Bildbehandling, del 1
|
|
- Stefan Blomqvist
- för 6 år sedan
- Visningar:
Transkript
1 Bildbehandling, del Andreas Fhager Kapitelhänvisningar till: Image Processing, Analysis and Machine Vision, 3rd ed. by Sonka, Hlavac and Boyle
2 Representation av en bild Så här kan vi plotta en bild tex med hjälp av kommandot surf i MATLAB Läs: Kap.2,.3
3 Representation av en bild Så här kan vi också se data som representerar en bild Läs: Kap.2,.3
4 Representation av en bild Vår erfarenhet av verkligheten gör att vi helst ser bilden på detta sätt: För oss är det enkelt att tolka denna bild. En dator som ska användas för bildbehandling ska dock tolka bilden utifrån siffrorna på föregående sida, vilket kan innebära stora svårigheter. Läs: Kap.2,.3
5 Representation av en färgbild Eller på detta sätt i färg:
6 Digitalisering av bilden En digital bild är uppbyggd av ett antal pixlar. 256x92 28x92 64x48 32x24 Läs: Kap 2.2
7 Kvantisering av bildens gråskala Även bildens färgskala, (gråskala) är indelad i ett antal nivåer. Ögat kan uppfatta cirka 64 olika nivåer samtidigt. 64 nivåer 6 nivåer 4 nivåer 2 nivåer Läs: Kap 2.2
8 Testa själv... Via länken kan man nå ett litet program för att testa hur olika antal gråskalenivåer påverkar olika bilder. Instruktion: Starta programmet och välj en bild ur menyn. Välj med reglaget hur många bitar, X, som ska användas för att beskriva gråskalan. Antalet gråskalenivåer blir således 2 X. Undersök hur antalet gråskalenivåer påverkar bilden.
9 Varför bildbehandling? Original Kantdetektering Ett exempel på vad vi kan göra med bildbehandling: Kantdetektering trots att bilden är väldigt brusig
10 Varför bildbehandling? Bildbehandlingen kan användas för att framhäva detaljer i bilden Före Efter
11 Histogram Ett användbart sätt att karakterisera en bild är genom dess histogram. Ett histogram byggs genom att räkna hur många pixlar som finns i bilden av varje nivå (nyans) i gråskalan. Sedan ritar man ett histogram med de olika gråskalenivåerna på x-axeln och staplar som visar antalet pixlar för varje nivå. Läs: Kap 2.3.2, 5..2
12 Histogramutjämning H(p) p För att ögat enklare ska uppfatta detaljer i bilden vill man använda hela gråskalan, från helt vitt till helt svart. Om det inte bilden använder hela skalan (som i exemplet ovan) kan man försöka ändra gråskalan så att det blir så. G(p) Equalization p Läs: Kap 2.3.2, 5..2
13 Histogramutjämning I detta exempel ser man en tydlig förbättring av bilden och ökad möjlighet att urskilja detaljer genom att använda sig av tekniken för histogramutjämning. Läs: Kap 2.3.2, 5..2
14 Histogram Överföringsfunktion som används för utjämningen Här är ytterligare ett exempel på då vi har jämnat ut histogrammet genom att mappa om gråskalan p ( r) dr IN UT Läs: Kap 2.3.2, 5..2
15 Histogramutjämning Histogrammet före och efter utjämning Läs: Kap 2.3.2, 5..2
16 Fungerar histogramutjämning alltid? Nej, det är inte alltid säkert... I ett fall där den intressanta informationen ligger inom ett relativt smalt intervall av gråskalan kan det fungera bra Om den intressanta informationen i bilden är utspridd inom hela gråskalan fungerar förmodligen inte histogramutjämningen så bra. Läs: Kap 2.3.2, 5..2
17 Testa själv... Via länken kan man nå ett litet program för att testa olika ommappningar av gråskalan, tex histogramutjämning. Instruktion: Starta programmet och välj en bild ur menyn. Välj sen vilken typ av ommappning av gråskalan som ska göras, tex linjär, utjämning, etc. Studera mappningsfunktionen som plottas, bilderna och histogrammen för att skapa en intuitiv förståelse av hur histogrammmappningen går till. Att lära: Vad händer med mörka resp ljusa nyanser i originalbilden vid olika typer av mappningsfunktioner.
18 Delta-funktion Delta funktionen har följande definition: δ ( x, y) dxdy = Den kan användas för att plocka ut värdet i punkten (0,0) f ( x, y) δ ( x, y) dxdy = f (0,0) eller i en allmän punkt (λ,µ) f ( x, y) δ ( x λ, y µ ) dxdy = f ( λ, µ ) Läs: Kap 3..2
19 Delta-funktion för att sampla bilden f ( λ, µ ) = f ( x, y) δ ( x λ, y µ ) dxdy Diskret variant f s = f M N ( x, y) δ ( x j= k= jδx, y kδy) Läs: Kap 3..2
20 Aliasing Originalbild Samplingsgrid Resultatbild
21 Shannons samplings teorem Åtminstone 2 samples per frekvens som ska lösas upp
22 Hubbleteleskopet före och efter korrigering av optiken Bildkälla: Wikipedia.org
23 Point Spread Function (PSF) Point Spread Function beskriver hur verkligheten förändras i en avbildningsprocess. Bildkälla: Wikipedia.org
24 Point Spread Funcion (PSF) Kameran som exempel Antag att vi vill ta ett fotografi med en kamera. Låt oss anta att bilden bara består av en liten prick. Då kan vi beskriva den med en delta-fuktion. Verkligheten: Delta-funktion Onnoggrannhet i kameralins, skärpeinställning, pixelstorlek i bildsensorn, etc. gör att bilden i kameran blir suddig Bild i kameran: h(x), Point Spread Function
25 PSF i Hubbleteleskopet Så här såg PSF ut i Hubbleteleskopet före korrigeringen av optiken. Dvs så här såg bilden ut då man försökte fotografera en enskild stjärna. Bildkälla: Wikipedia.org
26 Faltning beskriver processen Bild in f(x,y) Bild ut g(x,y) Filter h(x,y) Läs: Kap 3..2
27 Faltningsintegral Faltningsintegralen används för att beskriva effekten på bilden av olika system eller operationer g( x, y) = L { f ( x, y) } = f ( a, b) L { δ ( x a, y b) } dadb = f ( a, b) h( x a, y b) dadb = f * h( x, y) I denna beskrivning kan vi göra följande analogi med kameraexemplet: g(x,y) kamerabilden f(a,b) är vekligheten h(x-a,y-b) är PSF
28 Linjär operator i 2D Konstant Bild { af bf } L{ } L{ } L + = + a f b f 2 2 Operator Konstant Bilder och bildbehandlingsprocedurer kan modelleras som superposition av linjära operationer. Läs: Kap 3.2.
29 Exempel diskret faltning * = In Ut Exempel från: D Demo:
30 Medelvärdesbildning för brusreducering Använd tex följande matris för faltningen h = 9 Läs: Kap 5.3.
31 Testa själv... Via länken kan man nå ett litet program för att testa beräkning av olika faltningsintegraler. Instruktion: Starta programmet och välj en bild ur menyn. Definiera sen en matris (filter) som ska användas vid faltningsberäkningen. Studera hur olika storlekar och olika värde på matrisen påverkar bilden. Addera sen brus och gör samma sak. Kan du åstadkomma er reducering av bruset i bilden? Hur påverkas bilden?
32 Medianfilter Medianfiltret är särskilt effektivt för att ta bort salt & peppar brus. Det beskrivs ej med en faltningsintegral och är således ej heller en linjär operation. Salt & peppar brus = svart-vitt brus. Läs: Kap 5.3.
33 Median filter Beräkna och använd medianen hos intensitetsnivån i ett område runt pixeln. nackdel är att tunna linjer och hörn förstörs Motdrag om man vill bevara horisontella/vertikala linjer: Läs: Kap 5.3.
34 Exempel - medianfilter För att utföra medianfiltrering behöver vi för varje position i den filtrerade bilden sortera färgskalan inom filtreringsområdet (i detta exempel 3x3) och plocka ut medianvärdet. Läs: Kap 5.3.
35 Testa själv... Via länken kan man nå ett litet program för att testa bla filtrering med hjälp av ett medianfilter. Instruktion: Starta programmet och välj en bild ur menyn. Välj sen medianfilter och Salt&Peppar brus. Använd olika stora filtermatriser och olika nivå på bruset. Hur effektiv är filtreringen vid olika stora matriser? Vad händer med bilden? Testa filtret på Gaussiskt brus också. Hur fungerar det?
36 Kanter I bildbehandlingen är en vanlig operation att hitta kanter. Det finns olika typer av kanter, se bilderna. Läs: Kap 5.3.2
37 Detektion av kanter Kanter kan detekteras med hjälp av första- och/ eller andraderivator. Läs: Kap 5.3.3
38 Kantdetektering genom approximation av första derivata Prewitt Sobel Läs: Kap Med hjälp av olika matriser föröker man beräkna derivatan i bilden. Nedanstående matriser används för beräkning med faltningsintegralen.
39 Kantdetektering genom approximation av första derivatan Via nedanstående länk kommer vi till ett program där vi kan undersöka och testa olika matriser för kantdetektering. I exemplet ovan har vi använt Prewitt matrisen. Läs: Kap 5.3.2
40 Kantdetektering genom approximation av andra derivatan Laplace operatorn kan beräknas med följande matris i faltningeberäkningen. Resultatet finns i bilden ovan. h = Läs: Kap 5.3.2
41 Canny kantdetektering Mer avancerad algoritm som är optimal för bilder med skarpa kanter korrumperade av vitt brus. Läs: Kap 5.3.5
42 Testa själv... Via länken kan man nå ett litet program för att testa olika metoder för kantdetektering. Instruktion: Starta programmet och välj en bild ur menyn. Välj sedan vilken (filter) matris du vill använda. Studera vilka kanter som framträder och hur resultatet för de olika matriserna ser ut. Testa med att lägga på Gaussiskkt brus. Prova sen med Canny kantdetekteringsmetoderna. Vi har inte gått igenom teorin för denna metod, men studera hur den beter sig jämfört med filtrering med Prewitt, Sobel och Laplace matriserna.
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 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 merBildbehandling En introduktion. Mediasignaler
Bildbehandling En introdktion Mediasignaler Innehåll Grndläggande bildbehandling Foriertransformering Filtrering Spatialdomän Frekvensdomän Vad är bildbehandling? Förbättring Image enhancement Återställning
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 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 merFlervariabelanalys, inriktning bildbehandling, datorövning 3
Matematiska institutionen, LTH, December 2, 2004 Flervariabelanalys, inriktning bildbehandling, datorövning 3 Matlab Gå till underkatalogen matlab (skapa den om den inte redan finns) av din rotkatalog.
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 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 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 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 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 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 merFlerdimensionell analys i bildbehandling
Flerdimensionell analys i bildbehandling Erik Melin 27 november 2006 1. Förord Målet med den här lilla uppsatsen är att ge några exempel på hur idéer från kursen flerdimensionell analys kan användas i
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 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 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 merSignaler, 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 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 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 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 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 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 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 merSignal- 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 merGrundläggande bildteori. EXTG01 Medicinska bildgivande system Michael Ljungberg
Grundläggande bildteori EXTG01 Medicinska bildgivande system Michael Ljungberg Olika modaliteter inom sjukhusfysik Michael.Ljungberg@med.lu.se 2 Exempel på digitala bilder Michael.Ljungberg@med.lu.se 3
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 merProjekt 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 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 merSignal- 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 merTentamen, Programmeringsteknik för BME, F och N
LUNDS TEKNISKA HÖGSKOLA 1(6) Institutionen för datavetenskap Tentamen, Programmeringsteknik för BME, F och N 2015 06 03, 14.00 19.00 Anvisningar: Preliminärt ger uppgifterna 7 + 11 + 16 + 11 = 45 poäng.
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 merSå skapas färgbilder i datorn
Så skapas färgbilder i datorn 31 I datorn skapas såväl text som bilder på skärmen av små fyrkantiga punkter, pixlar, som bygger upp bilden. Varje punkt har sin unika färg som erhålls genom blandning med
Läs merTANA17 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 mer6 2D signalbehandling. Diskret faltning.
D signalbehandling. Diskret faltning. Aktella ekationer: Se formelsamlingen... D Diskret faltning. Beräkna g(x = (h f(x = λ= f(x = - - 0 - - och h(x = -. h(x λf(λ, där Centrm (positionen för x = 0 är markerad
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 mer'LJLWDODELOGHUR KGLJLWDOELOGPDQLSXOHULQJ
'LJLWDODELOGHUR KGLJLWDOELOGPDQLSXOHULQJ Nyckelord: Sampling, kvantisering, upplösning, geometriska operationer, fotometriska operationer, målning, filtrering 'LJLWDOUHSUHVHQWDWLRQR KODJULQJDYELOGHU En
Läs merSNABBT OCH SNYGGT MER KONTROLL FÖR DIG MED PHOTOSHOP CS3 SMIDIGT MED BRA KONTROLL. photoshop Trendiga bilder med Photoshop sid 61
Svartvitt dominerar fortfarande För några år sedan spådde en del experter att den stora boomen med svartvita foton snart skulle nå sin kulmen och börja avta. I dag vet vi att den profetian aldrig slog
Läs merKvalitetsmått: Skärpa
Kvalitetsmått: Skärpa Metoder att mäta skärpa: Upplösningstest: Hur täta streckmönster syns i bilden? Subjektivt, begränsad information (Lab. 2) MTF: Fullständig information (Lab. 2) Upplösningstest med
Läs merBildredigering i EPiServer & Gimp
Bildredigering i EPiServer & Gimp Maria Sognefors 7minds Agenda Teori om bilder Att tänka på när jag fotograferar Föra över bilder från kamera till dator Ladda upp bilder till EPiServer CMS 5 Enkel redigering
Läs merEtt 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 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 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 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 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 merMedicinsk Informatik VT 2004
Informatik VT 2004 bildbehandling Bildbehandling Mål Extraktion av relevant information ur medicinska bilder för diagnostisk tolkning, terapiplanering, dokumentation och patientinformation Digital bildbehandling
Läs merSensorer i digitalkameror
Sensorer i digitalkameror Kretskort Minneskort Sensor Detektorelement (pixel). Typisk storlek: 2-5 m Typiskt antal: 5-20M Sensortyper i digitalkameror CCD (Charge Coupled Device) CMOS (Complementary Metal
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 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 merMedicinsk Informatik IT VT2002
Bildbehandling Medicinsk Informatik IT VT2002 Medicinsk bildbehandling Mål Extraktion av relevant information ur medicinska bilder för diagnostisk tolkning, terapiplanering, dokumentation och patientinformation
Läs merDigitala bilder. Matris, pixel, pixeldjup, signal, brus, kontrast
Digitala bilder Matris, pixel, pixeldjup, signal, brus, kontrast Den nukleärmedicinska bilden Historik Analoga bilder. Film exponerades för ljusblixtar som producerades när strålning detekterades. oändligt
Läs merAtt bevara historiska bilder. Digitalisera, beskriva, söka, visa, långtidslagra
Att bevara historiska bilder Digitalisera, beskriva, söka, visa, långtidslagra Fokus Att bevara bildinformation i oftast lånade bilder genom att överföra informationen i digital form. i digital form. Bättre
Läs merElektronik. Viktor Öwall, Digital ASIC Group, Dept. of Electroscience, Lund University, Sweden-
Analogt och Digital Bertil Larsson Viktor Öwall Analoga och Digitala Signaler Analogt Digitalt 001100101010100000111110000100101010001011100010001000100 t Analogt kontra Digitalt Analogt få komponenter
Läs merL A B R A P P O R T 1
L A B R A P P O R T 1 BILDTEKNIK Dan Englesson Emil Brissman 9 september 2011 17:04 1 Camera noise 1.1 Task 1 Ett antal svarta bilder togs genom att fota i totalt mörker för att beräkna kamerans svartnivå.
Läs merREGLERTEKNIK Laboration 5
6 SAMPLADE SYSTEM 6. Sampling av signaler När man använder en dator som regulator, kan man endast behandla signaler i diskreta tidpunkter. T.ex. mäts systemets utsignal i tidpunkter med visst mellanrum,
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 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 mer8 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 merÖvervakningssystem. -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 merPhotoshop - Kanaler. Den översta raden motsvarar de sammanslagna kanalerna RGB.
Photoshop - Kanaler Varje enskild färg i RGB-systemet motsvaras av en kanal i kanalpanelen och visar sig som svartvita representationer om man ställer sig där. På bilden kan du se att på den röda kanalen
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 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 merObligatoriska uppgifter i MATLAB
Obligatoriska uppgifter i MATLAB Introduktion Följande uppgifter är en obligatorisk del av kursen och lösningarna ska redovisas för labhandledare. Om ni inte använt MATLAB tidigare är det starkt rekommenderat
Läs merLite verktyg och metoder Photoshop CS2
Lite verktyg och metoder Photoshop CS2 Kurvor och Nivåer Med Nivåer och Kurvor kan man ställa nästan allt i bilden. Vitt ska vara vitt och svart ska vara svart. Fixa det med Nivåer. Hur ljus ska den vara?
Läs merDatorövning 1: Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, VT-17 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och
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 merBildhantering i OEW. Vi ska arbeta med följande bilder:
Bildhantering i OEW Bilder på webben Bilder som man ser på olika hemsidor bör ha dessa egenskaper: 1 Klara färger 2 Skärpa 3 Snabbladdade 4 Rätt storlek för syftet Vi ska arbeta med följande bilder: Program
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 merHistogramberäkning 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 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 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 merBildanalys för vägbeläggningstillämplingar
Bildanalys för vägbeläggningstillämplingar Hanna Källén I denna avhandling har några forskningsfrågor gällande bestämning av vägars beständighetundersökts. Bildanalys har används för att försöka komplettera
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 merFöredrag om bildbehandling speciellt för astronomibilder. Del 1
Sid 1 Föredrag om bildbehandling speciellt för astronomibilder Del 1 genomgång av hur man kalibrerar ett astrofoto eller den viktiga pre-processing av Lars Karlsson Sid 2 Föredragets innehåll Digitalkamerans
Läs merBildbehandling av Astronomiska objekt Del I
Bildbehandling av Astronomiska objekt Del I av Mikael Skafar Detta är en sammanställning av mina egna erfarenheter inom detta område. Texten ska inte tolkas som någon instruktionsbok eller pekpinne som
Läs merBildmosaik. 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 merSå här använder du de enklaste funktionerna i programmet: Starta programmet. Programmet startas från ikonen på skrivbordet.
PhotoFiltre 1 Innehåll Starta programmet... 3 Rotera bilden... 4 Beskära bilden... 4 Ljusa upp en bild... 5 Förminska bilden... 6 Skärpa i bilden... 7 Spara och komprimera bilden... 7 Ta bort röda ögon...
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 merPhotoshopskolan, retro-look
Sida 1 av 12 skriv ut» Övningen är gjord av Anna-Lena Lundin ( http://www.pixelplus.se ) Har du frågor om momenten i övningen eller om Photoshop kan du söka information i vårt Forum för Photoshop. Retro-look
Läs merKamerans sensor. I kameran sitter bildsensorn som består av en rektangulär platta med miljontals små ljuskänsliga halvledare av CCD eller CMOS typ.
Kamerans sensor I kameran sitter bildsensorn som består av en rektangulär platta med miljontals små ljuskänsliga halvledare av CCD eller CMOS typ. Objektivet projicerar en bild på sensorn och varje liten
Läs merGrundredigering i Photoshop Elements
Grundredigering i Photoshop Elements Denna artikel handlar om grundläggande fotoredigering i Elements: Att räta upp sneda horisonter och beskära bilden, och att justera exponering, färg och kontrast, så
Läs merBeskrivande statistik
Beskrivande statistik Tabellen ovan visar antalet allvarliga olyckor på en vägsträcka under 15 år. år Antal olyckor 1995 36 1996 20 1997 18 1998 26 1999 30 2000 20 2001 30 2002 27 2003 19 2004 24 2005
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. 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 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 mer3 Man kan derivera i Matlab genom att approximera derivator med differenskvoter. Funktionen cosinus deriveras för x-värdena på följande sätt.
Kontrolluppgifter 1 Gör en funktion som anropas med där är den siffra i som står på plats 10 k Funktionen skall fungera även för negativa Glöm inte dokumentationen! Kontrollera genom att skriva!"#$ &%
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 merFöreläsning 9, Bestämning av tidsdiksreta överföringsfunktioner
Föreläsning 9, Bestämning av tidsdiksreta överföringsfunktioner Reglerteknik, IE1304 1 / 20 Innehåll Kapitel 17.1. Inledning 1 Kapitel 17.1. Inledning 2 3 2 / 20 Innehåll Kapitel 17.1. Inledning 1 Kapitel
Läs merNumerisk lösning till den tidsberoende Schrödingerekvationen.
Numerisk lösning till den tidsberoende Schrödingerekvationen. Det är enbart i de enklaste fallen t ex när potentialen är sträckvis konstant som vi kan lösa Schrödingerekvationen analytiskt. I andra fall
Läs mer*****************************************************************************
Statistik, 2p ANVISNINGAR Datorlaboration 1 Deskriptiv statistik med hjälp av MS Excel Detta häfte innehåller kortfattade anvisningar om hur ni använder Excel under denna laboration. Be om hjälp när/om
Läs mersignalprediktering I VITT GAUSSISKT BRUS MED HJÄLP AV E'rT ADAPT IVT SIGNAL ANPASSAT FILTER
1976-08-18 signalprediktering I VITT GAUSSISKT BRUS MED HJÄLP AV E'rT ADAPT IVT SIGNAL ANPASSAT FILTER Per Ahlström LiTH-ISY-I-0106 signalprediktering I VITT GAUSSISKT BRUS MHA ETT ADAPTIVT SIGNALANPASSAT
Läs merDYNAMISKT MEDIANFILTER I REALTIDSSPEL
Malskapada v Henrik DYNAMISKT MEDIANFILTER I REALTIDSSPEL DYNAMIC MEDIAN FILTER IN REAL-TIME GAMES Examensarbete inom huvudområdet Datavetenskap Grundnivå 30 högskolepoäng Vårtermin 2015 Johannes Sinander
Läs merFöreläsning 8, Introduktion till tidsdiskret reglering, Z-transfomer, Överföringsfunktioner
Föreläsning 8, Introduktion till tidsdiskret reglering, Z-transfomer, Överföringsfunktioner Reglerteknik, IE1304 1 / 24 Innehåll 1 2 3 4 2 / 24 Innehåll 1 2 3 4 3 / 24 Vad är tidsdiskret reglering? Regulatorn
Läs merLJ-Teknik Bildskärpa
Bildskärpa - Skärpedjup och fokus - Egen kontroll och fokusjustering - Extern kalibrering Bildskärpa, skärpedjup och fokus Brännpunkt och fokus Medan brännpunkt är en entydig term inom optiken, kan fokus
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 merTSKS21 Signaler, Information och Bilder Lab 2: Digitalisering
TSKS21 Signaler, Information och Bilder Lab 2: Digitalisering Mikael Olofsson 8 februari 2017 Fyll i detta med bläckpenna Laborant Personnummer Datum Godkänd 1 1 Allmänt Denna laboration syftar till att
Läs merEgenskaper och inställningar för QuickScan och förhandsgranskningsfönstret
[LISTAN TILL HÖGER. Hela vägen uppifrån och ned] Använda knappen QuickScan (snabbavläsning) Inställningar för QuickScan Inställningar för egenskaper Förhandsgranskningsfönster (Preview window) [SLUT LISTA]
Läs mer