Signaler, information & bilder, föreläsning 15
|
|
- Oliver Samuelsson
- för 6 år sedan
- Visningar:
Transkript
1 Signaler, information & bilder, föreläsning 5 Michael Felsberg Computer Vision Laboratory Department of Electrical Engineering michael.felsberg@liu.se Översikt Histogram och tröskelsättning Histogramutjämning Medianfilter Automatisk tröskelsättning Lokal tröskelsättning Tröskelsättning med hysteres Morfologiska operationer Dilation (Expansion) Erosion (Krympning) Kombinationer Segmentering och etikettering Avstånd i bilder Avståndskartor Gråvärdesskillnaden Teori: Kap.., 5., 5., 6., 6., 6.5 Bygger på Maria Magnussons föreläsningar Segmentering skiljer ut och etiketterar sammanhängande objekt Gråskalebild Segmenterad och etiketterad bild Histogramberäkning på en bild Bild f(x,y) Histogram p(f) hur?? 6
2 Histogrammet p av en bild f(x,y) är en sannolikhetsfunktion som utsäger hur ofta en viss intensitetsnivå..q- förekommer. Olika histogram Kan tröskelsättas p = np.zeros(q) # Initiera histogram till Fig. 5. for v in f.flat: p[v] += # Beräkna # histogram p = p/sum(p) # Normera histogram # (görs ibland) Kontinuerligt, bimodalt Diskret, bimodalt Diskret, ej bimodalt Histogramutjämning Exempel histogram ska vara en likfördelning kumulativa fördelnignen: linjärt P = p.cumsum() # p ej normaliserad P = 55*P / P[-] # skala om till rätt interval f = np.interp(f.flatten(),np.arange(56),p) # interpolera nya gråvärden f = f.reshape(f.shape) # återskapa D bild
3 Medianfilter Medianen M är det gråvärde sådant att antalet gråvärden större än M är lika med antalet gråvärden mindre än M Ett medianfilter ersätter på arbetspunkten gråvärdet med medianen i filtermasken. Im = signal.medfiltd(im,5) Tröskelsättning En gråskalebild f(x,y) tröskelsätts enligt: b x, y B B om om f f x, y x, y T T f x, y p f T Ex) B=, B= b x, y Fig. 5. En metod att finna en bra tröskel En metod att finna en bra tröskel Anta att bilden är genererad av - Bakgrundsprocessen: P, N, - Objektprocessen: P, N p p f f, f exp f exp Histogrammet kan då skrivas som f P p f P p f p Vi söker f=t så att p f P p f P Fig. 5.5
4 Automatisk tröskelsättning med mittpunkts-metoden (ingen exakt lösning!) T T p f, i T i p f f T i T i p f f T i i i T T / i i : i Mycket medelvärdesbildning Lokal tröskelsättning Alt: Laplace-filtrering med stor kärna Tröskelsättning Fig. 5.5 Lokal tröskelsättning d(x,y): Diskret centrerad dirac: Ger ingen effekt M(x,y): Ger mycket medelvärdesbildning 5 L(x,y): stor Laplacekärna 5 / median! - Fig x, yd x, y f x, y M x, y f x, y Lx y f, OBS! I verkligheten behövs ännu större kärnor Tröskelsättning med hysteres Tröskel T tar bort delar av objektet Tröskel T bevarar delar av bakgrunden a: Gråskalebild b: Trösklad på T c: Trösklad på T d: Slutresultat Bild b expanderas med bivillkor att expansionen ej får ske utanför objekten i bild c. Fig. 5.
5 Flödesschema för tröskelsättning med hysteres Ladda bild a Morfologiska operationer b:=(a>t) e:=b d:=expand(b) b:=d mult c c:=(a>t) Grundläggande morfologiska operationer Dilation (Expansion) Erosion (Krympning) Opening (Öppning) = Erosion + Dilation Closing (Slutning) = Dilation + Erosion nej b = e? ja Slutresultat är bild e Grundläggande morfologiska operationer Opening = erosion + dilation erosion dilation Dilation (expansion) Erosion (krympning) Tar bort små objekt och utskott (spurs) Återställer storleken 5
6 Closing = dilation + erosion dilation erosion Opening följt av closing opening closing Fyller igen små hål och sprickor Återställer storleken Closing följt av opening closing opening Nästan samma resultat! Opening följt av closing Closing följt av opening 6
7 Strukturelement Binära filterkärnor brukar kallas strukturelement. De vanligaste strukturelementen är illustrerade nedan. Origo är markerat med en punkt. Dilation formell beskrivning a b a b faltning tröskling a b b a Fig. 6. Erosion formell beskrivning ab strukturelement strukturelement a a b korrelation A b Antal pixlar i struktur-elementet tröskling Korrelation = faltning med ovikt kärna ab Räkneregler Expansion är kommutativ. (Jämför med faltning.) a b b a Krympning är inte kommutativ. (Jämför med korrelation.) Antag att a och b är olika. Om a ryms i b så ryms b ej i a. Fig. 6. ab ba 7
8 Strukturelementet d () Strukturelementet d (8) Expansion med detta strukturelement: Alla sidogrannar till objektet -ställs Krympning med detta strukturelement: Alla sidogrannar till bakgrunden -ställs Expansion med detta strukturelement: Alla sido- och hörngrannar till objektet -ställs Krympning med detta strukturelement: Alla sido- och hörngrannar till bakgrunden -ställs Strukturelementet d (okt) Vilka grannar är sammanhängande? d () -konnektivitet: pixlar sitter ihop om de har angränsande sida d (8) -konnektivitet: pixlar sitter ihop om de har angränsande sida eller hörn Detta strukturelement ger en jämnare (oktagonal) expansion/krympning. Samma effekt kan erhållas genom att omväxlande använda d () och d (8). d () -konnektivitet: objekt d (8) -konnektivitet: objekt 8
9 Fig. 6. Konflikt mellan objekt och bakgrund d () -konn. objekt <=> d (8) -konn. bakgrund d (8) -konn. objekt <=> d () -konn. bakgrund RB-algoritmen (Raster-scan Border-follow) Bilden rasterscannas vänster-höger uppifrån-nedåt. När scanningen passerar en kant (-> eller ->) avbryts skanningen och konturföljning sker. Under konturföljningen sätts etiketter till höger om kant. Till sist expanderas alla etiketter till höger, se nästa slide. d () -konnektivitet: objekt, sammanhängande bakgrund d (8) -konnektivitet: objekt med hål Efter kontur-följning av det första objektet. Fig. 6. Efter konturföljning av båda objekten och ett hål. RB-algoritmen, slutresultat Strukturelementet kan användas för att beräkna avstånd approximativt. Det finns olika metriker. 5 Topologisk graf: Strukturelementet appliceras upprepade gånger på objektet (här en punkt). Notera iterationsnumret. Det ger ett avstånd till objektet. Vid varje iteration ökas avståndet med d () -metrik d (8) -metrik d (okt) -metrik: alternera d () och d (8) 9
10 Avstånd i digitala bilder Man använder inte alltid det korrekta euklidiska avståndet. Det är enklare att använda approximativa avstånd, t ex: d () -metrik d (8) -metrik d (okt) -metrik (omväxlande d () - och d (8) -metrik) En metrik är ett avståndsmått mellan punkter p och q som måste uppfylla: d(p,q) >= med d(p,q) = omm p = q d(p,q) = d(q,p) d(p,q) <= d(p,r) + d(r,q) Avståndsmått Euklidiskt avstånd d x, y x y 8 d x, y max x, y x y maxfel : % maxfel : % maxfel : % d okt x, y max x, x y, y maxfel :% PSNR: Global bildavstånd i gråvärden Peak Signal to Noise Ratio Klassisk mått hur bra t ex avbrusning fungerar Bygger på medelfelet (MSE) Mäts i db (decibel)
Signaler, information & bilder, föreläsning 15
Översikt Signaler, inormation & bilder, öreläsning 5 Michael Felsberg och Maria Magnusson Computer Vision Laborator (Datorseende) Department o Electrical Engineering (ISY) michael.elsberg@liu.se, maria.magnusson@liu.se
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 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 merBildanalys. Segmentering. Föreläsning 7. Split and Merge. Region Growing
Föreläsning 7 1 Föreläsning 7 2 Bildanalys Rikard Berthilsson Kalle Åström Matematikcentrum Lund 27 september 2005 Segmentering Mål: Dela upp bilden i segment, d.v.s. områden som hör till samma objekt
Läs merHistogramberäkning på en liten bild. Signal- och Bildbehandling FÖRELÄSNING 9 Histogram och. Olika histogram
Signl- och Bildehndling FÖRELÄSNING 9 Histogrm och Konnektivitet tröskelsättning Logisk omgivningsopertorer i Binär ildehndling Konnektivitetsevrnde Morfologisk opertioner krympning Diltion (Expnsion)
Läs 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 mer5 GRÅSKALEOPERATIONER
5 GRÅSKALEOPERATIONER 5.1 Histogramoperationer Histogrammet av en bild f(x,y) är frekvensfunktionen, sannolikhetsfunktionen p(f) som utsäger med vilken frekvens (= hur ofta) en viss intensitetsnivå f förekommer.
Läs 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 mer6 OPERATIONER PÅ BINÄRA BILDER
6 OPERATIONER PÅ BINÄRA BILDER (Detta avsnitt har producerats i samarbete med Ingemar Ragnemalm) 6.1 Morfologiska operationer I en typisk tillämpning av bildanalys utmynnar operationer och manipulationer
Läs 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 merBildbehandling En introduktion. Mediasignaler
Bildbehandling En introdktion Mediasignaler Innehåll Grndläggande bildbehandling Foriertransformering Filtrering Spatialdomän Frekvensdomän Vad är bildbehandling? Förbättring Image enhancement Återställning
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 merFacit till Signal- och bildbehandling TSBB
Facit till Signal- och bildbehandling TSBB3 6-5-3 Maria Magnusson Seger, maria@isy.liu.se Kontinuerlig faltning (9p) a) Faltningsoperationen illustreras i figuren nedan. et gäller att x(t λ) e 4(t λ) u(t
Läs 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 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 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 merProjekt i bildanalys Trafikövervakning
Projekt i danalys Trafikövervakning F 99 F 00 Handledare : Håkan Ardö Hösten 3 vid Lunds Tekniska Högskola Abstract Using traffic surveillance cameras the authorities can get information about the traffic
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 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 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 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 mer7 SIGNALER I TRE DIMENSIONER
7 SIGNALER I TRE DIMENSIONER 7.1 Tredimensionell signalbehandling Endimensionell signalteori och signalbehandling är möjlig att utvidga inte bara till tvådimensionella signaler och funktioner utan i princip
Läs 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 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 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 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 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 merLäsanvisning till Discrete matematics av Norman Biggs - 5B1118 Diskret matematik
Läsanvisning till Discrete matematics av Norman Biggs - 5B1118 Diskret matematik Mats Boij 18 november 2001 13 Grupper Det trettonde kapitlet behandlar grupper. Att formulera abstrakta begrepp som grupper
Läs merSignaler, information & bilder, föreläsning 16
Signler, informtion & bilder, föreläsning 16 Michel Felsberg Computer Vision Lbortory Deprtment of Electricl Engineering michel.felsberg@liu.se Översikt Diverse Bildbehndling Korreltion (D) Vnlig Normerd
Läs merGolvelement. Innehåll... Sidan Golv i vån. 1 i DDS-CAD Arkitekt... 2 Golvelement i DDS-CAD Konstruktion... 7
10.03.2014 DDS-CAD Arkitekt & Konstruktion 9 Golvelement Kapitel Innehåll... Sidan Golv i vån. 1 i DDS-CAD Arkitekt... 2 Golvelement i DDS-CAD Konstruktion... 7 2... Kapitel 8 10.03.2014 Golvelement DDS-CAD
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 merAnvändarhandledning. LiTH Segmentering av MR-bilder med ITK Anders Eklund Version 1.0. Status
2006-05-15 Användarhandledning Version 1.0 Granskad Godkänd Status Bilder och grafik projektkurs, CDIO MCIV LIPs 1 2006-05-15 PROJEKTIDENTITET MCIV 2006 VT Linköpings Tekniska Högskola, CVL Namn Ansvar
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 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 merFöreläsning 2. Kortaste vägar i grafer.
Föreläsning 2. Kortaste vägar i grafer. Problem: KORTASTE VÄGAR Den enklaste varianten är om vi inte har kantvikter och kortaste väg är en väg med såfåkanter som möjligt. Indata: En riktad graf G och en
Läs merFöreläsning 7 Datastrukturer (DAT037)
Föreläsning 7 Datastrukturer (DAT037) Fredrik Lindblad 1 2016-11-21 1 Slides skapade av Nils Anders Danielsson har använts som utgångspunkt. Se http://www.cse.chalmers.se/edu/year/2015/course/dat037 Förra
Läs merSignaler, information & bilder, föreläsning 13
Signaler, inormation & bilder, öreläsning 3 Michael Felsberg och Maria Magnusson Computer Vision Laboratory (atorseende) epartment o Electrical Engineering (ISY) michael.elsberg@liu.se, maria.magnusson@liu.se
Läs 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 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 merLinköpings Universitet. TNM034 - Avancerad Bildbehandling. Beathoven. emiax775. Emil Axelsson Anna Flisberg Karl Johan Krantz.
Linköpings Universitet TNM034 - Avancerad Bildbehandling Beathoven Emil Axelsson Anna Flisberg Karl Johan Krantz emiax775 annfl042 karkr654 15 december 2013 Sammanfattning Detta är en projektrapport som
Läs merDilation Erosion. Slutning. Öppning
Numerisk analys och datalogi, KTH Tony Lindeberg Lösningar till tentamen i 2D42 Datorseende gk 22 4 6 llmänt: För de teorifrνagor där svaren pνa uppgifterna direkt stνar att finna i kurslitteraturen ges
Läs merTENTAMEN I STATISTIKENS GRUNDER 1
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 1 2012-10-03 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs merBlock 1 - Mängder och tal
Block 1 - Mängder och tal Mängder Mängder och element Venndiagram Talmängder Heltalen Z Rationella talen Q Reella talen R Räkning med tal. Ordning av talen i R Intervall Absolutbelopp Olikheter 1 Prepkursen
Läs merFöreläsning 10. Grafer, Dijkstra och Prim
Föreläsning 10 Grafer, Dijkstra och Prim Föreläsning 10 Grafer Representation av grafer Dijkstras algoritm Implementation av Dijkstras algoritm Minimium spanning tree Läsanvisning och uppgifter Broarna
Läs merFöreläsning 10. Grafer, Dijkstra och Prim
Föreläsning 10 Grafer, Dijkstra och Prim Föreläsning 10 Grafer Representation av grafer Dijkstras algoritm Implementation av Dijkstras algoritm Minimium spanning tree Läsanvisning och uppgifter Broarna
Läs merClassicdoor s66 motormontage. Figur 1. Översiktsbild på motorupphängning
Classicdoor s66 motormontage Figur 1. Översiktsbild på motorupphängning Montera ihop skenorna och montera motorn på skenan Enligt bild Figur 3. Montage av väggfäste sker i närheten av fjäderstången och
Läs merklassificering moln molnskugga skog öppen mark
klassificering moln molnskugga skog öppen mark exempel på klassificering 2 1 3 6 7 8 11 9 10 3 2 4 5 1 4 6 5 7 11 8 10 9 5 10 1 8 2 6 7 4 11 3 9 exempel på klassificering 50 öre 50 öre 1 kr (ny) (gammal)
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 merTentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl
1 Matematiska Institutionen KTH Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel är tillåtna
Läs merFöreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.
Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Ytterligare begrepp Viktiga
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 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 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 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 merVäggfäste Universal och Mätarm. Bruksanvisning Läs igenom bruksanvisningen noggrant och förstå innehållet innan du använder Väggfäste Universal.
Väggfäste Universal och Mätarm S Bruksanvisning Läs igenom bruksanvisningen noggrant och förstå innehållet innan du använder Väggfäste Universal. Innehållsförteckning Produktinformation... 2 Väggfäste
Läs merFörsättsblad till skriftlig tentamen vid Linköpings Universitet
Försättsblad till skriftlig tentamen vid Linköpings Universitet Datum för tentamen 203--0 Sal TER4 Tid 8-2 Kurskod TSBB3 Provkod TEN Kursnamn/ Benämning Institution Antal uppgifter som ingår i tentamen
Läs merSF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011
Avd. Matematisk statistik Tobias Rydén 2011-09-30 SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011 Förberedelser. Innan du går till laborationen, läs igenom den här handledningen. Repetera också i
Läs merDagens föreläsning. TSFS06 Diagnos och övervakning Föreläsning 6 - Tröskling och analys av teststorheter. Tröskelsättning och beslut i osäker miljö
Dagens föreläsning TSFS6 Diagnos och övervakning Föreläsning 6 - Tröskling och analys av teststorheter Erik Frisk Institutionen för systemteknik Linköpings universitet frisk@isy.liu.se 22-3-28 Tröskelsättning
Läs merFöreläsning 2. Kortaste vägar i grafer.
Föreläsning 2. Kortaste vägar i grafer. Problem: KORTASTE VÄGAR Den enklaste varianten är om vi inte har kantvikter och kortaste väg är en väg med såfåkanter som möjligt. Indata: En riktad graf G och en
Läs merProjektarbete i Bildanalys vid Institutionen för Matematik Lunds Tekniska Högskola. Segmentering. Av: Karin Kolmert och Julia Stojanov
Projektarbete i Bildanalys vid Institutionen för Matematik Lunds Tekniska Högskola Segmentering Av: Karin Kolmert och Julia Stojanov Handledare: Björn Johansson 29 November, 2001 1 Inledning I detta projekt
Läs merLösning till tentamensskrivning i Diskret Matematik för CINTE, CL2 och Media 1, SF1610 och 5B1118, onsdagen den 17 augusti 2011, kl
Matematiska Institutionen KTH Lösning till tentamensskrivning i Diskret Matematik för CINTE, CL och Media, SF60 och 5B8, onsdagen den 7 augusti 0, kl 4.00-9.00. Examinator: Olof Heden Hjälpmedel: Inga
Läs merDefektdetektering i trä genom bildanalys av laserspridningsdata
LiU-ITN-TEK-A--10/029--SE Defektdetektering i trä genom bildanalys av laserspridningsdata Erik Johansson 2010-05-20 Department of Science and Technology Linköping University SE-601 74 Norrköping, Sweden
Läs merPatrick Hjelm Andersson
Binär matchning av bilder med hjälp av vektorer från den Euklidiska Avståndstransformen Examensarbete utfört i Bildkodning vid Linköpings Teknisk Högskola av Patrick Hjelm Andersson Reg nr: LiTH-ISY-EX-3585-2004
Läs merbilder för användning
Grundläggande guide i efterbehandling av bilder för användning på webben Innehåll Innehåll...2 Inledning...3 Beskärning...4 Att beskära en kvadratisk bild...5 Att beskära med bibehållna proportioner...5
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 merVälkomna till TSRT19 Reglerteknik Föreläsning 5. Sammanfattning av föreläsning 4 Frekvensanalys Bodediagram
Välkomna till TSRT19 Reglerteknik Föreläsning 5 Sammanfattning av föreläsning 4 Frekvensanalys Bodediagram Sammanfattning av förra föreläsningen 2 Givet ett polpolynom med en varierande parameter, och
Läs merLektion 1: Fördelningar och deskriptiv analys
Density Lektion 1: Fördelningar och deskriptiv analys 1.,3 Uniform; Lower=1; Upper=6,3,2,2,1,, 1 2 3 X 4 6 7 Figuren ovan visar täthetsfunktionen för en likformig fördelning. Kurvan antar värdet.2 över
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 merÖvningshäfte 6: 2. Alla formler är inte oberoende av varandra. Försök att härleda ett par av de formler du fann ur några av de övriga.
GÖTEBORGS UNIVERSITET MATEMATIK 1, MAM100, HT2005 MATEMATISK BASKURS Övningshäfte 6: Syftet med övningen är att utforska strukturen hos talsystemen under addition respektive multiplikation samt sambandet
Läs merFöreläsning 2. AVL-träd, Multi-Way -sökträd, B-träd TDDD71: DALG. Innehåll. Innehåll. 1 Binära sökträd
Föreläsning AVL-träd, Multi-Wa -sökträd, B-träd DDD7: DALG Utskriftsversion av föreläsning i Datastrukturer och algoritmer november 5 omm Färnqvist, IDA, Linköpings universitet. Innehåll Innehåll Binära
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 merFöreläsning 10. Grafer, Dijkstra och Prim
Föreläsning 10 Grafer, Dijkstra och Prim Föreläsning 10 Grafer Representation av grafer Dijkstras algoritm Implementation av Dijkstras algoritm Minimium spanning tree Broarna i Königsberg, Euler, 17 Grafer
Läs merFörsättsblad till skriftlig tentamen vid Linköpings Universitet
Försättsblad till skriftlig tentamen vid Linköpings Universitet Datum för tentamen 23--8 Sal T Tid 4-8 Kurskod TSBB3 Provkod TEN Kursnamn/ Benämning Medicinska Bilder Institution ISY Antal uppgifter som
Läs 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 merFärgmeny. Utskriftsläge. Färgkorrigering. Tonersvärta. Manuell färg. Skriva ut. Använda färg. Pappershantering. Underhåll. Felsökning.
I n finjusterar du utskriftskvaliteten och anpassar färgerna så att de blir precis som du vill ha dem vid utskrift. Klicka på ett menyalternativ för mer information: 1 Färgkorrigering Manuell färg Utskriftsläge
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 merBlock 1 - Mängder och tal
Block 1 - Mängder och tal Mängder Mängder och element Venndiagram Delmängder och äkta delmängder Union och snittmängd Talmängder Heltalen Z Rationella talen Q Reella talen R Räkning med tal. Ordning av
Läs merKap 2. Sannolikhetsteorins grunder
Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser
Läs merTentamen i TSKS21 Signaler, information och bilder
1(12) Tentamen i TSKS21 Signaler, information och bilder Provkod: TEN1 Tid: 2017-06-09 Kl: 8:00 13:00 Lokal: G36 Lärare: Mikael Olofsson, tel: 281343 Besöker salen: 9 och 11 Administratör: Institution:
Läs mer