. Teori... Dagens meny
Tidigare har vi gått igenom Fourierserierepresentation av periodiska signaler och Fouriertransform av icke-periodiska signaler. Fourierserierepresentationen av x(t) ges av: där a k = 1 T + T a k e jkω
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 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 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 merTillämpad digital signalbehandling Laboration 1 Signalbehandling i Matlab och LabVIEW
Institutionen för data- och elektroteknik 004-03-15 Signalbehandling i Matlab och LabVIEW 1 Introduktion Vi skall i denna laboration bekanta oss med hur vi kan använda programmen Matlab och LabVIEW för
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 merBildbehandling, del 1
Bildbehandling, del Andreas Fhager Kapitelhänvisningar till: Image Processing, Analysis and Machine Vision, 3rd ed. by Sonka, Hlavac and Boyle Representation av en bild Så här kan vi plotta en bild tex
Läs merInstitutionen för data- och elektroteknik 2004-03-22 Tillämpad digital signalbehandling Veckoplanering för signalbehandlingsteorin
Institutionen för data- och elektroteknik 2004-03-22 Veckoplanering för signalbehandlingsteorin Allmänt Erfarenheten från tidigare år säger att kursen upplevs som svår. Detta tror jag beror, inte på att
Läs merKan vi beskriva ett system utan någon fysikalisk kännedom om systemet?
Kan vi beskriva ett system utan någon fysikalisk kännedom om systemet? 1 Om svaret på frågan är ja så öppnar sig möjligheten att skapa en generell verktygslåda som fungerar för analys och manipulering
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 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 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 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 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 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 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 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 merExempelsamling 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 merInnehåll. Innehåll. sida i
1 Introduktion... 1.1 1.1 Kompendiestruktur... 1.1 1.2 Inledning... 1.1 1.3 Analogt/digitalt eller tidskontinuerligt/tidsdiskret... 1.2 1.4 Konventioner... 1.3 1.5 Varför digital signalbehandling?... 1.4
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 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 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 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 3 Sampling, samplingsteoremet och frekvensanalys
Laboration 3 Sampling, samplingsteoremet och frekvensanalys 1 1 Introduktion Syftet med laborationen är att ge kunskaper i att tolka de effekter (speglingar, svävningar) som uppkommer vid sampling av en
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 merBildförbättring av registreringsskyltar i stillbilder med hjälp av super-resolution
LiU-ITN-TEK-A-15/009-SE Bildförbättring av registreringsskyltar i stillbilder med hjälp av super-resolution Martin Bengtsson Emil Ågren 2015-02-27 Department of Science and Technology Linköping University
Läs merLaboration 1. Grafisk produktion och tryckkvalitet (TNM015) Rastrering och objektiva kvalitetsmått. S. Gooran (VT2007)
Laboration 1 Grafisk produktion och tryckkvalitet (TNM015) Rastrering och objektiva kvalitetsmått S. Gooran (VT2007) Syfte: Denna laboration är till för att öka förståelsen för olika rastreringstekniker
Läs mer2 Laborationsutrustning
Institutionen för data- och elektroteknik 2002-02-11 1 Inledning Denna laboration syftar till att illustrera ett antal grundbegrepp inom digital signalbehandling samt att närmare studera frekvensanalys
Läs merExempelsamling 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 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 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 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 merFingerprint Matching
Fingerprint Matching Björn Gustafsson bjogu419 Linus Hilding linhi307 Joakim Lindborg joali995 Avancerad bildbehandling TNM034 Projektkurs Biometri 2006 1 Innehållsförteckning 1 Innehållsförteckning 2
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 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 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 merLaboration 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 mer7 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 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 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 merHistogram över kanter i bilder
Histogram över kanter i bilder Metod Både den svartvita kanstdetekteringen och detekteringen av färgkanter följer samma metod. Först görs en sobelfiltrering i både vertikal och horisontell led. De pixlar
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 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 merDigital signalbehandling fk Laboration 5 Ett antal signalbehandlingstillämpningar
Institutionen för data- och elektroteknik 1999-11-21 Inledning Denna laboration avser att ge illustration av och inblick i ett antal områden för digital signalbehandling. Vi kommer att studera exempel
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 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 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 merGRUNDKURS I SIGNALBEHANDLING (454300), 5sp Tentamen
GRUNDKURS I SIGNALBEHANDLING (454300), 5sp Tentamen 26.02013 kursens övningsuppgifter eller gamla tentamensuppgifter, eller Matlab-, Scilab- eller Octave- programmerbara kalkylatorer eller datorer. 1.
Läs merIgenkänning av bilddata med hjälp av Kohonen-nätverk, samt beskrivning av program
Igenkänning av bilddata med hjälp av Kohonen-nätverk, samt beskrivning av program Jerker Björkqvist September 2001 1 Introduktion I detta arbete undersökts hur klassificering av bilddata kan göras med
Läs merTentamen i Signaler och kommunikation, ETT080
Inst. för informationsteknologi Tentamen i Signaler och kommunikation, ETT080 2 juni 2006, kl 14 19 Skriv namn och årskurs på alla papper. Börja en ny lösning på ett nytt papper. Använd bara en sida av
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 merÄmnesområde Hörselvetenskap A Kurs Akustik och ljudmiljö, 7 hp Kurskod: HÖ1015 Tentamenstillfälle 4
IHM Kod: Ämnesområde Hörselvetenskap A Kurs Akustik och ljudmiljö, 7 hp Kurskod: HÖ115 Tentamenstillfälle 4 Datum 213-11-7 Tid 4 timmar Kursansvarig Susanne Köbler Tillåtna hjälpmedel Miniräknare Linjal
Läs merInledning. Initiering av miljön. Att köra MatLab. Labrapporten
Inledning Initiering av miljön För att få rätt miljö är det enklast att aktivera kursen TSDT06 Signalteori i programmet kurstool. Kurstool kan man starta i bakgrundsmenyn. Alternativt räcker det med 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 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 merSMS047 Mediakodning. Introduktion. Frank Sjöberg. Introduktion. Introduktion
SMS047 Mediakodning Frank Sjöberg Email: frank@sm.luth.se Rum A3207 Kursen behandlar kodning av fyra olika typer av media Text & annan data Bild Ljud (ej tal) Video Vi kommer i första hand att studera
Läs merSignalbehandling Röstigenkänning
L A B O R A T I O N S R A P P O R T Kurs: Klass: Datum: I ämnet Signalbehandling ISI019 Enk3 011211 Signalbehandling Röstigenkänning Jonas Lindström Martin Bergström INSTITUTIONEN I SKELLEFTEÅ Sida: 1
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden inom matematisk statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 01, HT-07 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen, enkla punktskattningar
Läs mera), c), e) och g) är olikheter. Av dem har c) och g) sanningsvärdet 1.
PASS 9. OLIKHETER 9. Grundbegrepp om olikheter Vi får olikheter av ekvationer om vi byter ut likhetstecknet mot något av tecknen > (större än), (större än eller lika med), < (mindre än) eller (mindre än
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 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 merGrafisk 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 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 merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
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 merMätningar med avancerade metoder
Svante Granqvist 2008-11-12 13:41 Laboration i DT2420/DT242V Högtalarkonstruktion Mätningar på högtalare med avancerade metoder Med datorerna och signalprocessningens intåg har det utvecklats nya effektivare
Läs merDigital signalbehandling Digitalt Ljud
Signalbehandling Digital signalbehandling Digitalt Ljud Bengt Mandersson Hur låter signalbehandling Institutionen för elektro- och informationsteknik 2008-10-06 Elektronik - digital signalbehandling 1
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 merTSRT91 Reglerteknik: Föreläsning 5
TSRT9 Reglerteknik: Föreläsning 5 Martin Enqvist Reglerteknik Institutionen för systemteknik Linköpings universitet Föreläsningar / 23 Inledning, grundläggande begrepp. 2 Matematiska modeller. Stabilitet.
Läs merÄmnesområde Hörselvetenskap A Kurs Signalteori, 7,5 hp Kurskod: HÖ1007 Tentamenstillfälle
Institutionen för hälsovetenskap och medicin Kod: Ämnesområde Hörselvetenskap A Kurs Signalteori, 7,5 hp Kurskod: HÖ1007 Tentamenstillfälle Datum 2013-08-19 Tid 4 timmar Kursansvarig Susanne Köbler Tillåtna
Läs merSF1635, Signaler och system I
SF635, Signaler och system I Tentamen tisdagen 0--, kl 4 00 9 00 Hjälpmedel: BETA Mathematics Handbook Räknedosa utan program Formelsamling i Signalbehandling (rosa), Formelsamling för Kursen SF635 (ljusgrön)
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 merLösning 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 merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
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 merÖvning (X)HTML 2. Sidan 1 av 7 2010-11-11
Sidan 1 av 7 2010-11-11 Övning (X)HTML 2 Innan du börjar med laborationen ska du se till så att du har öppnat din editor (till exempel Notepad++). I denna editor ska du skriva (X)HTML-kod som du sedan
Läs merTentamen ssy080 Transformer, Signaler och System, D3
Tentamen ssy080 Transformer, Signaler och System, D3 Examinator: Ants R. Silberberg oktober 009 kl. 4.00-8.00 lokal: Johanneberg Förfrågningar: Ants Silberberg, tel. 808 Lösningar: Anslås torsdag okt.
Läs mer