Histogramberäkning på en liten bild
|
|
- Karl Larsson
- för 5 år sedan
- Visningar:
Transkript
1 Signal- och Bildbehandling FÖRELÄSNING Histogram och tröskelsättning Binär bildbehandling Morfologiska operationer Dilation (Expansion) och Erosion () och kombinationer Avståndskartor Mäta avstånd i bilder Formfaktorer Kortaste vägen Konnektivitet Logiska omgivningsoperatorer Konnektivitetsbevarande krympning Konnektivitetsbevarande krympning till skelett Detektering av förgrenings- och ändpunkter Segmentering och etiketting Flood fill Teori: Kap.., 5 (början), 6 Maria Magnusson, Datorseende, Inst. för Systemteknik, Linköpings Universitet p. Histogramberäkning på en liten bild Bild f(x,y) Histogram p(f) 4 p. Histogrammet P(f) av en bild f(x,y) är en sannolikhetsfunktion som utsäger hur ofta en viss intensitetsnivå förekommer. for f=,,...,q- % Initiera histop(f):= % gram till end p. Olika histogram Kan tröskelsättas Fig. 5. p. 4 for (x,y)=(,),(,),...,(m,n) % Beräkna f(x,y) => p(f):=p(f)+ % histogram end for f=,,...,q- % Normera p(f):=p(f) / (M*N) % histogram end % (görs ibland) Kontinuerligt, bimodalt Diskret, bimodalt Diskret, ej bimodalt
2 filtrering tröskelsättning morfologiska op. labeling egenskaps- extrahering klassificering Tröskelsättning En gråskalebild f(x,y) b x, y = ቊ B om f x, y T tröskelsätts enligt: B om f x, y < T p. 5 kamera En Bildanalysmodell Segmentering p. 6 Gråskalebild f x, y p f b x, y T Ex) B=55, B= Ex) B=, B= Fig. 5.4 Fig.. Binär Bildbehandling Informationsreduktion Bild => Beskrivning resultat Morfologiska operationer Grundläggande morfologiska operationer Dilation (Expansion) Erosion () Opening (Öppning) = Erosion + Dilation Closing (Slutning) = Dilation + Erosion p. 7 Grundläggande morfologiska operationer Dilation (expansion) p. 8 Erosion (krympning)
3 p. 9 p. Opening = Erosion + Dilation erosion dilation Closing = dilation + erosion dilation erosion Tar bort små objekt och utskott (spurs) Återställer storleken Fyller igen små hål och sprickor Återställer storleken p. p. Opening följt av closing opening closing Closing följt av opening closing opening
4 p. p. 4 Nästan samma resultat! Strukturelement Binära filterkärnor brukar kallas strukturelement. De vanligaste strukturelementen är illustrerade nedan. Origo är markerat med en punkt. Opening följt av closing Closing följt av opening Dilation formell beskrivning p. 5 Erosion formell beskrivning Korrelation = faltning med ovikt kärna p. 6 a b = a b faltning b tröskling strukturelement strukturelement aθb = a b = A korrelation b Antal pixlar i struktur-elementet tröskling a Utbild a Utbild Strukturelement Inbild Fig. 6. Strukturelement Inbild Fig. 6. 4
5 Exempel: slutför denna dilation! p. 7 Exempel: slutför denna erosion! p. 8 a b = a b aθb = a b = A a b a b a b aθb p. 9 p. Strukturelementet d (4) Strukturelementet d (8) Expansion med detta strukturelement: Alla sidogrannar till objektet -ställs med detta strukturelement: Alla sidogrannar till bakgrunden -ställs Expansion med detta strukturelement: Alla sido- och hörngrannar till objektet -ställs med detta strukturelement: Alla sido- och hörngrannar till bakgrunden -ställs 5
6 Fig. 6.4 p. p. Strukturelementet d (okt) Räkneregler Expansion är kommutativ. (Jämför med faltning.) a b = b a Detta strukturelement ger en jämnare (oktagonal) expansion/krympning. Samma effekt kan erhållas genom att omväxlande använda d (4) och d (8). är inte kommutativ. ((Jämför med korrelation.)) (Antag att a och b är olika. Om a ryms i b så ryms b ej i a) aθb bθa Parallell implementation används bl a vid expansion, se bild Jobbar parallellt med en in-bild och en ut-bild. Appliceras på hela bilden i ett pass. Varje pixel påverkas bara av det område som täcks av strukturelementet. Rättfram implementation: Loopa över bilden, applicera hela strukturelementet, skriv resultatet i en ut-bild. p. Strukturelementet kan användas för att beräkna avstånd approximativt. Det finns olika metriker. Strukturelementet appliceras upprepade gånger på objektet (här en punkt). Notera iterationsnumret. Det ger ett avstånd till objektet. Vid varje iteration ökas avståndet med. p. 4 In-bild Ut-bild d (4) -metrik d (8) -metrik Här: avståndskartor utanför ett objekt. d (okt) -metrik: alternera d (4) och d (8) 6
7 Euklidisk avståndskarta Ger exakt avståndsmått. Kan inte implementeras med strukturelement. Implementerad i MATLAB tillsammans med d (4) och d (8) avståndskartor. d (4) och d (8) avståndskartor är snabbare att beräkna än en euklidisk avsåndskarta. En ganska snabb implementering föreslogs av Breu et al., p. 5 Avståndskartor inuti objekt. d (4) klar. Utför d (8) och d (okt) avståndskartering! d (4) : alla sido-grannar påverkas d (8) : alla sido- och hörngrannar påverkas p. 6 d (4) -metrik d (8) -metrik d (okt) -metrik p. 7 p. 8 Formfaktor Mäter kompaktheten hos ett objekt. PA = P 4πA Kompakt: PA = 6.4 Ickekompakt: PA = stor P = omkrets A = area Två sätt att mäta omkrets Tänk att figuren representerar ett samplat objekt. Det är därmed troligt att den undre varianten är ett bättre sätt att mäta omkretsen. Objektet är nästan runt och bör ha PA nära. P = = PA = 4π 9.68 P = Τ P PA = 4π 9.6 7
8 p. 9 p. Kortaste vägen Uppgiften är att förbinda cirkeln med fyrkanten. De grå pixlarna är hinder. Kortaste vägen, fortsättning En d (okt) avståndkarta genereras från cirkeln. p. Kortaste vägen, fortsättning Börja tracking från fyrkanten. Kontrollera de 8 grannarna. Välj den med lägst nummer. Om det är eller flera med samma låga värde, välj den närmaste, alltså inte diagonalen. Vilka grannar är sammanhängande? d (4) -konnektivitet: pixlar sitter ihop om de har angränsande sida d (8) -konnektivitet: pixlar sitter ihop om de har angränsande sida eller hörn p. d (4) -konnektivitet: objekt d (8) -konnektivitet: objekt 8
9 Repetera tills ingen förändring sker i 4 efterföljande faser. Konflikt mellan objekt och bakgrund d (4) -konn. objekt <=> d (8) -konn. bakgrund d (8) -konn. objekt <=> d (4) -konn. bakgrund d (4) -konnektivitet: objekt, sammanhängande bakgrund d (8) -konnektivitet: objekt med hål p. Logiska omgivningsoperatorer Andra namn: matchningskärnor, mönster Indata: Alla pixlar inom en omgivning, Utdata: En logisk funktion av dessa Exempel: Konnektivitetsbevarande krympning till punkt Tunning: Konnektivitetsbevarande krympning till skelett (Extraherar objektets mittlinje) Detektering av förgrenings- och ändpunkter p. 4 4-konnektivitetsbevarande krympning till punkt, matchningskärnor Fas : Fas : Fas : Fas 4: från väster från norr från öster från söder p. 5 Fig. 6.4 Konnektivitetsbevarande krympning till punkt, algoritm p. 6 Applicera matchningskärnorna i fas på inbilden. Vid matchning nollställ ut-bilden. in-bild := ut-bild Applicera matchningskärnorna i fas på inbilden. Vid matchning nollställ ut-bilden. in-bild := ut-bild Applicera matchningskärnorna i fas på inbilden. Vid matchning nollställ ut-bilden. in-bild := ut-bild Applicera matchningskärnorna i fas 4 på inbilden. Vid matchning nollställ ut-bilden. in-bild := ut-bild 9
10 4-konnektivitetsbevarande krympning till punkt, exempel = försvinner i fas = försvinner i fas, :a iterationen etc... = slutresultat Fas : från väster v p. 7 4-konnektivitetsbevarande krympning till skelett, matchningskärnor Fas : Fas : Fas : Fas 4: Fig. 6.4 från väster från norr från öster från söder p. 8 p. 9 4-konnektivitetsbevarande krympning till skelett, exempel = försvinner i fas, = försvinner i fas, etc... = slutresultat Fas : från väster Fas : Fas : Fas : Fas 4: 8-konnektivitetsbevarande krympning till punkt och skelett, matchningskärnor Fig. 6.7 Uteslutes vid krympning till skelett. p. 4
11 8-konnektivitetsbevarande krympning till skelett, exempel = försvinner i fas, = försvinner i fas, etc... = slutresultat Fas : från väster 4 p. 4 Fig. 6.9 Detektering av förgreningspunkter och ändslut ändslut förgreningspunkter p. 4 Original Efter tunning Detekterade ändslut och förgreningar Segmentering skiljer ut och etiketterar sammanhängande objekt Gråskalebild Segmenterad och etiketterad bild? p. 4 Segmenteringsalgoritmer Detektera objektets kanter, mm Tröskelsättning Regionsbaserad segmentering Region growing Region splitting and merging Watershed-segmentering Ett gemensamt slutsteg på en segmentering är ofta etikettering (labeling) Etikettering (labeling) Flood fill Snabb RB-algoritmen (Raster-scan Borderfollow) Ej riktigt så snabb Ger mer information kan vi redan idag senare projekt ingår ej p. 44
12 Etikettering (labeling) med Flood fill algoritmen Flood fill algoritmen fyller en sammanhängande region med etiketter (label-värden). Regionen specificeras med en godtycklig startpunkt från vilken algoritmen söker upp pixlarna i regionen och fyller dem med det specificerade label-värdet. En variant på Flood fill är denna: Put the start pixel on the stack. As long as the stack is not empty: Fetch a pixel p from the stack. Look to the right and to the left from p to locate the interval I of pixels on the row. Along I, check the pixels above and below the row. All pixels that are first in an interval are put on the stack. Fill the interval I with the label value. Fetch a new pixel p from the stack. p. 45 Etikettering (labeling) med Flood fill algoritmen, fortsättning Figuren illustrerar ett steg i algoritmen. Startpunkten är pixeln med den svarta punkten. Intervallet I för denna pixel är markerat med pilar. Raderna ovanför och under har undersökts. Fyra intervall har hittats. De startar på pixlarna markerade med grå punkter. Dessa fyra pixlar läggs på stacken. Sedan fylls intervallen och processen upprepas rekursivt tills stacken är tom. p. 46 p. 47 Etikettering (labeling) med Flood fill algoritmen, fortsättning Att applicera algoritmen på en binär bild är trivialt. Scanna bilden rad-för-rad och leta efter icke etiketterade pixlar. När en sådan pixel hittas, använd Flood fill algoritmen för att fylla hela regionen med ett unikt label-värde.
Signaler, information & bilder, föreläsning 15
Signaler, information & bilder, föreläsning 5 Michael Felsberg Computer Vision Laboratory Department of Electrical Engineering michael.felsberg@liu.se Översikt Histogram och tröskelsättning Histogramutjämning
Läs merSignaler, 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 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 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 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 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 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 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 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
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 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
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 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 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 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 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 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 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 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 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 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 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 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 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 merSignal- och bildbehandling TSBB03 och TSEA70
Tentamen i Signal- och bildbehandling TSBB03 och TSEA70 Tid: 004-08-10 kl. 8-1 Lokaler: TER1 Ansvarig lärare: Maria Magnusson Seger besöker lokalen kl. 9.00 och 10.45. tel 073-804 38 67 Hjälpmedel: Räknedosa,
Läs merSignal- och bildbehandling 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 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 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 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 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 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 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 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 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 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 merTSBB31 Medicinska bilder Föreläsning 3
TSBB3 Medicinska bilder öreläsning 3 D signalbehandling (bildbehandling) Den digitala bilden, ärgtabeller D kontinuerlig ouriertransorm och D DT D sampling D diskret altning Lågpassiltrerande D altningskärnor
Läs 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 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 merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 6: Binära beslutsdiagram (BDD) Henrik Björklund Umeå universitet 22. september, 2014 Binära beslutsdiagram Binära beslutsdiagram (Binary decision diagrams, BDDs)
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 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 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 merFöreläsning 12. Söndra och härska
Föreläsning 12 Söndra och härska Föreläsning 12 Söndra och härska Maximal delsekvens Skyline Closest pair Växel Uppgifter Söndra och härska (Divide and conquer) Vi stötte på dessa algoritmer när vi tittade
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 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 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 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 merLösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling
Lösning till tentamen i Medicinska Bilder, TSBB3, 26--28 Maria Magnusson (maria.magnusson@liu.se), Anders Eklund DEL : Grundläggande 2D signalbehandling Uppgift (3p) Translationsteoremet säger att absolutvärdet
Läs merKomposanter, koordinater och vektorlängd Ja, den här teorin gick vi igenom igår. Istället koncentrerar vi oss på träning inför KS3 och tentamen.
Sidor i boken 40-4 Komposanter, koordinater och vektorlängd Ja, den här teorin gick vi igenom igår. Istället koncentrerar vi oss på träning inför KS3 och tentamen. Läxa 1. En rät linje, L 1, skär y-axeln
Läs merM6x16 (Bild 6.1.) M8 (Bild 6.2.) M8x25
1. Markera först de horisontella punkterna A och B cirka en meter från golvet. Punkterna måste vara horisontella (använd ett vattenpass eller ett rör med vatten). Mät avståndet till golvet på bägge sidor.
Läs merMaterial till kursen SF1679, Diskret matematik: Lite om kedjebråk. 0. Inledning
Matematik, KTH Bengt Ek november 207 Material till kursen SF679, Diskret matematik: Lite om kedjebråk 0 Inledning Talet π (kvoten mellan en cirkels omkrets och dess diameter) är inte ett rationellt tal
Läs merFöreläsning 12. Söndra och härska
Föreläsning 12 Söndra och härska Föreläsning 12 Söndra och härska Maximal delsekvens Skyline Closest pair Växel Söndra och härska (Divide and conquer) Vi stötte på dessa algoritmer när vi tittade på sortering.
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 merSignaler, information & bilder, föreläsning 13
Signaler, inormation & bilder, öreläsning 3 Michael elsberg Computer Vision Laboratory epartment o Electrical Engineering michael.elsberg@liu.se Översikt signalbehandling (bildbehandling) en digitala bilden,
Läs 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 merRekursiva algoritmer sortering sökning mönstermatchning
Anders Haraldsson 1 Anders Haraldsson 2 Dagens föreläsning Programmering i Lisp Fö 6-7 Rekursiva strukturer rekursiva definitioner rekursiva funktioner rekursiva bevis: induktion - rekursion strukturell
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 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 merFöreläsning 11: Beräkningsgeometri
DD2458, Problemlösning och programmering under press Föreläsning 11: Beräkningsgeometri Datum: 2009-11-24 Skribenter: David Björklund, Christoer Lundell Johansson och Mårten Selin Föreläsare: Fredrik Niemelä
Läs merDatastrukturer. föreläsning 8. Lecture 6 1
atastrukturer föreläsning 8 Lecture 6 1 jupet-först sökning (S) och bredden-först sökning (S) Två metoder att genomsöka en graf; två grafiteratorer! Kan även användas för att avgöra om två noder är sammanbundna.
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 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 Broarna i Königsberg, Euler, 17 Grafer
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 merLaboration 3. Redovisning Uppgifterna skall vara demonstrerade och godkända av en handledare senast måndag 22/2.
Programmerade system I. Syfte Syftet med denna laboration är att få övning i att strukturera sina program genom att använda metoder och klasser, samt att få övning i att använda sig av fält och for-satsen.
Läs merTentamen, EDA501/EDAA20 Programmering M MD W BK L
LUNDS TEKNISKA HÖGSKOLA 1(6) Institutionen för datavetenskap Tentamen, EDA501/EDAA20 Programmering M MD W BK L 2017 05 31, 8.00 13.00 Anvisningar: Preliminärt ger uppgifterna 9 + 12 + 10 + 9 = 40 poäng.
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 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 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 Talmängder Heltalen Z Rationella talen Q Reella talen R Räkning med tal. Ordning av talen i R Intervall Absolutbelopp Olikheter 1 Prepkursen
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 merOptical Music Recognition
Optical Music Recognition Emil Brissman (emibr948) Dan Englesson (danen344) Tina Durmén Blunt (tindu519) Linköpings Universitet, Campus Norrköping 2010-10-17. Sammanfattning Att kunna översätta innehåll
Läs merFixpunktsiteration. Kapitel Fixpunktsekvation. 1. f(x) = x = g(x).
Kapitel 5 Fixpunktsiteration 5.1 Fixpunktsekvation En algebraisk ekvation kan skrivas på följande två ekvivalenta sätt (vilket innebär att lösningarna är desamma). 1. f(x) = 0. En lösning x kallas en rot
Läs merOptimering av kupmätare
AKADEMIN FÖR TEKNIK OCH MILJÖ Avdelningen för elektronik, matematik och naturvetenskap Optimering av kupmätare Automatisk igenkänning av egenskaper i brädors ändträ med bildbehandling Andreas Olsson 2016
Läs merMedicinska Bilder, TSBB31. Lab7: Mätningar på SPECT/CT-volymer
Medicinska Bilder, TSBB31 Lab7: Mätningar på SPECT/CT-volymer Maria Magnusson, 2012-2018 Avdelningen för Datorseende Institutionen för Systemteknik Linköpings Universitet 1 Introduktion I denna laboration
Läs 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 merMedicinska Bilder, TSBB31. Lab6: Mätningar på SPECT/CT-volymer
Medicinska Bilder, TSBB31 Lab6: Mätningar på SPECT/CT-volymer Maria Magnusson, 2012-2016 Avdelningen för Datorseende Institutionen för Systemteknik Linköpings Universitet 1 Introduktion I denna laboration
Läs 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 merTDDC74 Programmering: Abstraktion och modellering Datortenta , kl 14-18
TDDC74 Programmering: Abstraktion och modellering Datortenta - 017-10-7, kl 14-18 Läs alla frågorna först och bestäm dig för i vilken ordning du vill lösa uppgifterna. Uppgifterna är inte nödvändigtvis
Läs merDigitalitet. Kontinuerlig. Direkt proportionerlig mot källan. Ex. sprittermometer. Elektrisk signal som representerar ljud.
Analog Digitalitet Kontinuerlig Direkt proportionerlig mot källan Ex. sprittermometer Elektrisk signal som representerar ljud Diskret Digital Representation som siffror/symboler Ex. CD-skiva Varje siffra
Läs merLösningsförslag Inlämningsuppgift 1 elstatikens grunder
Inst. för fysik och astronomi 017-11-08 1 Lösningsförslag Inlämningsuppgift 1 elstatikens grunder Elektromagnetism I, 5 hp, för ES och W (1FA514) höstterminen 017 (1.1) Laddningen q 1 7,0 10 6 C placeras
Läs merTSBB31. En bild är en 2D signal. Exempel på färginnehåll i bilder p. 4. För en digital bild gäller. vitt. Fig. 1.1
TSBB3 Medicinska bilder Föreläsning 3 D signalbehandling (bildbehandling) Den digitala bilden, ärgtabeller D kontinuerlig ouriertransorm och D DFT D sampling D diskret altning Lågpassiltrerande D altningskärnor
Läs merEkvivalensrelationer
Abstrakt datatyp för disjunkta mängder Vi skall presentera en abstrakt datatyp för att representera disjunkta mängder Kan bl.a. användas för att lösa ekvivalensproblemet avgör om två godtyckliga element
Läs merMonte Carlo-metoder. Bild från Monte Carlo
Monte Carlo-metoder 0 Målen för föreläsningen På datorn Bild från Monte Carlo http://en.wikipedia.org/wiki/file:real_monte_carlo_casino.jpg 1 Begrepp En stokastisk metod ger olika resultat vid upprepning
Läs merCE_O3. Nios II. Inför lab nios2time
IS1200 Exempelsamling till övning CE_O3, 2015 CE_O3. Nios II. Inför lab nios2time 3.1. Logiska operationer (se uppgift 1.2 c) Repetera (eller lär dig) innebörden av de logiska operationerna "bitvis AND",
Läs merFöreläsning 5: Grafer Del 1
2D1458, Problemlösning och programmering under press Föreläsning 5: Grafer Del 1 Datum: 2006-10-02 Skribent(er): Henrik Sjögren, Patrik Glas Föreläsare: Gunnar Kreitz Den här föreläsningen var den första
Läs merTvå fall: q Tom sekvens: () q Sekvens av element: (a b c) ; (sum-rec '(2 4 6)) = 12. q Första elementet uppfyller vissa villkor: (2 a b c)
Programmönster: # Listan som sekvens, Rekursiv process Enkel genomgång av sekvens (element på toppnivån i en lista)) TDDC60 Programmering: abstraktion och modellering Föreläsning 5 Rekursiva och iterativa
Läs merUniversitetet i Linköping Institutionen för datavetenskap Anders Haraldsson 2
Anders Haraldsson 1 Anders Haraldsson 2 Dagens föreläsning Programmering i Lisp Fö 5 - Funktioner - lambda-uttryck (avs 7.1) - funcall och function (avs 7.2) - Högre ordningens funktioner (avs 7.) - Iteratorer
Läs merPROGRAMMERING-Java TENTAMINA
PROGRAMMERING-Java TENTAMINA Nicolina Månsson 2010-03-17 Tentamensinstruktioner Poängsättning Hela tentamen omfattar 42 poäng. Poäng för varje uppgift står angivet inom parentes före varje uppgift. - För
Läs merFöreläsning 11. Reglerteknik AK. c Bo Wahlberg. 8 oktober Avdelningen för reglerteknik Skolan för elektro- och systemteknik
Föreläsning 11 Reglerteknik AK c Bo Wahlberg Avdelningen för reglerteknik Skolan för elektro- och systemteknik 8 oktober 2014 Introduktion Förra gången: Alternativa regulatorstrukturer Dagens program:
Läs merKarta över Jorden - viktigt exempel. Sfär i (x, y, z) koordinater Funktionen som beskriver detta ser ut till att vara
Föreläsning 1 Jag hettar Thomas Kragh och detta är kursen: Flervariabelanalys 1MA016/1MA183. E-post: thomas.kragh@math.uu.se Kursplan finns i studentportalens hemsida för denna kurs. Där är två spår: Spår
Läs merDagens föreläsning Programmering i Lisp Fö 5
Anders Haraldsson 1 Dagens föreläsning Programmering i Lisp Fö 5 - Funktioner - lambda-uttryck (avs 7.1) - funcall och function (avs 7.2) - Högre ordningens funktioner (avs 7.3) - Iteratorer - Egenskaper
Läs merKomponentvisa operationer,.-notation Multiplikation (*), division (/) och upphöj till (ˆ) av vektorer följer vanliga vektoralgebraiska
Matlab-föreläsning 3 (4), 17 september, 2015 Innehåll Sekvenser (från förra föreläsningen) Upprepning med for-slingor och while-slingor Villkorssatser med if - then -else - Logik Sekvenser - repetion från
Läs merSortering. Intern/ extern? Antaganden. Vad kan vi kräva? Rank sort. Rank sort. På en nod/ distribuerad? Jämförelsebaserad/ icke jämförelsebaserad?
Sortering Föreläsning : Sorteringsalgoritmer Sortering: att ordna data i någon sekventiell ordning Sortering förekommer som del i många applikationer Kanonisk form för sorterat data? Skall den sorterade
Läs merUppgift 1 ( Betyg 3 uppgift )
2008-03-25.kl.14-19 Uppgift 1 ( Betyg 3 uppgift ) Du skall skriva ett program (en funktion), my_plot_figure, som läser in ett antal sekvenser av koordinater från tangentbordet och ritar ut dessa till en
Läs merProgrammering för avläsning och avkodning av QR-koder i MATLAB
ITN, Norrköping 4 december 2011 Programmering för avläsning och avkodning av QR-koder i MATLAB PROJEKT I AVANCERAD BILDBEHANDLING OCH BILDANALYS TNM034 Medlemmar: Henrik Bäcklund Anders Hedblom Niklas
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 mer