Signaler, information & bilder, föreläsning 14

Relevanta dokument
Signaler, information & bilder, föreläsning 14

Lågpassfiltrering. Signal- och Bildbehandling FÖRELÄSNING 8. Lågpassfiltrering

Signaler, information & bilder, föreläsning 12

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

TSBB31 Medicinska bilder Föreläsning 3

Signaler, information & bilder, föreläsning 13

Signaler, information & bilder, föreläsning 15

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 13

7 Olika faltningkärnor. Omsampling. 2D Sampling.

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

Signal- och bildbehandling TSBB03

Signal- och bildbehandling TSEA70

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

Spektrala Transformer för Media

Spektrala Transformer för Media

Signal- och bildbehandling TSBB03 och TSEA70

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

Signal- och bildbehandling TSBB03

Signaler, information & bilder, föreläsning 15

Signal- och bildbehandling

Signal- och bildbehandling TSBB14

Bildbehandling, del 1

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

Signal- och bildbehandling TSBB14

Signal- och bildbehandling TSEA70

Bildförbättring i frekvensdomänen (kap.4)

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

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

Signal- och bildbehandling TSBB14

Signal- och Bildbehandling FÖRELÄSNING 4. Multiplikationsteoremet. Derivatateoremet

Signal- och bildbehandling TSEA70

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

Försättsblad till skriftlig tentamen vid Linköpings Universitet

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

Bildbehandling En introduktion. Mediasignaler

Försättsblad till skriftlig tentamen vid Linköpings universitet R36 R37

Signal- och bildbehandling TSEA70

Signal- och bildbehandling TSBB03

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

Signal- och bildbehandling TSBB14

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

6 2D signalbehandling. Diskret faltning.

Signal- och bildbehandling TSBB03, TSBB14

Exempelsamling Grundläggande systemmodeller. Klas Nordberg Computer Vision Laboratory Department of Electrical Engineering Linköping University

Bildbehandling i frekvensdomänen. Erik Vidholm

Exempelsamling Grundläggande systemmodeller. Klas Nordberg Computer Vision Laboratory Department of Electrical Engineering Linköping University

Försättsblad till skriftlig tentamen vid Linköpings universitet G34

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

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

Facit till Signal- och bildbehandling TSBB

Signal- och bildbehandling TSEA70

Spektrala Transformer

Tentamen i TSKS21 Signaler, information och bilder

'LJLWDODELOGHUR KGLJLWDOELOGPDQLSXOHULQJ

Flervariabelanalys, inriktning bildbehandling, datorövning 3

Histogramberäkning på en liten bild

Teori... SME118 - Mätteknik & Signalbehandling SME118. Johan Carlson 2. Teori... Dagens meny

Försättsblad till skriftlig tentamen vid Linköpings Universitet

Resttentamen i Signaler och System Måndagen den 11.januari 2010, kl 14-19

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

Bildbehandling i spatialdomänen och frekvensdomänen

Spektrala Transformer

Bildbehandling i frekvensdomänen

Försättsblad till skriftlig tentamen vid Linköpings Universitet

Sammanfattning TSBB16

TNM030 -Sammanfattning Nathalie Ek, Sammanfattning. TNM030 - Bildbehandling och bildanalys

DT1120 Spektrala transformer för Media Tentamen

TSBB31 Medicinska bilder Föreläsning 1

TSBB16 Datorövning A Samplade signaler Faltning

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

MASKINDIAGNOSTIK. Rullningslager = 2. Φ d α, diameter mellan rullkontaktpunkterna z st. rullkroppar. Φ D m. ω RH. Φ d α. ω I

7 MÖNSTERDETEKTERING

11 Dubbelintegraler: itererad integration och variabelsubstitution

Lab 1: Operationer på gråskalebilder

LAB 3: Operationer på gråskalebilder

Signal- och bildbehandling TSBB14

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

eller uttryckt med funktionerna Lektion 5, Flervariabelanalys den 26 januari 2000 t + f t = f

Försättsblad till skriftlig tentamen vid Linköpings Universitet

Spektrala Transformer

Analys av funktioner och dess derivata i Matlab.

T1-modulen Lektionerna Radioamatörkurs OH6AG

EXEMPEL 1: ARTVARIATION FÖRELÄSNING 1. EEG frekvensanalys EXEMPEL 2: EEG

Laplace, Fourier och resten varför alla dessa transformer?

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

Kursanvisningar. Lektion 1 1 Repetition av vektoranalysens grunder. Skalära fält och vektorfält. KREYSZIG 9: Kapitel Kompendiet: Kapitel 1

Maclaurins och Taylors formler. Standardutvecklingar (fortsättning), entydighet, numerisk beräkning av vissa uttryck, beräkning

Kunna definiera laplacetransformen för en kontinuerlig stokastisk variabel. Kunna definiera z-transformen för en diskret stokastisk variabel.

Teorifra gor kap

TENTAMEN Kurs: HF1903 Matematik 1, moment TEN2 (analys) Datum: 29 okt 2015 Skrivtid 8:15 12:15

Innehåll. Innehåll. sida i

Signal- och bildbehandling TSBB14

Medicinska Bilder, TSBB31. Lab: Mätvärden på Medicinska Bilder

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

SF1635, Signaler och system I

Mätningar med avancerade metoder

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

Tentamen ssy080 Transformer, Signaler och System, D3

DT1130 Spektrala transformer Tentamen

Transkript:

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 Översikt D signalbehandling (bildbehandling) orts. Faltningskärnor Snonmer Lågpassiltrerade Faltningskärna Deriverande Filterkärna Högpassiltrerade Filter Omsampling Operator Kärna Introduktion D omsampling med olika interpolationsunktioner: linjär, närmsta granne, sinc, cubic Teori: Kap. 3.7, 3.8, 3.9, 3., Bgger på Maria Magnussons öreläsningar p. Vad är D ouriertransormen av /? Sätt dirac-spikar d(,)=d()d() på varje element i altningskärnan: Antag sampelavstånd D. Detta ger h, d D d d Dd / Tag D kontinuerlig Fouriertransorm H u, v e e v / cosdu / cos Du / D Hur beräknas D DFT:n av? Här är altningskärnan som [n,m]: Sätt in [n,m] i smmetriska varianten av DFT-ormeln: F j nk / N ml / M k, l n, m e e j... e.5cos N / n N / m N / k N l M j k N l M j M / k N l M e / k / N.5 cos k / N / m n...

Lågpassiltrerande altningskärna i -led (u-led) cos Du D här v / Fig. 3. u Lågpassiltrerande altningskärna i -led (v-led) cos Dv D här Fig. 3. v u / Lågpassiltrerande altningskärna i - och -led (u- och v-led) cos Du cos Dv D här = /6 * / / Dämpar höga rekvenser Fig. 3. Mer lågpassiltrerande altningskärna i - och -led (u- och v-led) D ucos Dv 6 cos binomialilter 66 D här (appro. 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 Derivering kan ses som altning med en deriveringsoperator Derivering = Faltning med deriveringsoperator! Antag att ouriertransormen av Fu ju Fu ju Fu ju Fouriertransormen av en deriveringsoperator är en rät linje! är F u, dvs En altningskärna vars ouriertransorm liknar en rät linje i ourierdomänen kan användas som deriveringsoperator! Motivering i spatialdomänen att är en deriveringsoperator - /D Från gmnasiet: Faltning, g=d*: D D D g samma! D D D D 3

Motivering i ourierdomänen att är en deriveringsoperator - /D Sätta dirac-impulser på varje element i altningskärnan med sampelavstånd D h, d D d D d / Tag kontinuerlig Fouriertransorm H D u, v e e v / D j sindu / D ju då u Den liknar en rät linje ör låga rekvenser. Den beräknar derivatan bra ör låga rekvenser och dämpar höga rekvenser. Deriverande (och lågpassiltrerande) altningskärna i -led (u-led) j sin Du D här - /D / D, v centrala -dierenser Fig. 3.7 u Deriverande (och lågpassiltrerande) altningskärna i -led (v-led) j sin Dv D här - /D centrala -dierenser / D, v Fig. 3.7 u Deriverande altningskärna i -led (u-led) med lågpass-eekt i båda ledder Sobel- - - = - /8D - * /D /D Du cos Dv j sin D här / D, Fig. 3.7

-8=svart 7=vitt =svart 55=vitt Deriverande altningskärna i -led (v-led) med lågpass-eekt i båda ledder Sobel- = - - - /8D * /D - /D Dv cos Du j sin D här / D, Fig. 3.7 Deriverande altning, gråskale - bipolär ärgtabell: ärgtabell: svart -8 blå 7 grå vit 55 vit 7 röd alta med - - - /8D - - - /8D,, Beloppet av gradienten tar ram kanter i bilden Inbild Beloppet av gradienten Derivering och kantdetektering Jm Fig. 3.8 :original,,,,,,, 5

Rotationsinvarians önskvärt: derivata-ilter-par är rotationsinvariant kantstrkan, absolutbeloppet av gradienten, inte bero av kantens rotationsläge,,, Med centrala dierenser Med Sobelparet Färgtabell: Vit = Svart = positivt värde Olika derivata-ilter - /D - 6-6 /8D - /D Ett ilter med centrum mellan pilarna Fig. 3.5 Linjär diskret altning då centrum är mellan pilarna - * = - /D / /D * = - /D / basilter (Haar wavelets) - /D Ett idealt Laplace-ilter beräknar :aderivatan i - och -led Laplaceoperatorn: Fouriertransorm:, u v är ett kratigt högpassilter i,, u v - och - led 6

Faltningskärna som approimerar det ideala Laplace-iltret,, / D e e / D cosdu / D sin Du / D - = /D - /D + - /D sin Du sin Dv D Fig. 3.9 - - multiplicerat på det approimativa Laplace-iltret ger ett högpassilter - - = - /D Spatialdomän - - /D Laplace, negativ + - - /D Fourierdomän Fig. 3.9 E) användning av Laplace, negativ: Erhåll en bild med tdligare detaljer Introduktion: Generell omsampling Fig. 3. Sådana här distorsioner har t e Satellitbilder Vissa mikroskop Vissa röntgenbildörstärkare Vidvinkelkamerabilder Fig.. 7

Omsampling består av... ) Faltning med en interpolations-unktion på den samplade signalen ger en kontinuerlig signal. ) Sampling av den kontinuerliga signalen. Fig.. (Linjär) Interpolation Sätt D=. Fltta interpolationsunktionen till den intressanta positionen. Interpolationsunktioner är jämna => betrakta bara avstånd värde.5.75.5.75.5.5.875 I verkligheten beräknas den kontinuerliga unktionen endast i den omsamplade signalens samplingspunkter. Notera att samplen viktas med - avståndet! Fig..5 p. 3 p. 3 E) Linjär interpolation E) Närmsta granne interpolation Uppsampling en aktor 3 Uppsampling en aktor 3 8

Fig..6 Fig..7 Uppsampling, ideal Fouriertransormen av linjära och närmsta granne interpolationsunktionerna D Dsinc Du Fouriertransormen av sinc Ger lågpassiltering D DsincDu Fouriertransormen av sinc Kan ge vikningsdistorsion eter omsampling p. 36 Interpolationsunktioner Närmsta granne interpolation Linjär interpolation Trunkerad sinc interpolation Sinc interpolation bättre snabbare Men cubic spline interpolation kan vara både snabbare och bättre än trunkerad sinc interpolation! E) Cubic spline interpolation Uppsampling en aktor 3 9