Zabawa z grak z programem Scilab. Jacek Tabor
|
|
- Ryszard Karczewski
- 8 lat temu
- Przeglądów:
Transkrypt
1 Zabawa z grak z programem Scilab Jacek Tabor
2 Rozdziaª 1 Operacje na obrazach 1.1 Elementy statystyki w analizie muzyki i zdj : histogram Statystyka = nauka sªu» ca do opisu, przetwarzania i interpretacji danych posiadaj cych charakter losowy. Poj cie podstawowe: zmienna losowa. W uproszczeniu, zmienna losowa to sposób losowania/generowania liczb rzeczywistych 1. Zmienne losowe: dyskretne oraz ci gªe. Dyskretne - maj sko«czon ilo± warto±ci, dla ci gªych wynikiem mo»e by potencjalnie dowolna liczba rzeczywista. Najbardziej naturalny/podstawowy z rozkªadów ci gªych jest rozkªad jednostajny na odcinku [0, 1] i rozkªad normalny (generowanie w Scilabie za pomoc rand). Przykªady zmiennych losowych: wynik rzutu kostk czas trwania rozmowy telefonicznej temperatura warto± indeksu gieªdowego. warto± losowo wybranego piksela na zdj ciu czarno biaªym (gdyby byªo kolorowe, to za jednym losowaniem mamy trzy warto±ci, czyli b dzie zmienna losowa wektorowa) to samo dla muzyki Podstawowe rozkªady: jednostajny na danym odcinku normalny dyskretne - rzut monet, dwumianowy, etc. Prosz sobie uruchomi nast puj cy program/skrypt napisany w Scilabie: wylosowanie i estymacja z danego rozkladu uzywam pakiety Stix x=rand (1,100) ; wylosowanie 100 l i c z b z rozkladu jednostajnego na [ 0, 1 ] mean( x ) ; zwraca wartosc srednia median( x ) ; zwraca mediane std ( x ) ; zwraca odchylenie standardowe 1 cz sto rozwa»a si tak»e zmienne losowe wielowymiarowe-wektorowe, gdzie losujemy wektory 1
3 mad( x ) ; zwraca mean absolute d e v i a t i o n tworzenie histogramu : histo ( x, [ 2 0 ], [ ], 1 ) ; 20 oznacza, ze na 20 kawalkow clf ( ) ; koma grand b a r d z i e j zaawansowana wersja rand x=grand(1,100000, " nor ",0,1) ; rozklad normalny histo ( x, [ 5 0 ], [ ], 1 ) ; Statystyka zajmuje si badaniem zmiennych losowych. Podstawowe funkcje statystyki opisowej to ±rednia i mediana, liczone dla danego zestawu danych (x i ) za pomoc wzorów mean(x) = 1 n xi ; median(x) = {m : card{i : x i <= m} = card{i : x i m}}. Je»eli próbka ma nieparzyst ilo±, to mediana jest wyznaczona jednoznacznie przy zaªo»eniu,»e ci g jest ustawiony rosn co, to ±rodkowy element dla parzystej mo»e by dowolny z przedziaªu mi dzy dwoma ±rodkowymi elementami (cz sto w zwi zku z tym przyjmuje si albo dowolny koniec tego przedziaªu, albo ±rodek). Okazuje si,»e ltry medianowe s bardzo przydatne do usuwania szumu ze zdj. Z naszego punktu widzenia kluczowe do analizy zdj jest poj cie histogramu dzielimy zakres który przyjmuje nasza zmienna na równe pudeªka i zliczamy ile razy wpada do danego pudeªka (najcz ±ciej jeszcze normalizujemy dziel c przez ilo± danych). Przykªad ze Scilaba 1.1. Rysowanie histogramu: histogram na c z t e r y sposoby clear r e c z n i e policzony image=imread ( " lena. jpg " ) ; [ h, w]= size ( image ( :, :, 1 ) ) ; histr=zeros (1,256) ; histg=zeros (1,256) ; histb=zeros (1,256) ; for y=1: h for x=1: w lr=1+double( image ( y, x, 1 ) ) ; histr ( lr )=histr ( lr ) +1; lg=1+double( image ( y, x, 2 ) ) ; histg ( lg )=histg ( lg ) +1; lb=1+double( image ( y, x, 3 ) ) ; histb ( lb )=histb ( lb ) +1; bar ( h i s t ) ; o p c j o n a l n i e clf ( ) ; plot ( histr /( h w ), " r " ) ; plot ( histg /( h w ), "g" ) ; plot ( histb /( h w ), "b" ) ; b i o r e pod uwage red b i o r e pod uwage green b i o r e pod uwage blue wbudowana w IDP global IPD_PATH ; RGB = ReadImage ( IPD_PATH + "demos\ t e a s e t. png" ) ; Image = RGB2Gray ( RGB ) ; ShowImage ( Image, "Gray Level Image" ) ; Histogram = CreateHistogram ( Image, 10) ; plot ( Histogram ) ; wbudowane w SIVP im = imread ( " lena. jpg " ) ; r y s u j e histogram dla koloru z i e l o n e g o imhist ( im ( :, :, 2 ), 256, 1, "g" ) ; 2
4 W momencie gdy mamy zrobiony histogram, mo»emy dokona progowania (thresholding), w celu zamiany zdj cia na czarno-biaªe (czasami potrzebujemy do obróbki mie jednoznaczn gur ). Uwaga, do dzielenia histogramu/szukania progu mo»e si przyda koma CalculateOtsuThreshold z pakietu IPD. Rozszerzanie histogramu jest proste rozszerzamy tak zakres, by zajmowaª caªy przedziaª (patrz w nast pnym przykªadzie). clear ; RGB=imread ( " lena. jpg " ) ; im=im2double ( RGB ) ; imshow ( im ) ; YCbCr=rgb2ycbcr ( RGB ) ; YCbCr ( :, :, 2 ) =1.6 ( YCbCr ( :, :, 2 ) 0.2) ; Y=ycbcr2rgb ( YCbCr ) ; imshow ( Y ) ; Cz sto dokonujemy nieliniowych operacji (tak zwana korekcja gamma cz sto stosowana do oceny/poprawy jako±ci monitorów), patrz gamma korekcja nie przez Look up t a b l e im=imread ( " lena. jpg " ) ; im=rgb2gray ( im ) ; IM=im2double ( im ) ; imshow ( IM ) ; function B=korekta ( A, f ) B=zeros ( A ) ; for i=1: size ( A, "c" ) for j=1: size ( A, " r " ) B ( i, j )=f ( A ( i, j ) ) ; function function y=ga ( x ) y=sqrt ( x ) ; function IM2=korekta ( IM, ga ) ; imshow ( IM2 ) ; To jest wa»ne, gdy» czªowiek rozró»nia okoªo odcieni szarego, a na normalnym zdj ciu jest ich 256 w zwi zku z tym pomijamy (nie dostrzegamy) w sposób naturalny pewnych informacji. UWAGA: je»eli mamy zdj cie kolorowe, i chcemy dokona rozszerzenia, nale»y zmieni na inn konwencj zapisu barw, w której mamy osobno wyró»nion jasno± (i pozostaªe dwie wspóªrz dne opisuj ce kolor w SIVP to YCbCR lub ew. NTSC, w IPD to LAB). I wtedy modykujemy tylko jasno±, co powoduje,»e barwa zostanie zachowana. W przeciwnym razie mo»emy otrzyma sztuczne barwy (typu oletowe niebo), gdy» ka»d warstw R, G, B by±my modykowali oddzielnie. 1.2 Operacje morfologiczne Podstawowe podej±cie do analizy zdj jest próba patrzenia na zdj cia jak na zbiory w podstawowej postaci umo»liwia to analiz tylko zdj binarnych: obraz cyfrowy, którego piksele mog przyjmowa tylko 2 warto±ci zazwyczaj to (0, 1), (0, 255), (T rue, F alse),... jedna z warto±ci uznawana jest za tªo, druga za pierwszy plan (obiekt w obrazie) 3
5 kwestia umowna, na wykªadzie przyjmujemy tªo: 0 (czarny), obiekt: 1(biaªy, czyli zapalony piksel), ale mo»na spotka tak»e inne; supportem (wsparciem, support) nazywamy zbiór wszystkich pikseli o warto±ci odpowiadaj cej pierwszemu planowi dopeªnieniem (complement) supportu nazywamy zbiór wszystkich pozostaªych pikseli (o warto±ciach tªa) Najpro±ciej ze zdj cia czarno biaªego stworzy binarne za pomoc progowania (thresholding). Mo»liwo±ci jest bardzo wiele, mo»na dla przykªadu w SIVP u»y komy im2bw (prosz pami ta,»e zdj cie binarne w SIVP to macierz boolowska). Teraz sobie opowiemy o operacjach morfologii matematycznej. Zaczniemy od zbiorów binarnych. Polecam wi cej informacji wikipedia, oraz: Mamy wi c zbiór A, i opiszemy podstawowe morfologiczne operacje na nim. Zaczn od operacji dylacji. Do dokonywania dylacji potrzebowa b dziemy jeszcze elementu strukturalnego (structural element E, zazwyczaj b dzie to albo kwadrat albo koªo) Denicja 1.1. Dylacja A za pomoc elementu strukturalnego E geometrycznie polega to na ustawieniu w ka»dym punkcie zbioru A elementu strukturalnego E. Erozja jest operacj w pewnym sensie przeciwn dokonujemy jakby dylacji tªa. Element strukturalny to macierz boolowska, w której domy±lnie ±rodkowy element jest ustawiony w zerze, a T oznacza zbiór, F oznacza poza nim. Prosz zobaczy na przykªad u doªu. W ten sposób mo»na wykry kraw dzie, bior c ró»nic mnogo±ciow mi dzy dylacj a erozj. wbudowana w IDP lena = ReadImage ( " lena. png" ) ; pep=readimage ( " peppers. png" ) ; lena=rgb2gray ( lena ) ; pep=rgb2gray ( pep ) ; T=lena ; T ( lena <125)=0; T ( lena >=125)=255; ShowImage ( T, "p" ) ; WriteImage ( T, "T. png" ) ; Struct=CreateStructureElement ( " c i r c l e ",2) ; dit=dilateimage ( T, Struct ) ; ert=erodeimage ( T, Struct ) ; ShowImage ( dit, " " ) ; WriteImage ( dit, "dit. png" ) ; ShowImage ( ert, " " ) ; WriteImage ( ert, "ert. png" ) ; r oznica mnogosciowa brzeg bdt=bitand ( dit, bitcmp ( ert, 8 ) ) ; ShowImage ( bdt, " " ) ; WriteImage ( bdt, "bdt. png" ) ; przyklad SE=CreateStructureElement ( " h o r i z o n t a l _ l i n e ",5) SE. Data ShowImage ( DilateImage ( T, SE ), " " ) ; 4
6 (a) (b) (c) (d) Rysunek 1.1: Lena, dylacja, erozja, brzeg. Zªo»enie dylacji i erozji (za pomoc tego samego elementu strukturalnego), to zamkni cie morfologiczne, zªo»enie erozji i dylacji to otwarcie morfologiczne. Pod koniec wykªadu pojawiªy si jeszcze informacje na temat szkieletenyzacji. Poniewa» metoda u»ywa szczególnego przypadku algorytmu hit-or-miss (który u»ywa troszk uogólnionych elementów strukturalnych), opowiem dokªadniej jeszcze raz na nast pnym wykªadzie, na którym pojawi si te» elementy morfologii dla obrazów w odcieniach szaro±ci. 1.3 Operacje arytmetyczne Praca na dwóch obrazach tej samej wielko±ci. wariacje). Najwa»niejsze jest odejmowanie: Mo»na dodawa, odejmowa mno»y i dzieli (plus ró»ne pozwala na odejmowanie tªa (dla przykªadu zdj cia z mikroskopu); kamery wykrywanie ruchu (zªodziej, etc). Zaimplementowane gªównie w SIVP. Dodawanie z nasyceniem imadd (je»eli przekracza warto± 255, zostaje 255), dodawanie modulo: zwykªe dodawanie. PRZYKLADY: Lena=imread ( "C: \ Users \ Jacek \AppData\Roaming\ S c i l a b \ s c i l a b 5.3.3\ atoms\sivp\ \ images \ lena. png" ) ; imshow ( Lena ) ; Pep=imread ( "C: \ Users \ Jacek \AppData\Roaming\ S c i l a b \ s c i l a b 5.3.3\ atoms\sivp\ \ images \ peppers. png" ) ; imshow ( Pep ) ; d o p e l n i e n i e imshow ( imcomplement ( Lena ) ) ; dodawanie z nasyceniem j e z e l i wykracza poza zakres obnizamy do maksymalnej wartosci imshow ( imadd ( Lena, Pep ) ) ; dodawanie modulo imshow ( Lena+Pep ) ; odejmowanie n a j c z e s c i e j odejmujemy t l o ( sfotografowane o d d z i e l n i e ) imshow ( imsubtract ( Lena, Pep ) ) ; imshow ( imsubtract ( Pep, Lena ) ) ; podobna r o l e p e l n i imshow ( imdivide ( Pep, Lena ) ) ; modul roznicy do wykrywania ruchu imshow ( imabsdiff ( Lena, Pep ) ) ; 5
7 kombinacja l i n i o w a mozna za pomoca imlincomb a mozna lenas=im2double ( Lena ) ; peps=im2double ( Pep ) ; imshow ( 0. 2 lenas +0.8 peps ) ; d z i e k i temu mozna b a r d z i e j skomplikowane lokalna kombinacja komb=lenas ; wyciagam maske odpowiadajaca czerwonemu maska=imsubtract ( peps ( :, :, 1 ), peps ( :, :, 2 ) ) ; maska ( maska <0.4) =0; maska ( maska >=0.4) =1; imshow ( maska ) ; komb ( :, :, 1 )=maska ; komb ( :, :, 2 )=maska ; komb ( :, :, 3 )=maska ; imshow ( komb. peps+(1 komb ). lenas ) ; imwrite ( komb. peps+(1 komb ). lenas, " lenapep. png" ) ; wyciagam maske odpowiadajaca zielonemu maska=imsubtract ( peps ( :, :, 2 ), peps ( :, :, 1 ) ) ; maska ( maska <0.08) =0; maska ( maska >=0.08) =1; imshow ( maska ) ; komb ( :, :, 1 )=maska ; komb ( :, :, 2 )=maska ; komb ( :, :, 3 )=maska ; imshow ( komb. peps+(1 komb ). lenas ) ; chcemy widzowi zaznaczyc obszar ktory nas i n t e r e s u j e wyr ªzniam podejrzane o blue Blue=imsubtract ( Lena ( :, :, 3 ), Lena ( :, :, 2 ) ) ; imshow ( Blue ) ; Prog=Blue ; Prog ( Blue<=50)=0; Prog ( Blue >50)=255; imshow ( Prog ) ; j e rozjasniam, r e s z t e sciemniam Le=rgb2ycbcr ( Lena ) ; Cz=Le ( :, :, 2 ) ; Cz ( Blue >50)=Cz ( Blue >50) +0.2; Cz ( Blue<=50)=Cz ( Blue<=50) 0.2; Le ( :, :, 2 )=Cz ; imshow ( ycbcr2rgb ( Le ) ) ; imwrite ( ycbcr2rgb ( Le ), " lenablue. png" ) ; Widzimy,»e dodawanie rozja±nia. Mo»na wzi kombinacj liniow, w tym celu najlepiej imlincomb, mo»na te» przej± na double: im2double i zastosowa zwykªe mno»enie. Mo»na te» lokalnie zmienia wspóªczynniki. Do odejmowania imsubtract, mo»na te» odj modulo za pomoc zwykªego odejmowania. Sªu»y cz sto do odejmowania tªa (przykªad zdj cia mikroskopowe, brudne szkªo, etc). Wygodn modykacj jest absdiff moduª ró»nicy dwóch obrazów. Wykrywa ruch, lub zmiany w dwóch obrazach. Lena z niebieskim obrazuje przykªad, jak potencjalnie stosowa do zaznaczania podejrzanych/interesuj - cych obszarów, by zwróci uwag obserwatora. 1.4 Operacje logiczne na zdj ciach binarnych Podstawowe operacje to NOT, OR, AND, XOR, SUB ró»nica mnogo±ciowa (1 SUB 1=0, 1 SUB 0=1, p SUB 0=p). Pakiet IDP I= ones (10, 10) generate gray image M=diag ( [ 1, 0, 1, 0, 1, 0, 1, 0, 1, 0 ] ) ; 6
8 (a) (b) Rysunek 1.2: Lena z papryczkami i z podkre±lonym niebieskim. Pion=I M ; Poziom=M I ; figure ( 1 ) ; ShowImage ( Pion, " " ) ; figure ( 2 ) ; ShowImage ( Poziom, " " ) ; podstawowe operacje logiczne ShowImage (max( Pion, Poziom ), " ShowImage ( min ( Pion, Poziom ), " ShowImage (1 Pion, " " ) / / n o t wbudowana proguje ") or ") and w IDP lena = ReadImage ( "C : \ U s e r s \ J a c e k \ AppData \ Roaming \ S c i l a b \ s c i l a b \ a t o m s \ SIVP \ \ i m a g e s \ l e n a. png " ) ; ShowColorImage ( lena, " " ) ; lena=rgb2gray ( lena ) ; ShowImage ( lena, " " ) ;,, rozsadnie, metoda otsu Threshold = CalculateOtsuThreshold ( lena ) ShowImage ( binlena, " l e n a " ) ; Pakiet wyznacza progowanie najlepsze z naszego punktu widzenia SIVP Lena=imread ( "C : \ U s e r s \ J a c e k \ AppData \ Roaming \ S c i l a b \ s c i l a b \ a t o m s \ SIVP \ \ i m a g e s \ l e n a. png " ) ; Pep=imread ( "C : \ U s e r s \ J a c e k \ AppData \ Roaming \ S c i l a b \ s c i l a b \ a t o m s \ SIVP \ \ i m a g e s \ p e p p e r s. png " ) ; imshow ( Lena ) ; lena=im2bw ( Lena, 0. 5 ) imshow ( lena ) ; pep=im2bw ( Pep, 0. 5 ) ; imshow ( pep ) ; imshow ( ~ pep ) ; imshow ( lena pep ) ; imshow ( lena & pep ) ; imshow ( lena & ~ pep ) ; imshow ( pep & ~ lena ) ; sa losowe takze inne ; metody roznica mnogosciowa binaryzacji lenas=im2double ( Lena ) ; l e n a s=r g b 2 g r a y ( l e n a s ) ; for i = 1 : los=rand ( lenas ) ; binlenas=lenas ( :, :, : )> los ( :,:,:) ; b i n l e n a s=l e n a s ( :, : ) > l o s ( :, : ) ; imshow ( binlenas ) ; 7
9 Mo»na rozszerzy operacje logiczne (w sposób troszk sztuczny) na dowolne zdj cia, a mianowicie, mo»emy interpretowa warto± z zakresu jako ci g o±miu bitów, i wtedy mo»emy wykonywa operacje logiczne na tych bitach (bit po bicie). W Scilabie to m.in. komy bitand,bitor,bitxor. Wygodne do u»ycia maski (i bardzo szybkie). wbudowana w IDP lena = ReadImage ( " lena. png" ) ; pep=readimage ( " peppers. png" ) ; lena=rgb2gray ( lena ) ; pep=rgb2gray ( pep ) ; figure (1) ; ShowImage ( bitor ( lena, pep ), " " ) ; maska M=zeros ( lena ) ; for i=1: size ( M, "c" ) for j=1: size ( M, " r " ) i f ( abs ( i 256)+abs ( j 256) <256) then M ( i, j ) =255; ; M=uint8 ( M ) ; ShowImage ( bitand ( M, lena ), "?" ) ; ShowImage ( bitor ( M, lena ), "?" ) ; Poniewa» operacje te nie s za bardzo naturalne, wprowadzimy logik rozmyt która pozwala na bardziej naturalne operacje na zdj ciach (domy±lnie czarno biaªych). Podstaw analizy logicznej zdj czarno-biaªych jest patrzenie na zdj cia jako na zbiory. Poniewa» zdj cia przyjmuj warto±ci pomi dzy [0, 1], potrzebujemy umie rozumie tego typu zbiory. Do tego podstawowa okazuje si by logika rozmyta. W przeciwie«stwie do klasycznej logiki, która dopuszcza tylko warto±ci 0, 1, dopuszczamy caªe spektrum pomi dzy 0 i 1. Interpretacja jest taka,»e interesuj ce nas zdania nie traktujemy jako pewne (typu: czªowiek maj cy 65 lat jest stary nie zawsze b dzie prawdziwe, zale»y od czªowieka który je wypowiada). Denicje operacji s nast puj ce: pandq = min(p, q), porq = max(p, q), NOT p = 1 p, psubq = max(p q, 0). Zadanie 1.1. Prosz sprawdzi, czy zachodz analogie klasycznych (na przykªad, czy zdanie por(n OT p) ma zawsze warto± logiczn 1). Operacje na zbiorach rozmytych s konsekwencjami logiki rozmytej. wbudowana w IDP lena = ReadImage ( " lena. png" ) ; pep=readimage ( " peppers. png" ) ; lena=rgb2gray ( lena ) ; pep=rgb2gray ( pep ) ; ShowImage (min( lena, pep ), " p r z e c i e c i e " ) ; ShowImage (max( lena, pep ), "suma mnogosciowa" ) ; 1.5 Splot Splot jest analogiczn operacj do morfologicznych operacji przy pomocy elementu strukturalnego. s p l o t l i c z o n y z d e f i n i c j i function Wynik=Splot ( Obraz, maska ) 8
10 (a) (b) Rysunek 1.3: Rozmyte przeci cie i suma mnogo±ciowa. [ m, n ] = size ( maska ) ; maska mxn, m i n n i e p a r z y s t e rm = int ( m /2) ; rn=int ( n /2) ; promienie masek [ M, N ] = size ( Obraz ) ; obraz M wierszy i N kolumn Wynik = zeros ( M+m 1,N+n 1) ; for i= rm : rm for j= rn : rn Wynik=Wynik+PadImage ( Obraz, 0, rm i, rm+i, rn+j, rn j ) maska ( i+rm+1,j+rn+1) ; Wynik=Wynik(1+rm : $ rm,1+ rn : $ rn ) ; function im=imread ( "C: \ Users \ Jacek \AppData\Roaming\ S c i l a b \ s c i l a b 5.3.3\ atoms\sivp\ \ images \ lena. png" ) ; Obraz=rgb2gray ( im2double ( im ) ) ; imshow ( Obraz ) ; operacja rozmywania maska = [ 1, 1, 1 ; 1, 1, 1 ; 1, 1, 1 ] ; maska=maska/sum( maska ) ; Wynik=Splot ( Obraz, maska ) ; imshow ( Wynik ) ; imwrite ( Wynik, " [ 1, 1, 1 ; 1, 1, 1 ; 1, 1, 1 ]. png" ) ; operacja gradientu pochodnej maska =[ 1, 2, 1;0,0,0;1,2,1]; Wynik=Splot ( Obraz, maska ) ; imshow ( Wynik ) ; imwrite ( Wynik, " [ 1, 2, 1;0,0,0;1,2,1]. png" ) ; operacja wyostrzania : obraz + l a p l a s j a n maska =[0, 1,0; 1,5,1;0, 1,0]; Wynik=Splot ( Obraz, maska ) ; imshow ( Wynik ) ; imwrite ( Wynik, " [0, 1,0; 1,5,1;0, 1,0]. png" ) ; f i l t r Sobela moduˆ gradientu maska =[ 1, 2, 1;0,0,0;1,2,1]; Wy=Splot ( Obraz, maska ) ; Wx=Splot ( Obraz, maska ) ; transponowanie Wynik=abs ( Wx )+abs ( Wy ) ; M=max( Wynik ) ; W=Wynik/M ; imshow ( W ) ; 9
11 imwrite ( W, " Sobel. png" ) ; przyklad uzycia wbudowanego f i l t r a w SIVP dziaˆ a na kazdym kanale z RGB osobno f i l t e r = fspecial ( " s o b e l " ) ; imf = imfilter ( im, f i l t e r ) ; imshow ( imf ) ; 10
BIBLIOTEKA 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 szczegółowoKomputerowe przetwarzanie obrazu Laboratorium 5
Komputerowe przetwarzanie obrazu Laboratorium 5 Przykład 1 Histogram obrazu a dobór progu binaryzacji. Na podstawie charakterystyki histogramu wybrano dwa różne progi binaryzacji (120 oraz 180). Proszę
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 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 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 szczegółowoWyższa Szkoła Informatyki Stosowanej i Zarządzania
Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT Grupa IZ06TC01, Zespół 3 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń laboratoryjnych Ćwiczenie nr 5 Temat: Modelowanie koloru, kompresja obrazów,
Bardziej szczegółowoZabawa z grak z programem Scilab. Jacek Tabor
Zabawa z grak z programem Scilab Jacek Tabor Rozdziaª 1 Zmiana skali Na dobry pocz tek: http://wwwtheinvisiblegorillacom/gorilla_experimenthtml 11 CIE 1931 Color Matching Functions Sposób w jaki widzimy
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 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 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 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 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 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 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 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 szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana
Bardziej szczegółowoProgramowanie funkcyjne. Wykªad 13
Programowanie funkcyjne. Wykªad 13 Siªa wyrazu rachunku lambda Zdzisªaw Spªawski Zdzisªaw Spªawski: Programowanie funkcyjne. Wykªad 13, Siªa wyrazu rachunku lambda 1 Wst p Warto±ci logiczne Liczby naturalne
Bardziej szczegółowoi, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski 5 kwietnia 2017
i, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski Uniwersytet Šódzki, Wydziaª Matematyki i Informatyki UŠ piotr@fulmanski.pl http://fulmanski.pl/zajecia/prezentacje/festiwalnauki2017/festiwal_wmii_2017_
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 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 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 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 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 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 szczegółowo'()(*+,-./01(23/*4*567/8/23/*98:)2(!."/+)012+3$%-4#"4"$5012#-4#"4-6017%*,4.!"#$!"#%&"!!!"#$%&"#'()%*+,-+
'()(*+,-./01(23/*4*567/8/23/*98:)2(!."/+)012+3$%-4#"4"$5012#-4#"4-6017%*,4.!"#$!"#%&"!!!"#$%&"#'()%*+,-+ Ucze interpretuje i tworzy teksty o charakterze matematycznym, u ywa j zyka matematycznego do opisu
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 szczegółowoLogika binarna. Prawo łączności mówimy, że operator binarny * na zbiorze S jest łączny gdy (x * y) * z = x * (y * z) dla każdego x, y, z S.
Logika binarna Logika binarna zajmuje się zmiennymi mogącymi przyjmować dwie wartości dyskretne oraz operacjami mającymi znaczenie logiczne. Dwie wartości jakie mogą te zmienne przyjmować noszą przy tym
Bardziej szczegółowoTechnologie Informacyjne
Technologie Informacyjne Szkoła Główna Służby Pożarniczej Zakład Informatyki i Łączności April 11, 2016 Technologie Informacyjne Wprowadzenie : wizualizacja obrazów poprzez wykorzystywanie technik komputerowych.
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 szczegółowoPRAKTYKA PRZETWARZANIA OBRAZU W PROGRAMIE MATLAB
Zygmunt Wróbel Robert Koprowski PRAKTYKA PRZETWARZANIA OBRAZU W PROGRAMIE MATLAB EXIT 2004 2 3 SPIS TREŚCI Wstęp 7 CZĘŚĆ I 9 OBRAZ ORAZ JEGO DYSKRETNA STRUKTURA 9 1. Obraz w programie Matlab 11 1.1. Reprezentacja
Bardziej szczegółowoLekcja 9 - LICZBY LOSOWE, ZMIENNE
Lekcja 9 - LICZBY LOSOWE, ZMIENNE I STAŠE 1 Liczby losowe Czasami spotkamy si z tak sytuacj,»e b dziemy potrzebowa by program za nas wylosowaª jak ± liczb. U»yjemy do tego polecenia: - liczba losowa Sprawd¹my
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 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 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 szczegółowoBash i algorytmy. Elwira Wachowicz. 20 lutego
Bash i algorytmy Elwira Wachowicz elwira@ifd.uni.wroc.pl 20 lutego 2012 Elwira Wachowicz (elwira@ifd.uni.wroc.pl) Bash i algorytmy 20 lutego 2012 1 / 16 Inne przydatne polecenia Polecenie Dziaªanie Przykªad
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 szczegółowoOperator rozciągania. Obliczyć obraz q i jego histogram dla p 1 =4, p 2 =8; Operator redukcji poziomów szarości
Operator rozciągania q = 15 ( p p1 ) ( p p ) 0 2 1 dla p < p p 1 2 dla p p, p > p 1 2 Obliczyć obraz q i jego histogram dla p 1 =4, p 2 =8; Operator redukcji poziomów szarości q = 0 dla p p1 q2 dla p1
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 szczegółowoLaboratorium metod numerycznych numer 1
Laboratorium metod numerycznych numer 1 Dla grup:wszystkich (Dated: 27 II 2013) I. WST P Na laboratoriach z metod numerycznych b dziemy posªugiwali si pakietem Octave, który jest darmow alternatyw dla
Bardziej szczegółowoAdam Korzeniewski p Katedra Systemów Multimedialnych
Adam Korzeniewski adamkorz@sound.eti.pg.gda.pl p. 732 - Katedra Systemów Multimedialnych Zastosowania grafiki komputerowej Światło widzialne Fizjologia narządu wzroku Metody powstawania barw Modele barw
Bardziej szczegółowoOpis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej
Opis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej 3.1 Informacje ogólne Program WAAK 1.0 służy do wizualizacji algorytmów arytmetyki komputerowej. Oczywiście istnieje wiele narzędzi
Bardziej szczegółowoPODSTAWY METROLOGII ĆWICZENIE 4 PRZETWORNIKI AC/CA Międzywydziałowa Szkoła Inżynierii Biomedycznej 2009/2010 SEMESTR 3
PODSTAWY METROLOGII ĆWICZENIE 4 PRZETWORNIKI AC/CA Międzywydziałowa Szkoła Inżynierii Biomedycznej 29/2 SEMESTR 3 Rozwiązania zadań nie były w żaden sposób konsultowane z żadnym wiarygodnym źródłem informacji!!!
Bardziej szczegółowoKsztaªt orbity planety: I prawo Keplera
V 0 V 0 Ksztaªt orbity planety: I prawo Keplera oka»emy,»e orbit planety poruszaj cej si pod dziaªaniem siªy ci»ko±ci ze strony Sªo«ca jest krzywa sto»kowa, w szczególno±ci elipsa. Wektor pr dko±ci planety
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 szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przekształcenia geometryczne Obroty Przesunięcia Odbicia Rozciągnięcia itp Przekształcenia geometryczne Obroty Wielokrotność 90 stopni Inne Przekształcenia geometryczne Obroty Wielokrotność
Bardziej szczegółowoPlan wykładu. Wprowadzenie Program graficzny GIMP Edycja i retusz zdjęć Podsumowanie. informatyka +
Plan wykładu Wprowadzenie Program graficzny GIMP Edycja i retusz zdjęć Podsumowanie 2 Wprowadzenie Po co obrabiamy zdjęcia Obrazy wektorowe i rastrowe Wielkość i rozdzielczość obrazu Formaty graficzne
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 2 Histogram i arytmetyka obrazów Opracowali: - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej, Instytut
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
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 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 szczegółowoĆwiczenie 6. Transformacje skali szarości obrazów
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 6. Transformacje skali szarości obrazów 1. Obraz cyfrowy Obraz w postaci cyfrowej
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 szczegółowoEGZAMIN MATURALNY Z MATEMATYKI CZERWIEC 2012 POZIOM PODSTAWOWY. Czas pracy: 170 minut. Liczba punktów do uzyskania: 50 WPISUJE ZDAJĄCY
Centralna Komisja Egzaminacyjna Arkusz zawiera informacje prawnie chronione do momentu rozpoczęcia egzaminu. Układ graficzny CKE 010 KOD WPISUJE ZDAJĄCY PESEL Miejsce na naklejkę z kodem dysleksja EGZAMIN
Bardziej szczegółowoEKSPLORACJA ZASOBÓW INTERNETU LABORATORIUM VIII WYSZUKIWANIE OBRAZÓW
EKSPLORACJA ZASOBÓW INTERNETU LABORATORIUM VIII WYSZUKIWANIE OBRAZÓW 1. Motywacja Strony internetowe zawierają 70% multimediów Tradycyjne wyszukiwarki wspierają wyszukiwanie tekstu Kolekcje obrazów: Dwie
Bardziej szczegółowoZarządzanie Zasobami by CTI. Instrukcja
Zarządzanie Zasobami by CTI Instrukcja Spis treści 1. Opis programu... 3 2. Konfiguracja... 4 3. Okno główne programu... 5 3.1. Narzędzia do zarządzania zasobami... 5 3.2. Oś czasu... 7 3.3. Wykres Gantta...
Bardziej szczegółowoTechniki wizualizacji. Ćwiczenie 2. Obraz cyfrowy w komputerze
Doc. dr inż. Jacek Jarnicki Instytut Informatyki, Automatyki i Robotyki Politechniki Wrocławskiej jacek.jarnicki@pwr.wroc.pl Techniki wizualizacji Ćwiczenie 2 Obraz cyfrowy w komputerze Celem ćwiczenia
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 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 szczegółowoWYKŁAD 8. Postacie obrazów na różnych etapach procesu przetwarzania
WYKŁAD 8 Reprezentacja obrazu Elementy edycji (tworzenia) obrazu Postacie obrazów na różnych etapach procesu przetwarzania Klasy obrazów Klasa 1: Obrazy o pełnej skali stopni jasności, typowe parametry:
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 szczegółowoPodstawy programowania sterowników GeFanuc
Podstawy programowania sterowników GeFanuc Waldemar Samociuk Zakład Teorii Maszyn i Automatyki Katedra Podstaw Techniki Felin p.110 http://ztmia.ar.lublin.pl/sips waldemar.samociuk@up.lublin,pl Podstawy
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoPodstawowe operacje arytmetyczne i logiczne dla liczb binarnych
1 Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1. Podstawowe operacje logiczne dla cyfr binarnych Jeśli cyfry 0 i 1 potraktujemy tak, jak wartości logiczne fałsz i prawda, to działanie
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 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 szczegółowoAnaliza wyników egzaminu gimnazjalnego. Test matematyczno-przyrodniczy matematyka. Test GM-M1-122,
Analiza wyników egzaminu gimnazjalnego Test matematyczno-przyrodniczy Test GM-M1-122, Zestaw zadań z zakresu matematyki posłużył w dniu 25 kwietnia 2012 r. do sprawdzenia, u uczniów kończących trzecią
Bardziej szczegółowoPhotoshopa część zaawansowana
Photoshopa część zaawansowana witam ponownie, bogaci już w podstawy obsługi Photoshopa przejdźmy od razu do pracy ;) w tej części skryptu obrobię zdjęcie portretowe oraz pokaże jak można za pomocą kanałów
Bardziej szczegółowoMoneta 1 Moneta 2 Kostka O, R O,R 1,2,3,4,5, Moneta 1 Moneta 2 Kostka O O ( )
Nowa matura kombinatoryka i rachunek prawdopodobieństwa Zadania zamknięte (0 1 pkt) 1. Doświadczenie losowe polega na rzucie dwiema symetrycznymi monetami i sześcienną kostką do gry. Prawdopodobieństwo
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 szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
Bardziej szczegółowoPROBABILISTYKA - test numery zestawów 1,3,5,7,9,...,41
1 numery zestawów 1,3,5,7,9,...,41 (a) Jeśli P (A) = 0.5 oraz P (B) = 0.3 oraz B A, to P (B \ A) = 0.2. (b) Przy jednokrotnym rzucie kostk a prawdopodobieństwo, że wypadnie szóstka pod warunkiem, że wypad
Bardziej szczegółowoMaªgorzata Murat. Modele matematyczne.
WYKŠAD I Modele matematyczne Maªgorzata Murat Wiadomo±ci organizacyjne LITERATURA Lars Gårding "Spotkanie z matematyk " PWN 1993 http://moodle.cs.pollub.pl/ m.murat@pollub.pl Model matematyczny poj cia
Bardziej szczegółowoGrafika komputerowa. Dla DSI II
Grafika komputerowa Dla DSI II Rodzaje grafiki Tradycyjny podział grafiki oznacza wyróżnienie jej dwóch rodzajów: grafiki rastrowej oraz wektorowej. Różnica pomiędzy nimi polega na innej interpretacji
Bardziej szczegółowoZamiana reprezentacji wektorowej na rastrową - rasteryzacja
MODEL RASTROWY Siatka kwadratów lub prostokątów stanowi elementy rastra. Piksel - pojedynczy element jest najmniejszą rozróŝnialną jednostką powierzchniową, której własności są opisane atrybutami. Model
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 szczegółowoProgramowanie. programowania. Klasa 3 Lekcja 9 PASCAL & C++
Programowanie Wstęp p do programowania Klasa 3 Lekcja 9 PASCAL & C++ Język programowania Do przedstawiania algorytmów w postaci programów służą języki programowania. Tylko algorytm zapisany w postaci programu
Bardziej szczegółowoAnaliza obrazu. wykład 3. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009
Analiza obrazu komputerowego wykład 3 Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Binaryzacja Binaryzacja jest jedną z ważniejszych ż czynności punktowego przetwarzania obrazów. Poprzedza prawie zawsze
Bardziej szczegółowoWykład 2. Informatyka Stosowana. 8 października 2018, M. A-B. Informatyka Stosowana Wykład 2 8 października 2018, M. A-B 1 / 41
Wykład 2 Informatyka Stosowana 8 października 2018, M. A-B Informatyka Stosowana Wykład 2 8 października 2018, M. A-B 1 / 41 Elementy logiki matematycznej Informatyka Stosowana Wykład 2 8 października
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoMikrooperacje. Mikrooperacje arytmetyczne
Przygotowanie: Przemysław Sołtan e-mail: kerk@moskit.ie.tu.koszalin.pl Mikrooperacje Mikrooperacja to elementarna operacja wykonywana podczas jednego taktu zegara mikroprocesora na informacji przechowywanej
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
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 szczegółowoOperatory AND, OR, NOT, XOR Opracował: Andrzej Nowak Bibliografia:
Operatory logiczne Komputery i ich logika AND - && Podstawy programowania w C++ Operatory AND, OR, NOT, XOR Opracował: Andrzej Nowak Bibliografia: CPA: PROGRAMMING ESSENTIALS IN C++ https://www.netacad.com
Bardziej szczegółowo1. Operacje logiczne A B A OR B
1. Operacje logiczne OR Operacje logiczne są operacjami działającymi na poszczególnych bitach, dzięki czemu można je całkowicie opisać przedstawiając jak oddziałują ze sobą dwa bity. Takie operacje logiczne
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 szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoWykład 14. Testowanie hipotez statystycznych - test zgodności chi-kwadrat. Generowanie liczb losowych.
Wykład 14 Testowanie hipotez statystycznych - test zgodności chi-kwadrat. Generowanie liczb losowych. Rozkład chi-kwadrat Suma kwadratów n-zmiennych losowych o rozkładzie normalnym standardowym ma rozkład
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 szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoANALIZA I INDEKSOWANIE MULTIMEDIÓW (AIM)
ANALIZA I INDEKSOWANIE MULTIMEDIÓW (AIM) LABORATORIUM 5 - LOKALIZACJA OBIEKTÓW METODĄ HISTOGRAMU KOLORU 1. WYBÓR LOKALIZOWANEGO OBIEKTU Pierwszy etap laboratorium polega na wybraniu lokalizowanego obiektu.
Bardziej szczegółowoWarstwy. 1. MenedŜer warstw ROZDZIAŁ 7.
ROZDZIAŁ 7. Warstwy Zapewne jeszcze pami tasz czasy przezroczystych folii, na których kreśliłeś poszczególne elementy rysunku, na jednej np. kontury brył, na drugiej opisy, a na trzeciej wymiary. Praca
Bardziej szczegółowoDo opisu kolorów używanych w grafice cyfrowej śluzą modele barw.
Modele barw Do opisu kolorów używanych w grafice cyfrowej śluzą modele barw. Każdy model barw ma własna przestrzeo kolorów, a co za tym idzie- własny zakres kolorów możliwych do uzyskania oraz własny sposób
Bardziej szczegółowoDYDAKTYKA ZAGADNIENIA CYFROWE ZAGADNIENIA CYFROWE
ZAGADNIENIA CYFROWE ZAGADNIENIA CYFROWE @KEMOR SPIS TREŚCI. SYSTEMY LICZBOWE...3.. SYSTEM DZIESIĘTNY...3.2. SYSTEM DWÓJKOWY...3.3. SYSTEM SZESNASTKOWY...4 2. PODSTAWOWE OPERACJE NA LICZBACH BINARNYCH...5
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 szczegółowoPlan wykładu. Wprowadzenie Program graficzny GIMP Edycja i retusz zdjęć Podsumowanie. informatyka +
Plan wykładu Wprowadzenie Program graficzny GIMP Edycja i retusz zdjęć Podsumowanie 2 Po co obrabiamy zdjęcia Poprawa jasności, kontrastu, kolorów itp. Zdjęcie wykonano w niesprzyjających warunkach (złe
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 szczegółowoKRYPTOGRAFIA I OCHRONA DANYCH PROJEKT
KRYPTOGRAFIA I OCHRONA DANYCH PROJEKT Temat: Zaimplementować system kryptografii wizualnej http://www.cacr.math.uwaterloo.ca/~dstinson/visual.html Autor: Tomasz Mitręga NSMW Grupa 1 Sekcja 2 1. Temat projektu
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 szczegółowo