Filtracja w domenie przestrzeni
|
|
- Filip Dawid Świderski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Filtracja w domenie przestrzeni 1 Filtracja Filtracja liniowa jest procesem splotu (konwolucji) obrazu z mask (ltrem). Dla dwuwymiarowej i dyskretnej funkcji ltracja dana jest wzorem: L2(m, n) = (w L1)(m, n) = L1(m p, n q)w(p, q), (1) p,q MF gdzie w(p,q) - maska ltru MF Do ltracji sªu»y polecenie imfilter(obraz, maska, opcje); Dost pne opcje s pogrupowane w 3 kategoriach: Opcje zwi zane z brzegiem obrazu: X - punkty le» ce na zewn trz obszaru, a pokryte mask, maj przypisan warto± X. Domy±lnie X=; 'symmetric' - potrzebne obszary s tworzone poprzez odbicie symetryczne 'replicate' - potrzebne obszary s tworzone poprzez kopiowanie brzegowych warto±ci 'circular' - potrzebne obszary s doklejane cyklicznie Opcje zwi zane z rozmiarem wyj±ciowym: 'same' - obraz wyj±ciowy ma taki sam rozmiar jak wej±ciowy 'full' - obraz wyj±ciowy jest wi kszy ni» wej±ciowy algorytm ltracji 'corr' - ltracja jest dokonywana z wykorzystaniem funkcji korelacji. 'conv' - wielowymiarowa ltracja z wykorzystaniem splotu. Poprzez mask nale»y rozumie macierz o wymiarach PxQ (najcz ±ciej kwadratow o nieparzystym wymiarze), której element centralny wskazuje punkt obrazu cyfrowego podlegaj cemu ltracji. 1.1 Rodzaje ltracji Filtracj mo»na podzieli na wzgl dem kilku kryteriów: wg pasma przepuszczania: np. dolno-, górno-, pasmoprzepustowe; wg liniowo±ci: liniowe i nieliniowe. wg istnienia uprzywilejowanych kierunków dziaªania: izotropowe, anizotropowe 2 Filtracja liniowa 2.1 Filtracja dolnoprzepustowa Przypisuj one elementowi centralnemu ±redni z obszaru pokrytego mask. Stosuje si do tego maski typu: MF=ones(3)/9, MF=ones(5)/25. Dziaªanie tego rodzaju ltru powoduje na ogóª rozmycie kraw dzi, generalizacj obrazu oraz zaw»enie zakresu intensywno±ci. Cech charakterystyczn tej ltracji jest,»e suma elementów maski równa si 1. Najcz - ±ciej spotykane maski bazuj na ±redniej wa»onej, gdzie waga elementu centralnego jest wi ksza od pozostaªych, np. MF=1 1 1; 1 2 1; 1 1 1/1. 1
2 2.2 Filtracja górnoprzepustowa Filtracja górnoprzepustowa sªu»y do wyeksponowania detali i zmienno±ci na obrazach, takich jak kraw dzie, naro»niki, pojedyncze punkty. Wykorzystuje si do tego pierwsze i drugie pochodne intensywno±ci. Najcz ±ciej u»ywanymi operatorami s : gradienty Robertsa, Sobela czy Prewitta oraz laplasjany Operator Prewitta Operator ten jest oparty o pierwsz pochodn. Wykorzystuje on nast puj ce maski (po lewej maska horyzontalna, po prawej wertykalna): Operator Sobela Operator ten jest oparty o u±rednion pochodn dyskretn, gdzie warto± pochodnej liczonej przez ±rodek ma dwukrotnie wieksz wag ni» pochodne liczone z elementów s siaduj cych. Wykorzystuje on nast puj ce maski (po lewej maska horyzontalna, po prawej wertykalna): Operator Robertsa Operatory Robertsa to osiem masek, obracanych o 45 stopni wzgl dem siebie Operator Nevatia-Babu Operator Nevatia-Babu bazuje na obszarze 5x5 i wyznacza gradienty dla kierunków o, 3 o i 6 o (od lewej do prawej)
3 2.2.5 Operator Kirscha Operator Kirscha polega na przypisaniu elementowi centralnemu warto±ci maksymalnej z ltracji o±mioma maskami, obróconymi wzgl dem siebie o 45 o. Pozwala to lepiej wyodr bni maksymaln amplitud z o±miu kierunków ltracji. Pierwsze trzy maski dane s nast puj cymi tablicami: MF = Skªadanie ltracji MF MF Ze wzgl du na kierunkowo± masek (ich anizotropowo± ), w celu wykrycia wszystkich kraw dzi na obrazie konieczne jest skªadanie wyników ltracji, uzyskanych w wyniku dziaªania ortogonalnych masek. Do najcz ±ciej spotykanych metod skªadania mo»na zaliczy : wg Normy L2 - warto± ltracji uzyskujemy w wyniku zªo»enia przy u»yciu normy Euklidesowej obrazów po ltracji: ( ) I 2 ( ) I 2 W ynik = + (2) x y wg Normy L1 - warto± ltracji uzyskujemy w wyniku zªo»enia przy u»yciu normy maksimum obrazów po ltracji: ( ) I W ynik = max x, I y (3) ±rednia arytmetyczna wyników dwóch ltracji ortogonalnych Laplasjany Lapsjan jest kombinacj drugich pochodnych cz stkowych funkcji I(m,n): (wyostrzaj ce, gradientowe): L(x, y) = 2 I(x, y) x I(x, y) y 2 (4) Suma elementów maski laplasjanów mo»e by równa (wykrywanie kraw dzi) lub 1 (wyostrzanie obrazu). Jest to ltracja izotropowa. Do najcz ±ciej spotykanych masek laplasjanów zaliczamy:
4 2.3 fspecial Polecenie fspecial(typ, parametry) tworzy maski specjalne. Do parametrów funkcji fspecial nale» : ('average', rozmiar) ltr u±redniaj cy. Warto± domy±lna to 3 3. Maska ltru jest liczona wedªug wzoru: h = ones(n, M)/(N M) (5) ('disk', promie«) u±redniaj ca maska koªowa. Promie«domy±lnie = 5; ('gaussian', rozmiar, sigma) dolnoprzepustowy ltr gaussowski o symetrii koªowej. Warto±ci domy±lne to 3 3 i σ =.5. Maska ltru h jest tworzona w nast puj cy sposób: h g (n 1, n 2 ) = exp (n2 1 + n2 2 ) 2σ 2 (6) h(n 1, n 2 ) = h g (n 1, n 2 ) n 1 n 2 h g (n 1, n 2 ) ('laplacian', alpha) dwuwymiarowy laplasjan, α (, 1), domy±lnie.2. Maska jest tworzona w nast puj cy sposób: 2 = 2 x y 2 1 α 1 α α 1 α 4 1 α α + 1 α 1 α α ('log', rozmiar,sigma) laplasjan ltru gaussowskiego. Rozmiar domy±lny to 5 5,a σ =.5. Filtr h jest tworzony z wykorzystaniem wzoru 6: h(n 1, n 2 ) = (n2 1 + n2 2 2σ2 )h g (n 1, n 2 ) 2πσ 6 n 1 n 2 h g (8) ('motion', len, theta) aproksymacja przesuwania si kamery. Len okre±la dªugo± przesuni cia (9) pod k tem θ (domy±lnie k t=) 'prewitt', 'sobel' - horyzontalna maska Prewitta, Sobela ('unsharp', alpha) - ltr rozmywaj cy, dziaªanie odwrotne do laplasjanu. Filtr jest tworzony na podstawie wzoru: h = 1 α Operatory kraw dziowe kolorowe α α 1 α α 1 α + 5 α 1 α α 1 α Filtracja realizowana jest jako suma ró»nic trzech par punktów le» cych symetrycznie wzgl dem punktu centralnego. Ró»nic dwóch D punktów P1(R,G,B) i P2(R,G,B) mo-»emy zdeniowa na 4 sposoby 1 : 1. z wykorzystaniem normy Euklidesowej: D(P 1, P 2) = (R1 R2) 2 + (G1 G2) 2 + (B1 B2) 2 (9) 1 Opis kolorowych operatorów kraw dziowych oraz dziaªania ltru Canny pochodzi z: Kasprzak, W. (29), Rozpoznawanie obrazów i sygnaªów mowy, Ocyna Wydawnicza Politechniki Warszawskiej, Warszawa (7) 4
5 2. z wykorzystaniem normy L1: D(P 1, P 2) = R1 R2 + G1 G2 + B1 B2 (1) 3. jako maksimum z warto±ci bezwzgl dnych poszczególnych skªadowych: D(P 1, P 2) = max ( R1 R2, G1 G2, B1 B2 ) (11) 4. jako ±rednia wa»ona warto±ci bezwzgl dnych ró»nic poszczególnych skªadowych: D(P 1, P 2) = ω 1 R1 R2 + ω 3 G1 G2 + ω 3 B1 B2 (12) 3 Filtracja nieliniowa Istnieje równie» caªa gama ltrów, których dziaªanie zale»y od np. uporz dkowania obrazu. S to np. ltry medianowe, maksymalizuj ce, minimalizuj ce czy entropii, które przypisuj ltrowanemu punktowi odpowiednio median, maksimum, minimum i entropi z obszaru pokrytego mask. W pakiecie MatLAB 214b zostaªy zdeniowane nast puj ce metody ltracji: medfilt2(obraz, rozmiar); - ltracja medianowa rangefilt(obraz, zasi g) - zwraca ró»nic pomi dzy maksimum i minimum intensywno±ci dla pikseli otoczenia zdeniowanych w tablicy zasi g, np. ones(3). entropyfilt(obraz, zasi g); - zwraca warto± entropii E w blokach o zadanym rozmiarze (domy±lnie 9x9 pikseli), obliczon wg wzoru: N E = log p(n) p(n) (13) n= N - ilo± poziomów intensywno±ci p(n) - prawdopodobie«stwo wyst pienia piksela o intensywno±ci n stdfilt(obraz, zasi g) - dla ka»dego piksela zwraca warto± odchylenia standardowego z otoczenia. 3.1 Operacje blokowe Inn mo»liwo±ci tworzenia ltrów nieliniowych s tzw. operacje blokowe. Do implementacji tego typu ltrów sªu» polecenie nlfilter(obraz, rozmiar, funkcja), np.: nlfilter(obraz, 3 3, 'min(x(:))'). Cechuj si one znacznie dªu»szym czasem dziaªania ni» gotowe funkcje, dlatego je»eli istniej gotowe funkcje ltruj ce (jak np. medfilt2), nale»y z nich korzysta, a operacje blokowe stosowa tylko w ostateczno±ci. 3.2 Funkcja edge Do wykrywania naro»y mo»e równie» sªu»y funkcja edge(obraz, 'metoda', parametry). Funkcja ta na wej±ciu przyjmuje obraz monochromatyczny, a zwraca map logiczn, gdzie warto± logiczn "1" ma wykryty naro»nik. Funkcja ta posiada 6 metod detekcji kraw dzi (zarówno liniowych, jak i nieliniowych): 5
6 edge(obraz,'sobel', próg, 'kierunek', 'opcje'). Wykorzystuje ona mask Sobela. Dozwolone s nast puj ce kierunki: 'horizontal', 'vertical', 'both'. Do opcji zaliczamy operacj 'thinnning' i 'nothinning' edge(obraz,'prewitt', próg, 'kierunek'). Operator Prewitta, parametry analogicznie do Sobela. edge(obraz,'roberts', próg, 'kierunek', 'opcje') - ltracja wykorzystuj ca operator Robertsa. edge(obraz,'log', próg, sigma) - Laplasjan metody Gaussa. Parametr sigma okre±la standardowe odchylenie metody. Warto±ci domy±ln jest 2. Wielko± maski ltru (n n) jest liczona wedªug wzoru: n = ceil(σ 3) edge(obraz,'zerocross', próg, filtr_h) edge(obraz, 'canny', θ 1, θ 2, sigma) - operator Canny. θ 1 okre±la dolny próg odci cia, θ 2 okre±la górny. Je»eli podany jest tylko jeden próg, to jest on traktowany jako górny, a dolny jest liczony wedªug wzoru: θ 1 =.4 θ 2. Sigma jest to standardowe odchylenie dla ltru gaussowskiego. Domy±lnie σ =1. Filtr Canny dziaªa w kilku krokach: 1. Wygªadzanie obrazu za pomoc ltru Gaussa o wariancji σ 2 2. Wyznaczenie obrazu kraw dziowego prostym operatorem kraw dziowym w obszarze 2x2 lub 3x3 3. Cieniowanie kraw dzi metod tªumienia niemaksymalnego - zerowanie elementów kraw dziowych nieb d cych maksymami lokalnymi 4. Cieniowanie kraw dzi metod tªumienia z progami histerezy θ 1, θ 2 Dla wszystkich tych metod, poleceniem BW, próg=edge(...) mo»na uzyska informacje o u»ytym progu detekcji kraw dzi. Dla metod gradientowych (Sobel, Prewitt, Roberts) automatyczny próg binaryzacji jest liczony na podstawie magnitudy policzonego gradientu. 4 Filtracja adaptatywna Osobn kategori ltrów nieliniowych s ltry adaptacyjne. S to ltry, których charakterystyka zmienia si w zale»no±ci od analizowanego obszaru. W celu usuwania szumu dziaªaj one dwuetapowo: 1. Dla ka»dego punktu i jego otoczenia obliczamy warto± parametru, który kwalikuje dany punkt jako nale» cy lub nie do kraw dzi. 2. je»eli dany punkt zostaª zakwalikowany jako nie nale» cy do kraw dzi, zostaje on poddany silnemu u±rednieniu. W przeciwnym wypadku jego warto± pozostaje bez zmian lub poddany zostaje u±rednieniu o niewielkiej mocy. Do ltrów tego typu zaliczamy ltr Wienera: wiener2(obraz, rozmiar) 5 Dekonwolucja Operacj odwrotn do splotu (czyli m.in. ltracji) jest dekonwolucja. Istnieje kilka technik dekonwolucji zaimplementowanych w MatLABie: Dekonwolucja ±lepa: deconvnblind Dekonwolucja przy u»yciu algorytmu Lucy-Richardsona: deconvlucy 6
7 Dekonwolucja przy u»yciu algorytmu Wienera: deconvwnr Dekonwolucja "unormowana": deconvreg 6 Szum Do "zaszumiania" obrazów sªu»y polecenie imnoise(obraz, typ, parametry). Podstawowymi rodzajami szumu s : 'gaussian' - szum o rozkªadzie gaussa z ±redni m i wariancj σ 2. Domy±lnie m= i σ 2 =.1; 'localvar' - szum gaussowski o ±redniej m= i wariancji zale»nej od otoczenia punktu. Aby u»y tej funkcji nale»y jako parametr doda tablic rozkªadu wariancji o rozmiarze równym zaszumionemu obrazowi. 'poisson' - szum o rozkªadzie Poissona 'salt & pepper' - zamienia warto± pixela na minimum lub maximum z dost pnej skali z g sto±ci zamiany d. Domy±lnie d=.5; 'speckle' - multiplikatywny szum zmieniaj cy warto± pixela zgodnie z równaniem: L(m, n) = L(m, n) + n L(m, n) (14) gdzie n - liczba z rozkªadu normalnego o ±redniej m= i wariancji σ 2. Domy±lnie σ 2 =.4; 7
Filtracja w domenie przestrzeni
1 Filtracja Filtracja w domenie przestrzeni Filtracja liniowa jest procesem splotu (konwolucji) obrazu z maską (filtrem). Dla dwuwymiarowej i dyskretnej funkcji filtracja dana jest wzorem: L2(m, n) = (w
Bardziej szczegółowoFiltracja obrazu operacje kontekstowe
Filtracja obrazu operacje kontekstowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu Poprawa ostrości Usunięcie określonych wad obrazu Poprawa obrazu o złej jakości technicznej Rekonstrukcja
Bardziej szczegółowoFiltracja obrazu operacje kontekstowe
Filtracja obrazu operacje kontekstowe Podział metod filtracji obrazu Metody przestrzenne i częstotliwościowe Metody liniowe i nieliniowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przekształcenia kontekstowe Liniowe Nieliniowe - filtry Przekształcenia kontekstowe dokonują transformacji poziomów jasności pikseli analizując za każdym razem nie tylko jasność danego
Bardziej szczegółowoPrzetwarzanie sygnaªów
Przetwarzanie sygnaªów Wykªad 8 - Wst p do obrazów 2D Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, 2018 1 / 27 Plan wykªadu 1 Informacje wstepne 2 Przetwarzanie obrazu 3 Wizja komputerowa
Bardziej szczegółowoProjekt 2: Filtracja w domenie przestrzeni
Projekt 2: Filtracja w domenie przestrzeni 1. 2. Wstęp teoretyczny a. Filtracja w domenie przestrzeni b. Krótko o szumie c. Filtracja d. Usuwanie szumu typu Salt and Pepper filtrem medianowym e. Wnioski
Bardziej szczegółowoProste metody segmentacji
Laboratorium: Cyfrowe przetwarzanie obrazów i sygnaªów Proste metody segmentacji 1 Cel i zakres wiczenia Celem wiczenia jest zapoznanie si z prostymi metodami segmentacji: progowaniem, wykrywaniem i aproksymacj
Bardziej szczegółowoAnaliza obrazów - sprawozdanie nr 2
Analiza obrazów - sprawozdanie nr 2 Filtracja obrazów Filtracja obrazu polega na obliczeniu wartości każdego z punktów obrazu na podstawie punktów z jego otoczenia. Każdy sąsiedni piksel ma wagę, która
Bardziej szczegółowoSegmentacja przez detekcje brzegów
Segmentacja przez detekcje brzegów Lokalne zmiany jasności obrazu niosą istotną informację o granicach obszarów (obiektów) występujących w obrazie. Metody detekcji dużych, lokalnych zmian jasności w obrazie
Bardziej szczegółowoPrzekształcenia kontekstowe. Filtry nieliniowe Typowy przykład usuwania zakłóceń z obrazu
Definicja Przekształcenia kontekstowe są to przekształcenia które dla wyznaczenia wartości jednego punktu obrazu wynikowego trzeba dokonać określonych obliczeń na wielu punktach obrazu źródłowego. Przekształcenia
Bardziej szczegółowoStatystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.
Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w
Bardziej szczegółowoSpośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.
Filtracja nieliniowa może być bardzo skuteczną metodą polepszania jakości obrazów Filtry nieliniowe Filtr medianowy Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy
Bardziej szczegółowoPrzetwarzanie obrazów rastrowych macierzą konwolucji
Przetwarzanie obrazów rastrowych macierzą konwolucji 1 Wstęp Obrazy rastrowe są na ogół reprezentowane w dwuwymiarowych tablicach złożonych z pikseli, reprezentowanych przez liczby określające ich jasność
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowodr inż. Tomasz Krzeszowski
Metody cyfrowego przetwarzania obrazów dr inż. Tomasz Krzeszowski 2017-05-20 Spis treści 1 Przygotowanie do laboratorium... 3 2 Cel laboratorium... 3 3 Przetwarzanie obrazów z wykorzystaniem oprogramowania
Bardziej szczegółowoPrzeksztaªcenia punktowe i geometryczne
Przeksztaªcenia punktowe i geometryczne 1 Przeksztaªcenia punktowe Przeksztaªcenia punktowe (bezkontekstowe) s to przeksztaªcenia dotycz ce stopnia szaro±ci lub nasycenia barwy dla ka»dego punktu oddzielnie,
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 7 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoParametryzacja obrazu na potrzeby algorytmów decyzyjnych
Parametryzacja obrazu na potrzeby algorytmów decyzyjnych Piotr Dalka Wprowadzenie Z reguły nie stosuje się podawania na wejście algorytmów decyzyjnych bezpośrednio wartości pikseli obrazu Obraz jest przekształcany
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie piąte Filtrowanie obrazu Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z pojęciami szumu na obrazie oraz metodami redukcji szumów
Bardziej szczegółowoFiltracja splotowa obrazu
Informatyka, S1 sem. letni, 2012/2013, wykład#3 Filtracja splotowa obrazu dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydział Informatyki ZUT 1 / 53 Proces przetwarzania obrazów Obraz f(x,y)
Bardziej szczegółowoAlgorytmy Laplacian of Gaussian i Canny ego detekcji krawędzi w procesie analizy satelitarnych obrazów procesów atmosferycznych.
Algorytmy Laplacian of Gaussian i Canny ego detekcji krawędzi w procesie analizy satelitarnych obrazów procesów atmosferycznych. Słowa kluczowe: teledetekcja, filtracja obrazu, segmentacja obrazu, algorytmy
Bardziej szczegółowoLokalne transformacje obrazów
Laboratorium: Cyfrowe przetwarzanie obrazów i sygnaªów Lokalne transformacje obrazów 1 Cel i zakres wiczenia Celem wiczenia jest zapoznanie si z wªasno±ciami lokalnych transformacji obrazu i ich wykorzystaniem
Bardziej szczegółowowiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia
wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i
Bardziej szczegółowoLaboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 11. Filtracja sygnałów wizyjnych
Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 11 Filtracja sygnałów wizyjnych Operacje kontekstowe (filtry) Operacje polegające na modyfikacji poszczególnych elementów obrazu w zależności od stanu
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie piate Filtrowanie obrazu Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z pojęciami szumu na obrazie oraz metodami redukcji szumów przez
Bardziej szczegółowoOperacje kontekstowe (filtry)
Operacje kontekstowe (filtry) Operacje polegaj na modyfikacji poszczególnych elementów obrazu w zale no ci od stanu ich samych i stanu ich otoczenia. Ze wzgl du na kontekstowo mog zajmowa du o czasu, ale
Bardziej szczegółowoImplementacja filtru Canny ego
ANALIZA I PRZETWARZANIE OBRAZÓW Implementacja filtru Canny ego Autor: Katarzyna Piotrowicz Kraków,2015-06-11 Spis treści 1. Wstęp... 1 2. Implementacja... 2 3. Przykłady... 3 Porównanie wykrytych krawędzi
Bardziej szczegółowoRozpoznawanie Twarzy i Systemy Biometryczne
Filtry Plan wykładu Przegląd dostępnych filtrów Zastosowanie filtrów na różnych etapach pracy systemu Dalsze badania Kontrast i ostrość Kontrast różnica w kolorze i świetle między częściami ś i obrazu
Bardziej szczegółowoPRZETWARZANIE SYGNAŁÓW
PRZETWARZANIE SYGNAŁÓW SEMESTR V Wykład VIII Podstawy przetwarzania obrazów Filtracja Przetwarzanie obrazu w dziedzinie próbek Przetwarzanie obrazu w dziedzinie częstotliwości (transformacje częstotliwościowe)
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoPrzetwarzanie obrazów wykład 4
Przetwarzanie obrazów wykład 4 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Filtry nieliniowe Filtry nieliniowe (kombinowane)
Bardziej szczegółowoCyfrowe Przetwarzanie Obrazów i Sygnałów
Cyfrowe Przetwarzanie Obrazów i Sygnałów Laboratorium EX Lokalne transformacje obrazów Joanna Ratajczak, Wrocław, 28 Cel i zakres ćwiczenia Celem ćwiczenia jest zapoznanie się z własnościami lokalnych
Bardziej szczegółowoGrafika komputerowa. Dr inż. Michał Kruk
Grafika komputerowa Dr inż. Michał Kruk Operacje kontekstowe Z reguły filtry używane do analizy obrazów zakładają, że wykonywane na obrazie operacje będą kontekstowe Polega to na wyznaczeniu wartości funkcji,
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 4 Filtracja 2D Opracowali: - dr inż. Krzysztof Mikołajczyk - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej,
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoWSTĘP DO PRZETWARZANIA OBRAZÓW. Jak znaleźć ciekawe rzeczy na zdjęciu? mgr Krzysztof Szarzyński
WSTĘP DO PRZETWARZANIA OBRAZÓW Jak znaleźć ciekawe rzeczy na zdjęciu? mgr Krzysztof Szarzyński Czym jest obraz? Na nasze potrzeby będziemy zajmować się jedynie obrazami w skali szarości. Większość z omawianych
Bardziej szczegółowoPolitechnika Świętokrzyska. Laboratorium. Przetwarzanie obrazów medycznych. Ćwiczenie 5. Filtracja kontekstowa obrazów.
Politechnika Świętokrzyska Laboratorium Przetwarzanie obrazów medycznych Ćwiczenie 5 Filtracja kontekstowa obrazów. Cel ćwiczenia Celem ćwiczenia jest zdobucie umiejętności tworzenia funkcji realizujących
Bardziej szczegółowoFiltracja liniowa (metody konwolucyjne, tzn. uwzględniające pewne otoczenie przetwarzanego piksla):
WYKŁAD 3 Operacje sąsiedztwa Są to operacje, w których na wartość zadanego piksla obrazu wynikowego q o współrz. (i,j) mają wpływ wartości piksli pewnego otoczenia piksla obrazu pierwotnego p o współrzędnych
Bardziej szczegółowoGranular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY
Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY PB 2 PB 1 Projekt z wyznaczania reduktów zbioru Liczba osób realizuj cych projekt: 1-2 osoby 1. Wczytanie danych w formatach arf,
Bardziej szczegółowoZygmunt Wróbel i Robert Koprowski. Praktyka przetwarzania obrazów w programie Matlab
Zygmunt Wróbel i Robert Koprowski Praktyka przetwarzania obrazów w programie Matlab EXIT 2004 Wstęp 7 CZĘŚĆ I 9 OBRAZ ORAZ JEGO DYSKRETNA STRUKTURA 9 1. Obraz w programie Matlab 11 1.1. Reprezentacja obrazu
Bardziej szczegółowoZbigniew Sołtys - Komputerowa Analiza Obrazu Mikroskopowego 2016 część 5
5. FILTRY LINIOWE I STATYSTYCZNE. WYRÓWNYWANIE TŁA. Znacznie większe znaczenie w przetwarzaniu obrazu niż operacje punktowe mają takie przekształcenia w których zmiana poziomu szarości piksela zależy nie
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowo1. Odcienie szaro±ci. Materiaªy na wiczenia z Wprowadzenia do graki maszynowej dla kierunku Informatyka, rok III, sem. 5, rok akadem.
Materiaªy na wiczenia z Wprowadzenia do graki maszynowej dla kierunku Informatyka, rok III, sem. 5, rok akadem. 2018/2019 1. Odcienie szaro±ci Model RGB jest modelem barw opartym na wªa±ciwo±ciach odbiorczych
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Aleksandra Ki±lak-Malinowska akis@uwm.edu.pl http://wmii.uwm.edu.pl/ akis/ Czym zajmuje si statystyka? Statystyka zajmuje si opisywaniem i analiz zjawisk masowych otaczaj cej czªowieka
Bardziej szczegółowoOperacje morfologiczne
Laboratorium: Cyfrowe przetwarzanie obrazów i sygnaªów Operacje morfologiczne 1 Cel i zakres wiczenia Celem wiczenia jest zapoznanie si z wªasno±ciami prostych operacji morfologicznych: zw»ania/erozji
Bardziej szczegółowoGranular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY
Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY PB 2 PB 1 Projekt z grupowania danych - Rough k-medoids Liczba osób realizuj cych projekt: 1 osoba 1. Wczytanie danych w formatach
Bardziej szczegółowoPrzekształcenia punktowe i geometryczne
Przekształcenia punktowe i geometryczne 1 Przekształcenia punktowe Przekształcenia punktowe (bezkontekstowe) są to przekształcenia dotyczące stopnia szarości lub nasycenia barwy dla każdego punktu oddzielnie,
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoUczenie Wielowarstwowych Sieci Neuronów o
Plan uczenie neuronu o ci gªej funkcji aktywacji uczenie jednowarstwowej sieci neuronów o ci gªej funkcji aktywacji uczenie sieci wielowarstwowej - metoda propagacji wstecznej neuronu o ci gªej funkcji
Bardziej szczegółowoEdycja geometrii w Solid Edge ST
Edycja geometrii w Solid Edge ST Artykuł pt.: " Czym jest Technologia Synchroniczna a czym nie jest?" zwracał kilkukrotnie uwagę na fakt, że nie należy mylić pojęć modelowania bezpośredniego i edycji bezpośredniej.
Bardziej szczegółowoAnaliza obrazu. wykład 4. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009
Analiza obrazu komputerowego wykład 4 Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Filtry górnoprzepustowe - gradienty Gradient - definicje Intuicyjnie, gradient jest wektorem, którego zwrot wskazuje
Bardziej szczegółowostopie szaro ci piksela ( x, y)
I. Wstp. Jednym z podstawowych zada analizy obrazu jest segmentacja. Jest to podział obrazu na obszary spełniajce pewne kryterium jednorodnoci. Jedn z najprostszych metod segmentacji obrazu jest progowanie.
Bardziej szczegółowoFiltracja obrazów w dziedzinie Fouriera
Filtracja obrazów w dziedzinie Fouriera Filtracj mo na zinterpretowa jako mno enie punktowe dwóch F-obrazów - jednego pochodz cego od filtrowanego obrazu i drugiego b d cego filtrem. Wykres amplitudy F-
Bardziej szczegółowoUkªady równa«liniowych - rozkªady typu LU i LL'
Rozdziaª 9 Ukªady równa«liniowych - rozkªady typu LU i LL' W tym rozdziale zapoznamy si z metodami sªu» cych do rozwi zywania ukªadów równa«liniowych przy pomocy uzyskiwaniu odpowiednich rozkªadów macierzy
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 8 Filtracja uśredniająca i statystyczna. Cel ćwiczenia Celem ćwiczenia jest zdobycie umiejętności tworzenia i wykorzystywania
Bardziej szczegółowoAproksymacja funkcji metod najmniejszych kwadratów
Aproksymacja funkcji metod najmniejszych kwadratów Teoria Interpolacja polega na znajdowaniu krzywej przechodz cej przez wszystkie w zªy. Zdarzaj si jednak sytuacje, w których dane te mog by obarczone
Bardziej szczegółowo1 Trochoidalny selektor elektronów
1 Trochoidalny selektor elektronów W trochoidalnym selektorze elektronów TEM (Trochoidal Electron Monochromator) stosuje si skrzy»owane i jednorodne pola: elektryczne i magnetyczne. Jako pierwsi taki ukªad
Bardziej szczegółowoTransformata Fouriera i analiza spektralna
Transformata Fouriera i analiza spektralna Z czego składają się sygnały? Sygnały jednowymiarowe, częstotliwość Liczby zespolone Transformata Fouriera Szybka Transformata Fouriera (FFT) FFT w 2D Przykłady
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej
Zadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej Denicja 1. Niech X = R n b dzie przestrzeni unormowan oraz d(x, y) = x y.
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoPrzetwarzanie fotografii cyfrowej lab. 3 J.Wi licki, A.Romanowski
Spis tre ci 1. Edycja obrazów fotograficznych...2 1.1. Ksi yc...2 1.2. S o ce zza chmur...4 1.3. Rzeka lawy...6 1.4. nie yca...7 1.5. Ulewa...8 1.6. Noktowizor...9 strona 1 z 11 1. Edycja obrazów fotograficznych
Bardziej szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowoRozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a).
Rozwi zania zada«z egzaminu podstawowego z Analizy matematycznej 2.3A (24/5). Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a). Zadanie P/4. Metod operatorow rozwi
Bardziej szczegółowoĆwiczenia z grafiki komputerowej 5 FILTRY. Miłosz Michalski. Institute of Physics Nicolaus Copernicus University. Październik 2015
Ćwiczenia z grafiki komputerowej 5 FILTRY Miłosz Michalski Institute of Physics Nicolaus Copernicus University Październik 2015 1 / 12 Wykorzystanie warstw Opis zadania Obrazy do ćwiczeń Zadanie ilustruje
Bardziej szczegółowoPrzetwarzanie obrazów wykład 3
Przetwarzanie obrazów wykład 3 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Operacje kontekstowe (filtry) Operacje polegają
Bardziej szczegółowoRysunek 1. Piramida obrazów
ZASTOSOWANIE PIRAMIDY OBRAZÓW DO ODSZUMIANIA MGR IN. G. SARWAS 1. Wst p Otaczaj cy nas ±wiat ma struktur wieloskalow. To co widzimy zale»y od tego w jakim powi kszeniu oraz rozdzielczo±ci ogl damy dany
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x, y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0, y 0 ) Pochodn cz stkow pierwszego rz du funkcji dwóch zmiennych wzgl
Bardziej szczegółowoPodstawowe pojęcia: Populacja. Populacja skończona zawiera skończoną liczbę jednostek statystycznych
Podstawowe pojęcia: Badanie statystyczne - zespół czynności zmierzających do uzyskania za pomocą metod statystycznych informacji charakteryzujących interesującą nas zbiorowość (populację generalną) Populacja
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowoFiltracja obrazów. w dziedzinie częstotliwości. w dziedzinie przestrzennej
Filtracja obrazów w dziedzinie częstotliwości w dziedzinie przestrzennej filtry liniowe filtry nieliniowe Filtracja w dziedzinie częstotliwości Obraz oryginalny FFT2 IFFT2 Obraz po filtracji f(x,y) H(u,v)
Bardziej szczegółowoWYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania
WYKŁAD 4 Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania PLAN WYKŁADU Metody uczenia sieci: Uczenie perceptronu Propagacja wsteczna Zastosowania Sterowanie (powtórzenie) Kompresja obrazu Rozpoznawanie
Bardziej szczegółowoProjektowanie bazy danych
Projektowanie bazy danych Pierwszą fazą tworzenia projektu bazy danych jest postawienie definicji celu, założeo wstępnych i określenie podstawowych funkcji aplikacji. Każda baza danych jest projektowana
Bardziej szczegółowoMetody bioinformatyki (MBI)
Metody bioinformatyki (MBI) Wykªad 9 - mikromacierze DNA, analiza danych wielowymiarowych Robert Nowak 2016Z Metody bioinformatyki (MBI) 1/42 mikromacierze DNA Metoda badawcza, pozwalaj ca bada obecno±
Bardziej szczegółowoNumeryczne zadanie wªasne
Rozdziaª 11 Numeryczne zadanie wªasne W tym rozdziale zajmiemy si symetrycznym zadaniem wªasnym, tzn. zadaniem znajdowania warto±ci i/lub wektorów wªasnych dla macierzy symetrycznej A = A T. W zadaniach
Bardziej szczegółowoPrzetwarzanie obrazów. Grupy metod przetwarzania obrazu. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe
Przetwarzanie obrazów Ogólna definicja Algorytm przetwarzający obraz to algorytm który, otrzymując na wejściu obraz wejściowy f, na wyjściu zwraca takŝe obraz (g). Grupy metod przetwarzania obrazu Przekształcenia
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowoRaport. Bartosz Paprzycki xed@mat.umk.pl UMK 2009/2010
Raport Bartosz Paprzycki xed@mat.umk.pl UMK 2009/2010 1. Wykrywanie krawędzi 1.0. Obraz oryginalny 1. 1.1. Sobel. Parametry: domyślne. 1.2. Prewitt. Parametry: domyślne. 1.3. Roberts. Parametry: domyślne.
Bardziej szczegółowoArkusz maturalny. Šukasz Dawidowski. 25 kwietnia 2016r. Powtórki maturalne
Arkusz maturalny Šukasz Dawidowski Powtórki maturalne 25 kwietnia 2016r. Odwrotno±ci liczby rzeczywistej 1. 9 8 2. 0, (1) 3. 8 9 4. 0, (8) 3 4 4 4 1 jest liczba Odwrotno±ci liczby rzeczywistej 3 4 4 4
Bardziej szczegółowoSPRZĄTACZKA pracownik gospodarczy
Szkolenie wstępne InstruktaŜ stanowiskowy SPRZĄTACZKA pracownik gospodarczy pod red. Bogdana Rączkowskiego Zgodnie z rozporządzeniem Ministra Gospodarki i Pracy z dnia 27 lipca 2004 r. w sprawie szkolenia
Bardziej szczegółowoPrzetwarzanie i Kompresja Obrazów. Filtracja
Przetwarzanie i Kompresja Obrazów. acja Aleksander Denisiuk(denisjuk@pja.edu.pl) Polsko-Japońska Akademia Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55, 80-045 Gdańsk 7 kwietnia 206
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
Bardziej szczegółowomgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 6, strona 1. Format JPEG
mgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 6, strona 1. Format JPEG Cechy formatu JPEG Schemat blokowy kompresora Transformacja koloru Obniżenie rozdzielczości chrominancji Podział na bloki
Bardziej szczegółowo2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v)
Przeksztaªcenia liniowe Def 1 Przeksztaªceniem liniowym (homomorzmem liniowym) rzeczywistych przestrzeni liniowych U i V nazywamy dowoln funkcj L : U V speªniaj c warunki: 1 L( u + v) = L( u) + L( v) dla
Bardziej szczegółowoLekcja 6 Programowanie - Zaawansowane
Lekcja 6 Programowanie - Zaawansowane Akademia im. Jana Dªugosza w Cz stochowie Wst p Wiemy ju»: co to jest program i programowanie, jak wygl da programowanie, jak tworzy programy za pomoc Baltiego. Na
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowoWYKŁAD 3. Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego
WYKŁAD 3 Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego 1 Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego (c.d.) 2 Zestawienie zbiorcze - Regulacje
Bardziej szczegółowoMetody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, 2012. Dawid Rasaªa Metody numeryczne 1 / 9
Metody numeryczne Wst p do metod numerycznych Dawid Rasaªa January 9, 2012 Dawid Rasaªa Metody numeryczne 1 / 9 Metody numeryczne Czym s metody numeryczne? Istota metod numerycznych Metody numeryczne s
Bardziej szczegółowoZagadnienia na wej±ciówki z matematyki Technologia Chemiczna
Zagadnienia na wej±ciówki z matematyki Technologia Chemiczna 1. Podaj denicj liczby zespolonej. 2. Jak obliczy sum /iloczyn dwóch liczb zespolonych w postaci algebraicznej? 3. Co to jest liczba urojona?
Bardziej szczegółowoProgramowanie i struktury danych
Programowanie i struktury danych Wykªad 3 1 / 37 tekstowe binarne Wyró»niamy dwa rodzaje plików: pliki binarne pliki tekstowe 2 / 37 binarne tekstowe binarne Plik binarny to ci g bajtów zapami tanych w
Bardziej szczegółowo