Instalacja. pip install opencv-python. run pip install opencv-contrib-python CZĘŚĆ II
|
|
- Aleksander Czajkowski
- 4 lat temu
- Przeglądów:
Transkrypt
1 Instalacja pip install opencv-python run pip install opencv-contrib-python CZĘŚĆ II
2 Przydatne Potrzebne importy: import cv2 import numpy as np Odczyt, zapis i wyświetlanie obrazu: img=cv2.imread('cell.jpg') cv2.imwrite( new_image.jpg', img) cv2.imshow('bin',img)
3 Operacje morfologiczne Operacje morfologiczne pozwalają przeprowadzić zaawansowaną analizę kształtów poszczególnych obiektów w obrazie oraz na wyznaczenie ich wzajemnej odległości. Ważną cechą tych przekształceń jest ich łączność, która pozwala na generowanie skomplikowanych algorytmów analizy obrazu: usuwanie szumu, izolowanie obiektów, ekstrakcja cech obiektów, rozdzielanie i łączenie elementów
4 Operacje morfologiczne: erozja Erozja jest operacją odwrotną do dylatacji; wartość każdego piksela zamieniana jest na wartość lokalnego minimum wszystkich wartości pikseli, które obejmuje jądro transformacji. Erozję najczęściej stosuje się do usunięcia usterek obrazu, przykładowo w postaci zaszumienia typu sól i pieprz (pojedyncze punkty znikają w wyniku erozji, zaś większe struktury prezentujące wartościową część obrazu pozostają).
5 Operacje morfologiczne: dylatacja Dylatacja stanowi splot obrazu ze zdefiniowanym jądrem; wartość każdego piksela zamieniania jest na wartość lokalnego maksimum wszystkich wartości pikseli, które obejmuje wspomniane jądro. Efektem dylatacji jest rozrost w obrazie wypełnionych (różnych ode 0) obszarów. Dylatacja powoduje rozszerzenie jasnych obszarów oraz wypełnianie zagłębień) a erozja ich zmniejszanie oraz likwidacje wypukłości. Ostateczny efekt działania obu operatorów zależy od wyboru jądra. Dylatację najczęściej stosuje się dla wyszukania połączonych składowych obrazu (dużych obszarów o podobnym poziomie intensywności lub barwie).
6 Erozja i dylatacja: obraz zbinaryzowany kernel = np.ones((5,5),np.uint8) #erozja erosion = cv2.erode(img,kernel,iterations = 1) #dylatacja dilatation = cv2.dilate(img,kernel,iterations = 1)
7 Erozja i dylatacja: obraz w skali szarości
8 Gradient morfologiczny Operacja gradientu morfologicznego polega na odjęciu od wyniku dylatacji obrazu (nieznacznie zredukowanego) wyniku erozji obrazu (nieznacznie powiększonego). Fakt odjęcia od obrazu powiększonego obrazu pomniejszonego pozwala zachować ciągłość w przebiegu krawędzi, a tym samym może być wstępem do segmentacji obiektów. Skutkiem jest pozostawienie w obrazie przebiegu krawędzi i konturów obrazu oryginalnego. W przypadku obrazu monochromatycznego zastosowanie gradientu pozwala uzyskać informację o szybkości zmian w poziomie intensywności sąsiadujących pikseli. gradient A = dilate A erode(a) najczęściej stosowana jest do ekstrakcji krawędzi jasnych obszarów, które w konsekwencji mogą być rozważane jako całe obiekty (lub fragmenty większych całości).
9 Otwarcie i zamknięcie Operację otwarcia (opening) i zamknięcia (closing) opierają się na złożeniu erozji i dylatacji, wykonanych sekwencyjnie: opening A = dilate erode A closing A = erode(dilate A ) Operacje te nie ograniczają się jedynie do obrazów binarnych: operacja zamknięcia na obrazie monochromatycznym pozwala na wyeliminowanie z obrazu wartości mniejszych od swoich sąsiadów, operacja otwarcia- na wyeliminowanie wartości większych od tych w sąsiadujących pikselach.
10 Otwarcie i zamknięcie Głównym zastosowaniem operacji otwarcia jest zliczanie obszarów w obrazach binarnych. Przykładowo określając próg dyskryminacji dla komórek w obrazie mikroskopowym, przed przystąpieniem do ich zliczania poprzez otwarcie, można oddzielić komórki znajdujące się w bezpośrednim sąsiedztwie.
11 Otwarcie i zamknięcie Operacja zamknięcia stosuje się w przetwarzaniu obrazów przedstawiających złączone komponenty, celem usunięcia ich nadmiarowej liczby (przykładowo usunięcie segmentów powstałych z zaszumienia obrazu). Wynik operacji zamknięcia jest zbliżony do wyniku erozji, a wynik otwarcia do wyniku dylatacji. Otwarcie i zamknięcie pozwalają jednak lepiej zachować pole obszaru.
12 Otwarcie i zamknięcie: obraz zbinaryzowany opening = cv2.morphologyex(img, cv2.morph_open, kernel) closing = cv2.morphologyex(img, cv2.morph_close, kernel)
13 Otwarcie i zamknięcie: obraz w skali szarości
14 TopHat i BlackHat Operatory tophat i blackhat służą odpowiednio ekstrakcji jasnych i ciemnych obszarów w obrazie (poziom jasności określany w odniesieniu do najbliższego otoczenia). Ekstrakcja obszarów jasnych odejmuje wynik operacji otwarcia (open) wykonanej na obrazie A od obrazu wejściowego A (nieprzetworzonego ) tophat A = A open A Ekstrakcja obszarów ciemnych: blackhat A = close A A podstawowym zastosowaniem obu operacji jest wyszczególnienie w obrazie obszarów charakteryzujących się zmianą poziomu jasności w stosunku do obiektu z którym sąsiadują lub są związane (często spotykane w przypadku obrazów mikroskopowych)
15 TopHat i BlackHat: obraz zbinaryzowany tophat = cv2.morphologyex(img, cv2.morph_tophat, kernel) blackhat = cv2.morphologyex(img, cv2.morph_blackhat, kernel)
16 TopHat i BlackHat: obraz w skali szarości
17 Dyskretna Transformata Fouriera Funkcja cv2.dft implementuje algorytm szybkiej transformaty Fouriera zarówno dla sygnałów jedno- jak i dwuwymiarowych (w przypadku obrazów możliwe jest zarówno policzenie dyskretnej transformaty Fouriera dla całego obrazu jako sygnału 2D jak również potraktowanie każdego wiersza osobno jako sygnału jednowymiarowego).
18 Dyskretna Transformata Fouriera (DFT) img = cv2.imread('cell.jpg',0) f = np.fft.fft2(img) fshift = np.fft.fftshift(f) magnitude_spectrum = 20*np.log(np.abs(fshift))
19 Poszukiwanie wzorców (Template matching) Template matching to metoda wyszukiwania i znajdowania położenia zdefiniowanego wzorca (szablonu) w większym obrazie. W bibliotece OpenCV służy do tego funkcja cv2.matchtemplate(), która przesuwa szablon nad obrazem wejściowym (jak dla splotu maski i obrazu) z równoczesnym porównaniem szablonu i badanego fragmentu obrazu wejściowego.
20 Poszukiwanie wzorców (Template Matching)
21 Poszukiwanie wzorców (Template Matching) import cv2 import numpy as np from matplotlib import pyplot as plt img_rgb = cv2.imread('cell.jpg') img_gray = cv2.cvtcolor(img_rgb, cv2.color_bgr2gray) template = cv2.imread('cell_temp.jpg',0) w, h = template.shape[::-1] res = cv2.matchtemplate(img_gray,template,cv2.tm_ccoeff_normed) threshold = 0.8 loc = np.where( res >= threshold) for pt in zip(*loc[::-1]): cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0,0,255), 2) cv2.imwrite('res2.png',img_rgb)
22 Poszukiwanie wzorców (Template Matching)
23 Transformata Hougha (wykrywanie okręgów) W matematyce koło jest reprezentowane równaniem: (x x 0 ) 2 +(y y 0 ) 2 = r 2 gdzie: (x 0,y 0 ) reprezentuje współrzędne środka okręgu, zaś r jego promień. Równanie to zawiera 3 parametry, stąd obliczenie go wprost z transformaty Hougha wymagałoby implementacji silnika 3D. Biblioteka OpenCV do poszukiwania okręgów wykorzystuje metodę gradientową opartą na informacji o przebiegu krawędzi: cv2.houghcircles()
24 Transformata Hougha (wykrywanie okręgów)
25 Transformata Hougha (wykrywanie okręgów)
26 Transformata Hougha (wykrywanie okręgów) import cv2 import numpy as np img = cv2.imread('cell.jpg',0) img = cv2.medianblur(img,5) cimg = cv2.cvtcolor(img,cv2.color_gray2bgr) circles = cv2.houghcircles(img,cv2.hough_gradient,1,20, param1=100,param2=50,minradius=15,maxradius=50) circles = np.uint16(np.around(circles)) for i in circles[0,:]: # draw the outer circle cv2.circle(cimg,(i[0],i[1]),i[2],(0,255,0),2) # draw the center of the circle cv2.circle(cimg,(i[0],i[1]),2,(0,0,255),3) cv2.imshow('detected circles',cimg) cv2.imwrite('circles5.jpg', cimg) cv2.waitkey(0) cv2.destroyallwindows()
27 Segmentacja (watershed)
28 img = cv2.imread('cell_gray.jpg') gray= cv2.cvtcolor(img,cv2.color_bgr2gray) ret, thresh = cv2.threshold(gray,0,255,cv2.thresh_binary_inv+cv2.thresh_otsu) kernel = np.ones((3,3),np.uint8) # noise removal opening = cv2.morphologyex(thresh,cv2.morph_open,kernel, iterations = 2) sure_bg = cv2.dilate(opening,kernel,iterations=3) # sure background area # Finding sure foreground area dist_transform = cv2.distancetransform(opening,cv2.dist_l2,5) ret, sure_fg = cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0) sure_fg = np.uint8(sure_fg) # Finding unknown region unknown = cv2.subtract(sure_bg,sure_fg) ret, markers = cv2.connectedcomponents(sure_fg) # marker labelling # Add one to all labels so that sure background is not 0, but 1 markers = markers+1 markers[unknown==255] = 0 # now, mark the region of unknown with zero markers = cv2.watershed(img,markers) img[markers == -1] = [255,0,0] cv2.imwrite('wshed.jpg',img)
29 Rekonstrukcja obrazu (inpainting) Rekonstrukcja metodą inpaintingu przeprowadzana jest w przypadku zdjęć zawierających usterki, mogące wynikać choćby z zabrudzenia obiektywu lub uszkodzeń mechanicznych samego zdjęcia. Metoda ta opiera się na pobraniu informacji o kolorze i teksturze zniszczonego fragmentu z jego krawędzi, a w dalszej kolejności powieleniu i wymieszaniu ich wartości. Biblioteka OpenCV daje możliwość zdefiniowania promienia wokół odtwarzanego piksela, określającego zakres pikseli z których informacja będzie rekonstruowana.
30 Rekonstrukcja obrazu (inpainting) Metoda inpaintingu sprawdza się jedynie dla stosunkowo niewielkich obszarów uszkodzenia i z niezbyt zróżnicowaną teksturą (w przeciwnym razie rekonstrukcji może towarzyszyć efekt rozmycia). Metoda nie sprawdzi się również jeśli w brakującym fragmencie znajduje się cała struktura (brak możliwości odtworzenia z krawędzi obszaru). Biblioteka OpenCV oferuje 2 algorytmy inpaintingu dostępne jako argumenty funkcji cv2.inpaint(): INPAINT_TELEA INPAINT_NS
31 Rekonstrukcja obrazu: INPAINT_TELEA (2004) Algorytm oparty jest o Technikę Szybkiego Marszu (Fast Marching Technique) Dla każdego obszaru który ma być zrekonstruowany, algorytm startuje na granicy zdefiniowanego sąsiedztwa i w kolejnych krokach wypełnia do środka wszystkie brakujące obszary. Nowa wartość każdego piksela stanowi średnią ważoną wartości pikseli w otoczeniu o małym promieniu. Kluczowym czynnikiem jest wybór wag: największe wagi przyporządkowywane są pikselom w bezpośrednim sąsiedztwie wypełnianego piksela, oraz pikselom wyznaczającym kontur całego obszaru. Po zrekonstruowaniu wartości piksela algorytm przesuwa się do kolejnego, metodą szybkiego marszu. Metoda FMM zapewnia, iż w pierwszej kolejności rekonstruowane są piksele leżące w bezpośrednim sąsiedztwie tych o znanej wartości
32 Rekonstrukcja obrazu: INPAINT_NS (2001) Metoda Naviera-Stokesa Algorytm oparty jest na dynamice płynów i wykorzystuje równania różniczkowe cząstkowe. Najpierw wędruje wzdłuż krawędzi od znanych regionów do nieznanych regionów (warunek ciągłości krawędzi). Algorytm analizuje linie łączące punkty o tej samej intensywności, dopasowując wektory gradientowe na granicy odtwarzanego obszaru (wykorzystanie metod z dynamiki płynów). Po ich uzyskaniu kolor jest wypełniany w celu zmniejszenia minimalnej wariancji w tym obszarze
33 Rekonstrukcja obrazu (inpainting)
34 Rotacja rows,cols = img.shape M = cv2.getrotationmatrix2d((cols/2,rows/2),45,1) dst = cv2.warpaffine(img,m,(cols,rows))
35 Deskryptory W OpenCV wykonuje to funkcja cv2.goodfeaturestotrack(): cv2.goodfeaturestotrack(img, N, quality_level, euclid_dist) gdzie: img obraz wejściowy (w skali szarości) N- liczba poszukiwanych rogów quality_level współczynnik jakości z przedziału (0,1}> Najczęściej przyjmuje się wartości z przedziału (0.01,0.1) euclid_dist minimalna odległość euklidesowa pomiędzy znalezionymi rogami Funkcja ta pozwala obliczyć operatory pochodnych, a następnie w toku analizy wybrać z ich listy drobne punkty do śledzenia oraz zdefiniować ich liczbę (N).
36 Deskryptory
37 Deskryptory import numpy as np import cv2 from matplotlib import pyplot as plt img = cv2.imread('squares2.jpg') gray = cv2.cvtcolor(img,cv2.color_bgr2gray) corners = cv2.goodfeaturestotrack(gray,25,0.01,10) corners = np.int0(corners) for i in corners: x,y = i.ravel() cv2.circle(img,(x,y),3,255,-1) cv2.imshow('bin',img) cv2.imwrite('descriptors.jpg',img)
Filtracja 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 szczegółowoBIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat
BIBLIOTEKA PROGRAMU R - BIOPS Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat Biblioteka biops zawiera funkcje do analizy i przetwarzania obrazów. Operacje geometryczne (obrót, przesunięcie,
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 szczegółowoOperacje morfologiczne w przetwarzaniu obrazu
Przekształcenia morfologiczne obrazu wywodzą się z morfologii matematycznej działu matematyki opartego na teorii zbiorów Wykorzystuje się do filtracji morfologicznej, wyszukiwania informacji i analizy
Bardziej szczegółowoANALIZA I PRZETWARZANIE OBRAZÓW
ANALIZA I PRZETWARZANIE OBRAZÓW Instalacja pip install opencv-python run pip install opencv-contrib-python Przydatne Potrzebne importy: import cv2 import numpy as np Odczyt, zapis i wyświetlanie obrazu:
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie czwarte Przekształcenia morfologiczne obrazu Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z definicjami operacji morfologicznych
Bardziej szczegółowo9. OBRAZY i FILTRY BINARNE 9.1 Erozja, dylatacja, zamykanie, otwieranie
9. OBRAZY i FILTRY BINARNE 9.1 Erozja, dylatacja, zamykanie, otwieranie Obrazy binarne to takie, które mają tylko dwa poziomy szarości: 0 i 1 lub 0 i 255. ImageJ wykorzystuje to drugie rozwiązanie - obrazy
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 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 szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie czwarte Przekształcenia morfologiczne obrazu 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z definicjami operacji morfologicznych
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 9 AiR III
1 Na podstawie materiałów autorstwa dra inż. Marka Wnuka. Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania
Bardziej szczegółowoPrzekształcenia morfologiczne II i operacje na obrazach logicznych
Przekształcenia morfologiczne II i operacje na obrazach logicznych 1 Przekształcenia morfologiczne 1.1 Ścienianie i Pogrubianie Pogrubianie i ścienianie: Operacje te polegają na nałożeniu lub ściągnięciu
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 szczegółowoAnaliza obrazów - sprawozdanie nr 3
Analiza obrazów - sprawozdanie nr 3 Przekształcenia morfologiczne Przekształcenia morfologiczne wywodzą się z morfologii matematycznej, czyli dziedziny, która opiera się na teorii zbiorów, topologii i
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 szczegółowoGrafika Komputerowa Wykład 2. Przetwarzanie obrazów. mgr inż. Michał Chwesiuk 1/38
Wykład 2 Przetwarzanie obrazów mgr inż. 1/38 Przetwarzanie obrazów rastrowych Jedna z dziedzin cyfrowego obrazów rastrowych. Celem przetworzenia obrazów rastrowych jest użycie edytujących piksele w celu
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 szczegółowoCyfrowe przetwarzanie obrazów. Dr inż. Michał Kruk
Cyfrowe przetwarzanie obrazów Dr inż. Michał Kruk Przekształcenia morfologiczne Morfologia matematyczna została stworzona w latach sześddziesiątych w Wyższej Szkole Górniczej w Paryżu (Ecole de Mines de
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 10 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 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 szczegółowoPOB Odpowiedzi na pytania
POB Odpowiedzi na pytania 1.) Na czym polega próbkowanie a na czym kwantyzacja w procesie akwizycji obrazu, jakiemu rodzajowi rozdzielczości odpowiada próbkowanie a jakiemu kwantyzacja Próbkowanie inaczej
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przegląd z uwzględnieniem obrazowej bazy danych Tatiana Jaworska Jaworska@ibspan.waw.pl www.ibspan.waw.pl/~jaworska Umiejscowienie przetwarzania obrazu Plan prezentacji Pojęcia podstawowe
Bardziej szczegółowoPrzetwarzanie obrazów wykład 7. Adam Wojciechowski
Przetwarzanie obrazów wykład 7 Adam Wojciechowski Przekształcenia morfologiczne Przekształcenia podobne do filtrów, z tym że element obrazu nie jest modyfikowany zawsze lecz tylko jeśli spełniony jest
Bardziej szczegółowoOperacje przetwarzania obrazów monochromatycznych
Operacje przetwarzania obrazów monochromatycznych Obraz pobrany z kamery lub aparatu często wymaga dalszej obróbki. Jej celem jest poprawienie jego jakości lub uzyskaniem na jego podstawie określonych
Bardziej szczegółowoAnaliza obrazów. Segmentacja i indeksacja obiektów
Analiza obrazów. Segmentacja i indeksacja obiektów Wykorzystane materiały: R. Tadeusiewicz, P. Korohoda, Komputerowa analiza i przetwarzanie obrazów, Wyd. FPT, Kraków, 1997 Analiza obrazu Analiza obrazu
Bardziej szczegółowoCyfrowe Przetwarzanie Obrazów i Sygnałów
Cyfrowe Przetwarzanie Obrazów i Sygnałów Laboratorium EX6 Operacje morfologiczne Joanna Ratajczak, Wrocław, 2018 1 Cel i zakres ćwiczenia Celem ćwiczenia jest zapoznanie się z własnościami podstawowych
Bardziej szczegółowoCECHY BIOMETRYCZNE: ODCISK PALCA
CECHY BIOMETRYCZNE: ODCISK PALCA Odcisk palca można jednoznacznie przyporządkować do osoby. Techniki pobierania odcisków palców: Czujniki pojemnościowe - matryca płytek przewodnika i wykorzystują zjawisko
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 szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przegląd z uwzględnieniem obrazowej bazy danych Tatiana Jaworska Jaworska@ibspan.waw.pl www.ibspan.waw.pl/~jaworska Umiejscowienie przetwarzania obrazu Plan prezentacji Pojęcia podstawowe
Bardziej szczegółowoSEGMENTACJA OBRAZU Wprowadzenie
Oprogramowanie Systemów Obrazowania SEGMENTACJA OBRAZU Wprowadzenie Segmentacja obszarów to operacja wydzielenia z obrazu obszarów w oparciu o zdefiniowane kryterium. Głównym uzasadnieniem celowości takiego
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 szczegółowoWYKŁAD 7. Obraz z wykrytymi krawędziami: gdzie 1 - wartość konturu, 0 - wartość tła.
WYKŁAD 7 Elementy segmentacji Obraz z wykrytymi krawędziami: Detektory wzrostu (DTW); badanie pewnego otoczenia piksla Lokalizacja krawędzi metodami: - liczenie różnicy bezpośredniej, - liczenie różnicy
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 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 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 szczegółowoDetekcja twarzy w obrazie
Detekcja twarzy w obrazie Metoda na kanałach RGB 1. Należy utworzyć nowy obrazek o wymiarach analizowanego obrazka. 2. Dla każdego piksela oryginalnego obrazka pobiera się informację o wartości kanałów
Bardziej szczegółowoProste metody przetwarzania obrazu
Operacje na pikselach obrazu (operacje punktowe, bezkontekstowe) Operacje arytmetyczne Dodanie (odjęcie) do obrazu stałej 1 Mnożenie (dzielenie) obrazu przez stałą Operacje dodawania i mnożenia są operacjami
Bardziej szczegółowomaska 1 maska 2 maska 3 ogólnie
WYKŁAD 4 Detekcja krawędzi, operacje morfologiczne Detekcja (wykrywanie) krawędzi (edge detection) jest to technika segmentacji obrazu, polegająca na znajdowaniu piksli krawędziowych przez sprawdzanie
Bardziej szczegółowoReprezentacja i analiza obszarów
Cechy kształtu Topologiczne Geometryczne spójność liczba otworów liczba Eulera szkielet obwód pole powierzchni środek ciężkości ułożenie przestrzenne momenty wyższych rzędów promienie max-min centryczność
Bardziej szczegółowoFiltracja nieliniowa obrazu
Informatyka, S1 sem. letni, 2014/2015, wykład#4 Filtracja nieliniowa obrazu dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydział Informatyki ZUT 1 / 61 Proces przetwarzania obrazów Obraz
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 szczegółowoMetody komputerowego przekształcania obrazów
Metody komputerowego przekształcania obrazów Przypomnienie usystematyzowanie informacji z przedmiotu Przetwarzanie obrazów w kontekście zastosowań w widzeniu komputerowym Wykorzystane materiały: R. Tadeusiewicz,
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 szóste Transformacje obrazu w dziedzinie częstotliwości 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami
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 szczegółowoDetekcja kodów kreskowych w obrazach za pomocą filtrów gradientowych i transformacji morfologicznych
ZACNIEWSKI Artur 1 Detekcja kodów kreskowych w obrazach za pomocą filtrów gradientowych i transformacji morfologicznych WSTĘP Kod kreskowy (ang. barcode) to graficzna reprezentacja informacji, w postaci
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 szczegółowoSegmentacja obrazu. Segmentacja obrazu
Cel segmentacji Podział obrazu na obszary odpowiadające poszczególnym, widocznym na obrazie obiektom. Towarzyszy temu zwykle indeksacja (etykietowanie) obiektów, czyli przypisanie każdemu obiektowi innej
Bardziej szczegółowoMetody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia. Mgr inż.
Metody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia Mgr inż. Dorota Smorawa Plan prezentacji 1. Wprowadzenie do zagadnienia 2. Opis urządzeń badawczych
Bardziej szczegółowoGrenlandia się topi badanie rozkładu kątów pomiędzy strumykami na lądolodzie na podstawie analizy obrazu
Grenlandia się topi badanie rozkładu kątów pomiędzy strumykami na lądolodzie na podstawie analizy obrazu Małgorzata Bąk, Marcin Byra, Filip Chudzyński, Marcin Osiekowicz Opiekun: dr hab. Piotr Szymczak
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie siódme Usuwanie tła i segmentacja Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z metodami usuwania tła z obrazu oraz algorytmami
Bardziej szczegółowoReprezentacja i analiza obszarów
Cechy kształtu Topologiczne Geometryczne spójność liczba otworów liczba Eulera szkielet obwód pole powierzchni środek cięŝkości ułoŝenie przestrzenne momenty wyŝszych rzędów promienie max-min centryczność
Bardziej szczegółowoPrzekształcenia punktowe
Przekształcenia punktowe Przekształcenia punktowe realizowane sa w taki sposób, że wymagane operacje wykonuje sie na poszczególnych pojedynczych punktach źródłowego obrazu, otrzymujac w efekcie pojedyncze
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 szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 3 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 szczegółowoZbigniew Sołtys - Komputerowa Analiza Obrazu Mikroskopowego 2016 część 7
7. NORMALIZACJA I BINARYZACJA ADAPTATYWNA 7.1. Normalizacja lokalna Zwykłe konwolucje działają w jednakowy sposób na całym obrazie. Plugin Local Normalization przeprowadza filtrowanie Gaussa w zależności
Bardziej szczegółowoTransformaty. Kodowanie transformujace
Transformaty. Kodowanie transformujace Kodowanie i kompresja informacji - Wykład 10 10 maja 2009 Szeregi Fouriera Każda funkcję okresowa f (t) o okresie T można zapisać jako f (t) = a 0 + a n cos nω 0
Bardziej szczegółowo3. OPERACJE BEZKONTEKSTOWE
3. OPERACJE BEZKONTEKSTOWE 3.1. Tablice korekcji (LUT) Przekształcenia bezkontekstowe (punktowe) to takie przekształcenia obrazu, w których zmiana poziomu szarości danego piksela zależy wyłącznie od jego
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie szóste Transformacje obrazu w dziedzinie częstotliwości 1. Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami
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 szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie siódme Usuwanie tła i segmentacja 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z metodami usuwania tła z obrazu oraz algorytmami
Bardziej szczegółowoDetekcja punktów zainteresowania
Informatyka, S2 sem. Letni, 2013/2014, wykład#8 Detekcja punktów zainteresowania dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydział Informatyki ZUT 1 / 61 Proces przetwarzania obrazów
Bardziej szczegółowoAnaliza obrazu. wykład 7. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009
Analiza obrazu komputerowego wykład 7 Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Slajdy przygotowane na podstawie książki Komputerowa analiza obrazu R.Tadeusiewicz, P. Korohoda, Filtry morfologiczne
Bardziej szczegółowoSzacowanie wartości monet na obrazach.
Marcin Nieściur projekt AiPO Szacowanie wartości monet na obrazach. 1. Wstęp. Celem projektu było stworzenie pluginu do programu ImageJ pozwalającego na szacowanie wartości monet znajdujących się na obrazach
Bardziej szczegółowoRozpoznawanie obrazów na przykładzie rozpoznawania twarzy
Rozpoznawanie obrazów na przykładzie rozpoznawania twarzy Wykorzystane materiały: Zadanie W dalszej części prezentacji będzie omawiane zagadnienie rozpoznawania twarzy Problem ten można jednak uogólnić
Bardziej szczegółowozna wybrane modele kolorów i metody transformacji między nimi zna podstawowe techniki filtracji liniowej, nieliniowej dla obrazów cyfrowych
Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Kod modułu Język kształcenia Wydział Matematyki i Informatyki Instytut Informatyki Przetwarzanie i analiza obrazów cyfrowych w
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 szczegółowoPrzetwarzanie obrazów wykład 6. Adam Wojciechowski
Przetwarzanie obrazów wykład 6 Adam Wojciechowski Przykłady obrazów cyfrowych i ich F-obrazów Parzysta liczba powtarzalnych wzorców Transformata Fouriera może być przydatna przy wykrywaniu określonych
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 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 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 szczegółowoSpis treści. Morfologia matematyczna. 1 Morfologia matematyczna 1.1 Dylacja 1.2 Erozja 1.3 Otwarcie i zamknięcie 1.
Spis treści 1 Morfologia matematyczna 1.1 Dylacja 1.2 Erozja 1.3 Otwarcie i zamknięcie 1.4 Filtr medianowy Morfologia matematyczna Morfologia matematyczna to bardzo przydatna metoda przetwarzania obrazów
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.
Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 211-1-18 1 Pomysł Przykłady Zastosowanie 2
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie trzecie Operacje na dwóch obrazach 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z operacjami jakie możemy wykonywać na dwóch obrazach,
Bardziej szczegółowoWykrywanie twarzy na zdjęciach przy pomocy kaskad
Wykrywanie twarzy na zdjęciach przy pomocy kaskad Analiza i przetwarzanie obrazów Sebastian Lipnicki Informatyka Stosowana,WFIIS Spis treści 1. Wstęp... 3 2. Struktura i funkcjonalnośd... 4 3. Wyniki...
Bardziej szczegółowoALGORYTMY PRZETWARZANIA OBRAZÓW Projekt. Aplikacja przetwarzająca obrazy z możliwością eksportu i importu do programu MS Excel.
Grupa IZ07IO1 Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT ALGORYTMY PRZETWARZANIA OBRAZÓW Projekt Aplikacja przetwarzająca obrazy z możliwością eksportu i importu do programu MS Excel. Wykonali:
Bardziej szczegółowoKomputerowe obrazowanie medyczne
Komputerowe obrazowanie medyczne Część II Przetwarzanie i analiza obrazów medycznych Grafika rastrowa i wektorowa W grafice wektorowej obrazy i rysunki składają się z szeregu punktów, przez które prowadzi
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 szczegółowoJoint Photographic Experts Group
Joint Photographic Experts Group Artur Drozd Uniwersytet Jagielloński 14 maja 2010 1 Co to jest JPEG? Dlaczego powstał? 2 Transformata Fouriera 3 Dyskretna transformata kosinusowa (DCT-II) 4 Kodowanie
Bardziej szczegółowoWyższa Szkoła Informatyki Stosowanej i Zarządzania
Wyższa Szkoła Informatyki Stosowanej i Zarządzania Grupa ID308, Zespół 11 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń Ćwiczenie 6 Temat: Operacje sąsiedztwa wyostrzanie obrazu Wykonali: 1. Mikołaj Janeczek
Bardziej szczegółowoOdczytywanie i zapisywanie obrazów rastrowych do plików, operacje punktowe na tablicach obrazów
Laboratorium 1 Odczytywanie i zapisywanie obrazów rastrowych do plików, operacje punktowe na tablicach obrazów Konfiguracja systemu WinPython 3.6/ 3.7 Otworzyć konsolę Python a WinPython Command Prompt
Bardziej szczegółowoi ruchów użytkownika komputera za i pozycjonujący oczy cyberagenta internetowego na oczach i akcjach użytkownika Promotor: dr Adrian Horzyk
System śledzenia oczu, twarzy i ruchów użytkownika komputera za pośrednictwem kamery internetowej i pozycjonujący oczy cyberagenta internetowego na oczach i akcjach użytkownika Mirosław ł Słysz Promotor:
Bardziej szczegółowoDetekcja kształtów i wybrane cechy obrazów konturowych
Informatyka, S2 sem. Letni, 2013/2014, wykład#7 Detekcja kształtów i wybrane cechy obrazów konturowych dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydział Informatyki ZUT 1 / 61 Proces
Bardziej szczegółowoPrzetwarzanie obrazów wykład 2
Przetwarzanie obrazów wykład 2 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Etapy obróbki pozyskanego obrazu Obróbka wstępna
Bardziej szczegółowoLaboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 9. Przetwarzanie sygnałów wizyjnych. Politechnika Świętokrzyska.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 9 Przetwarzanie sygnałów wizyjnych. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów z funkcjami pozwalającymi na
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 szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 2 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 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 szczegółowoPOPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement)
POPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement) Przetwarzanie obrazów cyfrowych w celu wydobycia / uwydatnienia specyficznych cech obrazu dla określonych zastosowań. Brak
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 szczegółowoFILTRACJE W DZIEDZINIE CZĘSTOTLIWOŚCI
FILTRACJE W DZIEDZINIE CZĘSTOTLIWOŚCI ( frequency domain filters) Każdy człon F(u,v) zawiera wszystkie wartości f(x,y) modyfikowane przez wartości członów wykładniczych Za wyjątkiem trywialnych przypadków
Bardziej szczegółowoZastosowanie stereowizji do śledzenia trajektorii obiektów w przestrzeni 3D
Zastosowanie stereowizji do śledzenia trajektorii obiektów w przestrzeni 3D autorzy: Michał Dajda, Łojek Grzegorz opiekun naukowy: dr inż. Paweł Rotter I. O projekcie. 1. Celem projektu było stworzenie
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie trzecie Operacje na dwóch obrazach Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z operacjami jakie możemy wykonywać na dwóch obrazach,
Bardziej szczegółowoSzybka transformacja Fouriera (FFT Fast Fourier Transform)
Szybka transformacja Fouriera (FFT Fast Fourier Transform) Plan wykładu: 1. Transformacja Fouriera, iloczyn skalarny 2. DFT - dyskretna transformacja Fouriera 3. FFT szybka transformacja Fouriera a) algorytm
Bardziej szczegółowoPodstawy programowanie systemów wizyjnych InSight firmy Cognex. Środowisku InSight Explorer / Spreadshee
Podstawy programowanie systemów wizyjnych InSight firmy Cognex Środowisku InSight Explorer / Spreadshee Opis zadania: Wykrycie umownych różnic pomiędzy wzorcową płytką testową i płytkami zawierającymi
Bardziej szczegółowo6. Algorytmy ochrony przed zagłodzeniem dla systemów Linux i Windows NT.
WYDZIAŁ: GEOLOGII, GEOFIZYKI I OCHRONY ŚRODOWISKA KIERUNEK STUDIÓW: INFORMATYKA STOSOWANA RODZAJ STUDIÓW: STACJONARNE I STOPNIA ROK AKADEMICKI 2014/2015 WYKAZ PRZEDMIOTÓW EGZAMINACYJNYCH: I. Systemy operacyjne
Bardziej szczegółowoAntyaliasing w 1 milisekundę. Krzysztof Kluczek
Antyaliasing w 1 milisekundę Krzysztof Kluczek Zasada działania Założenia: Metoda bazująca na Morphological Antialiasing (MLAA) wejście: obraz wyrenderowanej sceny wyjście: zantyaliasowany obraz Krótki
Bardziej szczegółowo