Signaler, information & bilder, föreläsning 12

Relevanta dokument
Signaler, information & bilder, föreläsning 13

TSBB31 Medicinska bilder Föreläsning 3

Signal- och Bildbehandling FÖRELÄSNING 7. En bild är en 2D signal. För en digital bild gäller. Fig. 2.1

Signaler, information & bilder, föreläsning 13

TSBB31. En bild är en 2D signal. Exempel på färginnehåll i bilder p. 4. För en digital bild gäller. vitt. Fig. 1.1

Signaler, information & bilder, föreläsning 14

Signaler, information & bilder, föreläsning 14

Lågpassfiltrering. Signal- och Bildbehandling FÖRELÄSNING 8. Lågpassfiltrering

Signal- och Bildbehandling FÖRELÄSNING 7. En bild är en 2D signal 1D: f(t) är en funktion f som beror av tiden t. För en digital bild gäller

Signaler, information & bilder, föreläsning 15

Signal- och Bildbehandling FÖRELÄSNING 4. Multiplikationsteoremet. Derivatateoremet

Bildförbättring i spatial domänen (kap. 3) Bildförbättring (enhancement) Spatial domän. Operatorer. Tröskling (threshold) Gråskale-transformationer

Medicinska bilder. Programkurs 6 hp Medical Images TSBB31 Gäller från: 2018 VT. Fastställd av. Fastställandedatum

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

7 MÖNSTERDETEKTERING

Signal- och bildbehandling TSEA70

7 Olika faltningkärnor. Omsampling. 2D Sampling.

Signal- och bildbehandling TSEA70

Signal- och bildbehandling TSEA70

Försättsblad till skriftlig tentamen vid Linköpings universitet TER1(17) TERE(1)

Spektrala Transformer

'LJLWDODELOGHUR KGLJLWDOELOGPDQLSXOHULQJ

Spektrala Transformer för Media

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

Spektrala Transformer för Media

Signal- och bildbehandling TSBB14

Signal- och bildbehandling TSBB03 och TSEA70

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

Bildbehandling i frekvensdomänen. Erik Vidholm

Tentamen SF1626, Analys i flera variabler, Svar och lösningsförslag. 2. en punkt på randkurvan förutom hörnen, eller

Signaler, information & bilder, föreläsning 15

En bijektion mellan två mängder A och B som har ändligt antal element kan finnas endast om mängderna har samma antal element.

Signal- och bildbehandling TSBB14

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

Facit till Signal- och bildbehandling TSBB

Signal- och bildbehandling TSEA70

Stokastiska variabler

Signal- och Bildbehandling, TSBB14. Laboration 2: Sampling och rekonstruktion. DFT.

Bildbehandling En introduktion. Mediasignaler

arcsin(x) udda ( x) varken udda eller jämn alla reella tal ( 0, ) 1. y=a 1 x udda/jämn Värdemängd derivatan Definitionsmängd Arcusfunktioner

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

Ansiktsigenkänning med MATLAB

TSBB31 Medicinska bilder Föreläsning 1

SF1625 Envariabelanalys Lösningsförslag till tentamen

Föreläsningsanteckningar och övningar till logik mängdlära

Försättsblad till skriftlig tentamen vid Linköpings universitet G35(18) TER4(12)

RELATIONER OCH FUNKTIONER

Signal- och bildbehandling TSBB03, TSBB14

Tentamen i tmv036c och tmv035c, Analys och linjär algebra C för K, Kf och Bt A =, = det(a λi) = e 2t + c 2. x(t) = c 1. = c 1.

SF1626 Flervariabelanalys Tentamen 18 augusti 2011, Svar och lösningsförslag

Material till kursen SF1679, Diskret matematik: Lite om kedjebråk. 0. Inledning

Spektrala Transformer

ARCUSFUNKTIONER. udda. arcsin(x) [-1, 1] varken udda eller jämn udda. arccos(x) [-1, 1] [ 0, π ] arctan(x) alla reella tal π π. varken udda eller jämn

TATA42: Föreläsning 7 Differentialekvationer av första ordningen och integralekvationer

e = (e 1, e 2, e 3 ), kan en godtycklig linjär

Tentamen i Matematisk analys MVE045, Lösningsförslag

Signal- och bildbehandling TSBB03

Signal- och Bildbehandling, TSBB14. Laboration 2: Sampling och Tidsdiskreta signaler

Laboration 4: Digitala bilder

Lösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling

(x + 1) dxdy där D är det ändliga område som begränsas av kurvorna

Signal- och bildbehandling TSEA70

Tisdag v. 2. Speglingar, translationer och skalningar

1. För vilka värden på konstanterna a och b är de tre vektorerna (a,b,b), (b,a,b) och (b,b,a) linjärt beroende.

Signal- och bildbehandling TSBB03

Dagens teman. Mängdlära forts. Relationer och funktioner (AEE 1.2-3, AMII K1.2) Definition av de naturliga talen, Peanos axiom.

MR-laboration: design av pulssekvenser

Y=konstant V 1. x=konstant. TANGENTPLAN OCH NORMALVEKTOR TILL YTAN z = f ( x, LINEARISERING NORMALVEKTOR (NORMALRIKTNING) TILL YTAN.

4x 2 dx = [polynomdivision] 2x x + 1 dx. (sin 2 (x) ) 2. = cos 2 (x) ) 2. t = cos(x),

SF1625 Envariabelanalys Lösningsförslag till tentamen DEL A

Spektrala Transformer

= 0. Båda skärningsvinklarna är således π/2 (ortogonala riktningsvektorer).

= e 2x. Integrering ger ye 2x = e 2x /2 + C, vilket kan skrivas y = 1/2 + Ce 2x. Här är C en godtycklig konstant.

TNM030 Tentasammanfattning (frågor) Nathalie Ek, Sammanfattning. TNM030 - Bildbehandling och bildanalys

Dubbelintegraler och volymberäkning

Sammanfattning av ordinära differentialekvationer

ÖVN 2 - DIFFERENTIALEKVATIONER OCH TRANSFORMMETODER - SF1683. Inofficiella mål

MMA127 Differential och integralkalkyl II

SF1633, Differentialekvationer I Tentamen, torsdagen den 7 januari Lösningsförslag. Del I

Lösningsförslag till tentamen Torsdag augusti 16, 2018 DEL A

FÖRELÄSNING 13: Analoga o p. 1 Digitala filter. Kausalitet. Stabilitet. Ex) på användning av analoga p. 2 filter = tidskontinuerliga filter

5 Linjär algebra. 5.1 Addition av matriser 5 LINJÄR ALGEBRA

Kompletterande räkneuppgifter i Spektrala Transformer Komplex analys, sampling, kvantisering, serier och filter Laura Enflo & Giampiero Salvi

Signal- och bildbehandling TSBB14

Uppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 11-14, 16/11-28/

SF1626 Flervariabelanalys Lösningsförslag till tentamen DEL A

SF1635, Signaler och system I

Flervariabelanalys I2 Vintern Översikt föreläsningar läsvecka 2

Bildförbättring i frekvensdomänen (kap.4)

SF1646 Analys i flera variabler Tentamen 18 augusti 2011, Svar och lösningsförslag

A dt = 5 2 da dt + A 100 =

SF1625 Envariabelanalys

Chalmers tekniska högskola Datum: kl Telefonvakt: Christoffer Standard LMA515 Matematik KI, del B.

TEM Projekt Transformmetoder

Institutionen för Matematik. SF1625 Envariabelanalys. Lars Filipsson. Modul 1

Diskret matematik: Övningstentamen 1

Formelsamling. i kursen Medicinska Bilder, TSBB31. 1D och 2D Fouriertransformer, samt några formler för CT, SPECT, mm

Lösning till tentamen i SF1633 Differentialekvationer I för BD, M och P, , kl

Lösningsförslag envariabelanalys

Bildbehandling i spatialdomänen och frekvensdomänen

Transkript:

Signaler, inormation & bilder, öreläsning Michael Felsberg Computer Vision Laboratory epartment o Electrical Engineering michael.elsberg@liu.se Översikt signalbehandling (bildbehandling) en digitala bilden, ärgtabeller kontinuerlig ouriertransorm och FT sampling diskret altning, cirkulär Lågpassiltrerande altningskärnor Teori: Kap., 3.-3.8, 3. Bygger på Maria Magnussons öreläsningar En bild är en signal : (t) är en unktion som beror av tiden t. : (x,y) är en unktion som beror av de spatiella (rums-) koordinaterna x och y. Ex) y sin x y y svart y vitt Fig.. För en digital bild gäller En digital bild är en samplad -unktion. Samplen kallas pixlar (pixels, picture elements). Antalet pixlar = bildens storlek. Vanliga storlek: 5x5= 8 =.5 Mpixel. H, 9x8 = Mpixel Otast är samplen kvantiserade i intervallet [,55]. essa värden översätts via en ärgtabell i datorn till gråskalevärden, dvs ->svart och 55->vitt eller indexerade ärger (pseudo-ärg, ärgtabell)

För en digital bild gäller Ibland är samplen lyttalsvärden. essa transormeras till intervallet [,55] och vidare via ärgtabell i datorn En äkta ärgbild har 3 st värden per pixel e transormeras var ör sig till intervallet [,55] Sedan vidare ut på datorns röda, gröna respektive blåa kanal Vilket möjliggör 56 3 =67776 6,8 miljoner ärger Flyttalsvärden i intervallet [,] kan gamma-korrigeras -> γ I vissa all inns det en järde kanal ör transparensen, s.k. alakanal et kan även användas andra ärgmodeller, t ex YCbCr (Y: luminans, Cb: blådierens, Cr: röddierens) PET-bild av hjärna Pseudo-ärgbild Äkta ärgbild gråskalebild Bildstorlek: 7x pixlar Bildstorlek: 7x pixlar pixelormaktor : zoom zoom

Vanlig gråskaleärgtabell gamma transormation Pixelvärde (x,y) Linjär transormation : : : 55: R 55 G 55 B 55 Ut på skärmen 56 ärger I denna kursen jobbar vi mest med gråskaleärgtabellen. Pseudo-ärgtabell Pixelvärde (x,y) godtycklig transormation : : : 55: R G B??? Ut på skärmen 56 ärger Ex ) En PET-bild kan visa var det är aktivitet i hjärnan. Hög aktivitet kan visas röd och låg aktivitet kan visas blå. Ex) Användbart t ex när vi vill visa negativa värden blå och positiva värden röda. gamma transormation Linjär transormation Äkta ärgtabell : : : 55: R 55 Ut på skärmens röda kanal Pixelvärde [ r (x,y), g (x,y), b (x,y)] Linjär transormation : : : 55: G 55 Ut på skärmens gröna kanal Linjär transormation : : : 55: Över 6 miljoner ärger B 55 Ut på skärmens blåa kanal kontinuerlig ouriertransorm j xu yv y Fu, v ye dx dy ouriertransorm 3.3 j xu yv Fu, v y Fu, ve du dv invers ouriertransorm 3. 3

ouriertransormen är separabel en kan beräknas örst i ena ledden och sen i andra ledden: F j xu yv u, v ye F dx dy jyv jxu ye dy e dx 3.3 ouriertransorm i y - led v Fouriertransormen av en reell unktion är hermitisk F Realdelen är jämn och imaginärdelen är udda. F u, v F u, v et går att visa på liknande sätt som ör. u, v F u, v Fu, v F u, v Amplitudspektrum är symmetriskt i origo. 3.7 se Fig. 3. En bild med amplitudspektrum Amplitudspektrum är spegelsymmetriskt e låga rekvenserna dominerar Realdel och Imaginärdel av Fouriertransormen Realdelen är jämn Imaginärdelen är udda Fig. 3. Fig. 3.

Teorem och samband Teoremen ör -ouriertransorm, bl a skalnings-, altnings-, translations- och derivata-teoremet gäller även i. -unikt teorem ör generell linjär transorm: Teorem och samband Separabla unktioner ger separabel ouriertransorm: y gxhy Fu, v Gu H v rotation som specialall: FT Pythonkommando: F = np.t.t() F j nk / N ml / M k, l n, m e n, m MN Obs: i Python F N M n m N M j nk / N ml / M F k, l e k l Sparas i row-major ormat Notera dock att den symmetriska varianten ota är att öredra i bild-sammanhang: F = np.t.tshit(np.t.t(np.t.itshit())) k, l F[l,k] och n, m [m, n] Teorem och samband Teoremen ör FT motsvarar kontinuerliga allet. Notera att multiplikation i FT-domänen motsvarar cirkulär altning i spatialdomänen. 5

Fig. 3.5a sampling av (x,y) Ingen vikningsdistorsion! sampling av (x,y) Vikningsdistorsion! Fig. 3.3 Fig. 3. Illustration vikningsdistortion 6

Fig. 3.5b size: x8 size: x8 Samband mellan samplad kontinuerlig ouriertransorm och FT Fig. 3.7 oändlig periodisk, periodisk, periodisk Relationen mellan kontinuerlig rekvens u, v och diskret rekvens k, l står i (3.3). N, M är antalet u k N sampelpunkter och är sampelavståndet. 3.3 v l M g g altning x y h y hx, y, d d Kontinuerlig 3.5 y h y hx, y, Linjär diskret 3.7 g, N M y h N y hx, y N, Cirkulär diskret 3.8 linjär diskret altning g y h y hx, y, Spegla h i x- och y-axeln = rotera 8 o. Glid med den speglade h över. Multiplicera och summera överlappande värden. etta ger g. skillnad till Python: signal.convolved() korrelation - - - - * = - - - - - y y gx y h, 7

Bildstorlek vid linjär diskret altning valid : Värden utanör inbilden anses odeinierade => Utbilden blir mindre än inbilden. ull : Värden utanör inbilden anses vara => Utbilden blir större än inbilden. Eller lika stor om de extra värdena slängs ( same ) Fig. 3.8 Vad är ouriertransormen av? Sätt dirac-spikar d(x,y)=d(x)d(y) på varje element i altningskärnan. Antag sampelavstånd. etta ger hx d x d xd d y Tag kontinuerlig Fouriertransorm H Byt / ju ju u, v e e v t x, y, u, v, T / cos u / cos u / Lågpassiltrerande altningskärna i x-led (u-led) cos u här y x / v Fig. 3. u Lågpassiltrerande altningskärna i y-led (v-led) cos v här Fig. 3. y v x u / 8

Lågpassiltrerande altningskärna i x- och y-led (u- och v-led) cos u cos v här = /6 * / / ämpar höga rekvenser Fig. 3. Mer lågpassiltrerande altningskärna i x- och y-led (u- och v-led) ucos v 6 cos binomialilter 66 här (approx. Gauss-ilter) 6 36 6 = 66 6 /56 * /6 /6 Fig. 3. Lågpassiltrering Jämör med Fig. 3.3 * 6 66 6 36 6 66 6 /56 Lågpassiltrering i Fourierdomänen Jm Fig. 3.3 9

Filtrering via multiplikation i FTdomänen ger cirkulär altning cirkulär altning kan örberäknas Sker via multiplikation i ourierdomänen. Utbilden blir lika stor som inbilden. g N h N m g n h m nn.59 n cirkulär altning och N N operation, dvs h där N noterar betecknar modulo kan uppattas som periodiskt upprepad eller cirkulär. et gäller : FTg N h m G k H k Bevis inns i kompendiet ör den intresserade. Python : signal.tconvolve() Fig. 3.9 cirkulär altning Ex) Linjär och Cirkulär altning * * = = Alltså: För att cirkulär altning ska ge samma resultat som vanlig linjär altning kan zero-padding behövas. Inbild Medelvärdesbildande altningskärna Storlek 5x5 Utbild eter linjär altning Utbild eter cirkulär altning