Wykrywanie obiektów na obrazach cyfrowych. Marcin Kuczyński
|
|
- Krystian Wilczyński
- 7 lat temu
- Przeglądów:
Transkrypt
1 Wykrywanie obiektów na obrazach cyfrowych Marcin Kuczyński
2 Spis treści 1. Wprowadzenie 2. System rozpoznawania obrazów 3. Wykrywanie w oparciu o kolor i tekstury 4. Wykrywanie krawędzi 5. Detekcja rogów 6. Wykrywanie kształtów okrągłych
3 1. Wprowadzenie Wykrywanie obiektów jest jednym z ważniejszych zadań realizowanych w ramach zaawansowanego przetwarzania i rozpoznawania obrazów. Stwierdzenie co znajduje się na zdjęciu wymaga najpierw określenia jakie obiekty i w których miejscach się na nim znajdują. Przykładowo, jeżeli konieczne jest zidentyfikowanie osoby na zdjęciu, pierwszym etapem jest zawsze określenie jej dokładnego położenia. Wykrywanie obiektów wiąże się zwykle z ich wstępnym rozpoznaniem. Przy czym w przypadku obiektów bardzo prostych dalszy proces obróbki danych nie zawsze jest już konieczny. Taka sytuacja ma miejsce w przypadku obiektów bardzo licznych o niewielkich rozmiarach. Przykładem mogą być krople wody.
4 1. Wprowadzenie Wykrywanie obiektów może służyć nie tylko do określenia co się znajduje na zdjęciu, ale i do określenia liczebności obiektów. Przykładowo dysponując zdjęciem powierzchni szyby pokrytej kroplami wody można określić ich liczebność oraz rozmiary, a to jest już podstawą do przeprowadzenia procesu decyzyjnego, który może na przykład prowadzić do uruchomienia wycieraczki samochodowej.
5 2. System rozpoznawania obrazów Elementy składowe kompletnego systemu rozpoznawania obrazów: przetwarzanie niskiego poziomu - obejmuje akwizycje obrazu, przetwarzanie wstępne, poprawę jakości obrazu, np. eliminacja zakłóceń, poprawa kontrastu, filtracja itd. przetwarzanie średniego poziomu - dotyczy segmentacji obrazu oraz wydzielania i opisu cech obiektów obrazu, np. detekcja brzegów i konturów, przetwarzanie morfologiczne, itd. przetwarzanie wysokiego poziomu - polega na klasyfikacji, rozpoznawaniu i interpretacji analizowanej sceny.
6 2.System rozpoznawania obrazów Wzorzec to zbiór cech, który tworzy ilościowy i jakościowy opis obiektu. Ściślej, wzorzec to wektor cech x=[x1, x2,..., xn] Klasa wzorców - to zbiór wzorców charakteryzujących się podobnymi wektorami cech. Klasy wzorców oznaczmy ω1, ω2,...ωm gdzie indeks M jest numerem klasy. Rozpoznawanie wzorców (nazywane też klasyfikacją) jest zadaniem polegającym na przyporządkowaniu wzorców do ich klas.
7 2. System rozpoznawania obrazów Klasyfikacja wzorców
8 2. System rozpoznawania obrazów Selekcja cech i ich właściwości dyskryminacja - cechy powinny przyjmować znacząco różne wartości dla obiektów z różnych klas, np. średnica owocu jest dobrą cechą dla rozróżnienia wiśni i grejpfrutów, niezawodność - cechy powinny przyjmować podobne wartości dla wszystkich obiektów danej klasy, np. kolor jest złą cechą dla jabłek, niezależność - cechy wykorzystywane w danym systemie klasyfikacji powinny być nieskorelowane ze sobą, np. waga i wielkość owocu są cechami silnie skorelowanymi, mała liczba - złożoność systemu klasyfikacji rośnie szybko wraz z liczba klasyfikowanych cech, np. należy eliminować cechy skorelowane.
9 2. System rozpoznawania obrazów Współczynnik korelacji cech x i y: gdzie: P - liczna klasyfikowanych obiektów, μ,σ - oznaczają odpowiednio wartości średnie i odchylenie standardowe danego zbioru cech. Jeżeli wsp. Korelacji jest bliski 1 (-1) cechy x i y uważa się za silnie skorelowane (np. jedną z nich można odrzucić).
10 2. System rozpoznawania obrazów Przykład miary separacji cechy x pomiędzy klasami j i k: Duża wartość tej miary świadczy o dobrej separacji cechy x pomiędzy klasami j i k.
11 3. Wykrywanie na podstawie koloru i tekstury Istnieje wiele obiektów, którym nie można przypisać żadnego kształtu lub kształt jest bardzo skomplikowany, albo zmienny. Przykładem tego typu obiektów jest twarz. Każdy człowiek ma nieco inny kształt twarzy, ponadto twarz widziana pod różnymi kątami, wygląda odmiennie. Na twarzy mogą pojawić się obiekty, które zmieniają jej kształt, na przykład włosy, czapka, okulary itp. Wszystko to w znaczący sposób utrudnia wykrywanie twarzy. Wspólną cechą wszystkich twarzy jest kolor. Dla każdej rasy człowieka jest on bardzo charakterystyczny. Sprawia to, że kolor jest wykorzystywany do wykrywania twarzy lub jako jeden z czynników pozwalających wykryć twarz.
12 3. Wykrywanie na podstawie koloru i tekstury Przy wykrywaniu obiektów na podstawie koloru konieczne jest określenie koloru jaki ma być wykrywany oraz jego zakresu. Dokonać tego można poprzez pobranie próbek koloru obiektów wzorcowych (rysunek). Proces pobierania próbek koloru polega na oznaczeniu obszarów w którym znajdują się obiekty wzorcowe. Oznaczenie to jest wykonywane ręcznie. Po oznaczeniu obszarów wyznacza się średni kolor i dopuszczalne odchyłki współrzędnych koloru od koloru wzorcowego. Daje to możliwość określenia jego zakresu.
13 3. Wykrywanie na podstawie koloru i tekstury Określenie koloru twarzy
14 3. Wykrywanie na podstawie koloru i tekstury Wykrywanie na podstawie koloru nie ogranicza się tylko do twarzy. Możliwe jest wszędzie tam, gdzie kolor obiektu znacznie odbiega od kolorów innych otaczających go obiektów. Takie podejście stosować można do wykrywania różnego rodzaju obszarów o charakterystycznym kolorze na zdjęciach satelitarnych. Przykładem mogą być skały zawierające tlenek żelaza. Są one zabarwione na charakterystyczny brązowo-czerwony kolor. Dzięki czemu łatwo mogą być wykryte na podstawie koloru.
15 3. Wykrywanie na podstawie koloru i tekstury Obraz skał zawierających tlenek żelaza po lewej, natomiast wynik wykrywania na rysunku po prawej stronie. Obszary wykryte oznaczono kolorem białym.
16 3. Wykrywanie na podstawie koloru i tekstury W praktyce w większości przypadków wykrywanie obiektów na podstawie tylko koloru jest mało skuteczne. Wynika to ze zmiennej charakterystyki oświetlenia obiektów. Kolor obiektu zależy od pory dnia. O każdej porze dnia promienie słoneczne pokonują inną drogę poprzez atmosferę, w związku z tym inne jest zabarwienie światła słonecznego rano, a inne w samo południe. To zabarwienie wpływa bezpośrednio na rejestrowany przez aparat kolor obiektu. Kolor światła słonecznego zależy nie tylko od pory dnia, ale również od stanu atmosfery i miejsca w którym znajduje się fotografowany obiekt. Inny jest kolor światła słonecznego w bezchmurny dzień, inny kiedy słońce zakrywają chmury, a jeszcze inny gdy światło słoneczne nie pada bezpośrednio na obiekt, ale w sposób pośredni (gdy obiekt znajduje się w cieniu).
17 3. Wykrywanie na podstawie koloru i tekstury Obiekt fotografowany może być oświetlany nie tylko światłem słonecznym, ale również światłem sztucznym. Światło sztuczne jest tak generowane aby przypominało światło słoneczne, ale zawsze ma nieco inny skład widmowy. Inny jest kolor światła żarówek wolframowych, inny świetlówek, a jeszcze inny żarówek LED-owych. Wszystko to również przekłada się na kolor rejestrowanego obiektu. Człowiek aby zniwelować zmiany kolorów obiektów posiada specjalny "system" usuwania dominującego zabarwienia, który pozwala odbierać kolory w podobny sposób niezależnie od oświetlenia. Podobnie jest w przypadku aparatów fotograficznych, które również wyposażone są w taki system. Jest on jednak mniej doskonały niż u człowieka, co powoduje, że często może dojść do przekłamania kolorów obiektów.
18 3. Wykrywanie na podstawie koloru i tekstury Ze wglądu na wspomniane wyżej problemy z rejestracją kolorów wykrywanie na podstawie koloru jest mało skuteczne. Jeżeli zakres kolorów przyjmie się zbyt mały to przy zmianie oświetlenia obiekt może zostać nie wykryty. Jeżeli natomiast zakres kolorów przyjmie się zbyt duży to wykryte zostają te obiekty, które nie powinny zostać wykryte. Z tego względu łączy się wykrywanie na podstawie koloru, z wykrywaniem na podstawie zmienności kolor obiektu. Większość obiektów charakteryzuje się lokalnymi niewielkimi zmianami kolorystyki. Zmiany te określa się mianem tekstury pokrywającej obiekt. Daje to możliwość wykrycia obiektów na podstawie tekstury.
19 3. Wykrywanie na podstawie koloru i tekstury Przykładem łączonego wykrywania obiektów na podstawie zarówno koloru, jak i tekstury może być wykrywanie określonych obszarów rolniczych. W tym celu pobiera się "próbki" kolorów i tekstur z obiektów wzorcowych. Pobieranie próbek tekstur Oznakowane obszary Wzorcowe kolory i tekstury pozwalają na oznakowanie obszarów rolniczych na zdjęciu. Kolorami czerwonym, zielonym i niebieskim zaznaczono znalezione obszary. Natomiast kolorem czarnym i białym obszary niesklasyfikowane.
20 3. Wykrywanie na podstawie koloru i tekstury Innym przykładem łączonego wykrywania obiektów na podstawie zarówno koloru, jak i tekstury jest wykrywanie czystego nieba. Niebo posiada charakterystyczny kolor, jednak wiele obiektów na ziemi posiada kolor zbliżony. Przykładem może być woda. Do wykrycia nieba niezbędne jest zatem wykorzystanie również tekstury. Tekstura nieba jest bardzo regularna, jednak regularność ta jest możliwa do wykrycia jedynie za pomocą analizy częstotliwościowej. Z analizy częstotliwościowej wynika, że obraz czystego nieba jest w bardzo charakterystyczny sposób pofalowany. Przez niebo przebiegają dwa rodzaje fal: fale płaskie poziome i fale płaskie pionowe. Przy czym fal tych jest bardzo wiele, różnią się częstotliwością i fazą. Ze względu na to, że nakładają się na siebie są praktycznie niedostrzegalne. Wykonując jednak analizę częstotliwościową można je wyraźnie zaobserwować.
21 3. Wykrywanie na podstawie koloru i tekstury Wykryty obszar nieba jest on mniejszy od faktycznego. Wynika to z faktu, że do wykonania analizy częstotliwościowej konieczne jest wyodrębnienie fragmentu zdjęcia o określonych minimalnych rozmiarach. Jeżeli w ramach tego fragmentu znajduje się fragment jakiegokolwiek obiektu nie będącego niebem to wykrycie fal przebiegających przez niebo staje się niemożliwe.
22 4. Wykrywanie krawędzi Czym jest krawędź? Zdefiniowanie krawędzi wbrew pozorom nie jest takie proste gdyż, krawędzie na obrazie mogą występować pod różnymi postaciami. Najczęściej krawędź identyfikujemy z przejściem od obszaru ciemnego do jasnego lub na odwrót, dlatego też często możemy natknąć się na definicje krawędzi jako granice pomiędzy dwoma obszarami o różnych jasnościach. Najłatwiejsze do identyfikacji jest gwałtowne, skokowe przejście (jak w obrazach binarnych), jednak zazwyczaj przejście to bywa mniej lub bardziej rozmyte. Inny rodzaj krawędzi to lokalne rozjaśnienie lub ściemnienie. Można też spotkać krawędzie wynikające ze zmiany wzoru (tekstury) tworzonego przez punkt obrazu.
23 4. Wykrywanie krawędzi Każdy z wymienionych rodzajów krawędzi wymaga nieco innego sposobu detekcji. Ponieważ jednak najczęściej spotykamy krawędzie takie, jak na rysunku poniżej, to właśnie im poświęcam najwięcej uwagi.
24 4. Wykrywanie krawędzi Jednoznaczne ustalenie, gdzie przebiega krawędź jest trudne z powodu różnic w ostrości przejścia oraz w poziomach szarości poszczególnych cząstek. Większość metod detekcji brzegów bazuje na wyznaczeniu lokalnych pochodnych obrazu (tzw. operatorów gradientowych).
25 4. Wykrywanie krawędzi Wykorzystanie różniczkowania do detekcji krawędzi Jednym z najprostszych sposobów detekcji krawędzi jest wykorzystanie w tym celu pierwszej pochodnej funkcji opisującej zmiany stopni szarości obrazu (rysunek). Po zróżniczkowaniu sygnału wystarczy wykorzystać odpowiedni próg detekcji podczas binaryzacji i mamy już obraz krawędzi. Dodatkową zaletą tego rozwiązania jest fakt, że dla bardziej rozmytych krawędzi (łagodniejsze przejście) maksimum pierwszej pochodnej ma niższą wartość. Jeszcze bardziej jednoznaczne wyniki daje zastosowanie drugiej pochodnej. W tym przypadku krawędź odpowiada wprost miejscu zerowemu drugiej pochodnej.
26 4. Wykrywanie krawędzi
27 4. Wykrywanie krawędzi Na obrazie komputerowym trudno jest wyznaczyć pochodne lecz dobrym ich przybliżeniem są lokalne gradienty. Własności operatorów gradientowych: pierwszą pochodną można wykorzystać do detekcji brzegu oraz jego kierunku punkt zmiany znaku drugiej pochodnej, tj. jej miejsce zerowe obrazu może służyć do wyznaczania miejsca wystąpienia brzegu. Wadą operatorów gradientowych jest uwypuklanie zakłóceń impulsowych w obrazach (może pogorszyć jakości obrazu lub zidentyfikować fałszywe brzegi) Gradient obrazu I(x, y) definiuje się w dwóch prostopadłych kierunkach x i y jako: W przypadku obrazu traktowanego jako tablica liczb - gradient może być w przybliżeniu wyznaczony jako różnica wartości dwóch sąsiednich punktów. Wykonuje się to praktycznie dzięki zastosowaniu tzw. operatorów Robertsa, które pozwalają na wyznaczenie gradientów w czterech różnych kierunkach.
28 4. Wykrywanie krawędzi Operatory Robertsa Przedstawione operatory (lub inaczej maski) używa się w ten sposób, że macierz porównuje się z analizowanym obrazem (środkowy punkt macierzy odpowiada analizowanemu punktowi), a następnie oblicza się nową wartość środkowego punktu, która jest sumą wartości odpowiednich punktów obrazu pomnożonych przez wartości poszczególnych komórek matrycy.
29 4. Wykrywanie krawędzi
30 4. Wykrywanie krawędzi W stosowaniu masek, występuje efekt brzegowy polega to na tym, że analizowany pierwszy i ostatni wiersz oraz pierwsza i ostatnia kolumna punktów obrazu nie posiadają 8 sąsiadów, przez co nie mogą być równoważnie analizowane. Jednym z rozwiązań tego problemu jest pominięcie w analizie tych wierszy i kolumn, w efekcie obraz po filtracji jest mniejszy. Dodatkowo, na podstawie analizy wartości składowych można wyznaczyć amplitudę i kąt gradientu. Należy zwrócić uwagę, że w kierunku detekcji gradientu otrzymujemy zarówno wartości dodatnie, jak i ujemne, co ma znaczenie przy tworzeniu wynikowego obrazu, gdzie wartości kolorów składowych RGB muszą mieścić się w dziedzinie Dodatkowo, obraz po obróbce operatorem gradientowym ma niecodzienny, nieraz trudny do akceptacji wygląd.
31 4. Wykrywanie krawędzi Niestety, operator Robertsa jest bardzo czuły na lokalne zakłócenia obrazu, czyli szumy i z powodów znacznych błędów nie może być używany do analizy obrazów o dużym poziomie szumów.
32 5. Detekcja rogów róg w pojęciu "gwałtownie zakręcającej krawędzi" przecięcie 2 krawędzi/linii punkty,które w swoim otoczeniu mają więcej niż jedne dominujący kierunek rodzaj interesujących punktów, punktów (inne:zakończenia linii, jasne lub ciemne punkty) szczególnych algorytmy wykrywające rogi opierają się na detekcji krawędzi, a następnie śledzeniu wyodrębnionych krawędzi i detekcji nagłej zmiany ich kierunku nowsza generacja algorytmów oparta na wysokiej krzywiźnie (curvature) gradientu wskazane wcześniejsze wygładzenie obrazu
33 5. Detekcja rogów Nagłe załamania krawędzi Wzór na krzywiznę gradientu
34 6. Wykrywanie kształtów okrągłych Metoda I - wyszukiwanie okręgów na obrazie binarnym Metoda ta polega na doborze wartości progu dla operacji progowania i dopasowywaniu okręgów do obszarów wyróżnionych podczas progowania. Kluczowym etapem tej metody jest dobór wartości progu. Dobór wartości doskonale odróżniającej obszary tła i obiektów jest często utrudnione i wymaga filtracji zakłóceń obrazu źródłowego i/lub wynikowego. Dodatkowych parametrów służących do filtrowania wyników wyszukiwania okręgów dostarcza zakres akceptowanych promieni okręgów (rmin. rmaks.). Metoda ta stosowana może być do obrazów, na których wyszukiwane obiekty maja kolor wyraźnie odróżniający je od tła.
35 6. Wykrywanie kształtów okrągłych Rezultat wykrywania okręgów na obrazie przekształconym do postaci binarnej
36 6. Wykrywanie kształtów okrągłych Metoda II zastosowanie filtru Hougha Działanie filtru Hougha polega na wykrywaniu umieszczaniu w obszarze analizowanego obrazu okręgów testowych o określonej średnicy i wykrywaniu krawędzi na ich obwodach. W ten sposób wyróżniane są krawędzie obiektów o okrągłych kształtach, których średnica jest zbliżona do średnic okręgów testowych.
37 6. Wykrywanie kształtów okrągłych Rezultat wykrywania okręgów na obrazie w odcieniach szarości z użyciem filtru Hougha
38 6. Wykrywanie kształtów okrągłych Metoda III - wyszukiwanie okręgów na obrazie w odcieniach szarości Metoda ta polega na wyszukiwaniu okręgu o otoczeniu losowo wybranego punktu na podstawie wykrytych w tym obszarze zarysów krawędzi. Polega ona na wykonaniu kolejnych kroków: wstępna lokalizacja środka okręgu wyznaczenie zbioru odcinków o długościach lo=rmin. rmaks. ułożonych promieniście detekcji krawędzi na tych odcinkach dopasowaniu okręgu do punktów krawędzi
39 6. Wykrywanie kształtów okrągłych Przykładowy rezultat wyszukiwania włókien w odcieniach szarości (widoczne wyraźne przesunięcie środka obszaru wyszukiwania w stosunku do znalezionego środka okręgu); kierunek wyszukiwania krawędzi na zewnątrz obszaru. Przykładowy rezultat działania automatycznego algorytmu rozpoznawania i pomiarów obiektów o okrągłym kształcie rozmieszczonych losowo w obszarze obrazu a) obraz surowy, b) obraz w odcieniach szarości z nałożonymi wynikami wyszukiwania.
40 Dziękuję za uwagę
Segmentacja 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 szczegółowoWykrywanie obiektów na obrazach Mariusz Borawski Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie
1. Wprowadzenie Wykrywanie obiektów na obrazach Mariusz Borawski Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Wykrywanie obiektów jest jednym z ważniejszych zadań realizowanych
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 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 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 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 szczegółowoMetody wyszukiwania włókien Omówione zostaną dwie wybrane metody wyszukiwania na obrazie rozmieszczonych losowo kształtów okrągłych.
PM-101/06 Automatyzacja komputerowej analizy obrazów mikrostruktur PIOTR WOLSZCZAK Komputerowa analiza obrazu stosowana w ocenie ilościowej i jakościowej budowy mikrostrukturalnej kompozytów polega na
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 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 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 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 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 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 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 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 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 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 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 szczegółowoWYKŁAD 12. Analiza obrazu Wyznaczanie parametrów ruchu obiektów
WYKŁAD 1 Analiza obrazu Wyznaczanie parametrów ruchu obiektów Cel analizy obrazu: przedstawienie każdego z poszczególnych obiektów danego obrazu w postaci wektora cech dla przeprowadzenia procesu rozpoznania
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 szczegółowoPODSTAWY BARWY, PIGMENTY CERAMICZNE
PODSTAWY BARWY, PIGMENTY CERAMICZNE Barwa Barwą nazywamy rodzaj określonego ilościowo i jakościowo (długość fali, energia) promieniowania świetlnego. Głównym i podstawowym źródłem doznań barwnych jest
Bardziej szczegółowoAutomatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych
Automatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych autor: Robert Drab opiekun naukowy: dr inż. Paweł Rotter 1. Wstęp Zagadnienie generowania trójwymiarowego
Bardziej szczegółowoSamochodowy system detekcji i rozpoznawania znaków drogowych. Sensory w budowie maszyn i pojazdów Maciej Śmigielski
Samochodowy system detekcji i rozpoznawania znaków drogowych Sensory w budowie maszyn i pojazdów Maciej Śmigielski Rozpoznawanie obrazów Rozpoznawaniem obrazów możemy nazwać proces przetwarzania i analizowania
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 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 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 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 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 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 szczegółowoAUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI
AUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI Tomasz Huczek Promotor: dr Adrian Horzyk Cel pracy Zasadniczym celem pracy było stworzenie systemu
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 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 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 szczegółowoPrzekształcenia widmowe Transformata Fouriera. Adam Wojciechowski
Przekształcenia widmowe Transformata Fouriera Adam Wojciechowski Przekształcenia widmowe Odmiana przekształceń kontekstowych, w których kontekstem jest w zasadzie cały obraz. Za pomocą transformaty Fouriera
Bardziej szczegółowoOdciski palców ekstrakcja cech
Kolasa Natalia Odciski palców ekstrakcja cech Biometria sprawozdanie z laboratorium 4 1. Wstęp Biometria zajmuje się rozpoznawaniem człowieka na podstawie jego cech biometrycznych. Jest to możliwe ponieważ
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 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 szczegółowoΠ 1 O Π 3 Π Rzutowanie prostokątne Wiadomości wstępne
2. Rzutowanie prostokątne 2.1. Wiadomości wstępne Rzutowanie prostokątne jest najczęściej stosowaną metodą rzutowania w rysunku technicznym. Reguły nim rządzące zaprezentowane są na rysunkach 2.1 i 2.2.
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 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 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 szczegółowoWyższa Szkoła Informatyki Stosowanej i Zarządzania
Wyższa Szkoła Informatyki Stosowanej i Zarządzania Grupa ID308, Zespół 11 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń Ćwiczenie 8 Temat: Operacje sąsiedztwa detekcja krawędzi Wykonali: 1. Mikołaj Janeczek
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie drugie Podstawowe przekształcenia obrazu 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami obrazu wykonywanymi
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 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 szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółoworozpoznawania odcisków palców
w algorytmie rozpoznawania odcisków palców Politechnika Łódzka Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej 24 października 2008 Plan prezentacji 1 Wstęp 2 3 Metoda badań Wyniki badań
Bardziej szczegółowoAkademia Górniczo - Hutnicza im. Stanisława Staszica w Krakowie. Projekt. z przedmiotu Analiza i Przetwarzanie Obrazów
30 czerwca 2015 Akademia Górniczo - Hutnicza im. Stanisława Staszica w Krakowie Projekt z przedmiotu Analiza i Przetwarzanie Obrazów Wykrywanie tablic rejestracyjnych Jagieła Michał IS (GKiPO) Michał Jagieła
Bardziej szczegółowoObraz jako funkcja Przekształcenia geometryczne
Cyfrowe przetwarzanie obrazów I Obraz jako funkcja Przekształcenia geometryczne dr. inż Robert Kazała Definicja obrazu Obraz dwuwymiarowa funkcja intensywności światła f(x,y); wartość f w przestrzennych
Bardziej szczegółowoAnimowana grafika 3D. Opracowanie: J. Kęsik.
Animowana grafika 3D Opracowanie: J. Kęsik kesik@cs.pollub.pl Powierzchnia obiektu 3D jest renderowana jako czarna jeżeli nie jest oświetlana żadnym światłem (wyjątkiem są obiekty samoświecące) Oświetlenie
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 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 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 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 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 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 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 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 szczegółowoWektory, układ współrzędnych
Wektory, układ współrzędnych Wielkości występujące w przyrodzie możemy podzielić na: Skalarne, to jest takie wielkości, które potrafimy opisać przy pomocy jednej liczby (skalara), np. masa, czy temperatura.
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 szczegółowoSegmentacja obrazów cyfrowych z zastosowaniem teorii grafów - wstęp. autor: Łukasz Chlebda
Segmentacja obrazów cyfrowych Segmentacja obrazów cyfrowych z zastosowaniem teorii grafów - wstęp autor: Łukasz Chlebda 1 Segmentacja obrazów cyfrowych - temat pracy Temat pracy: Aplikacja do segmentacji
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 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 szczegółowoTworzenie szablonów użytkownika
Poradnik Inżyniera Nr 40 Aktualizacja: 12/2018 Tworzenie szablonów użytkownika Program: Plik powiązany: Stratygrafia 3D - karty otworów Demo_manual_40.gsg Głównym celem niniejszego Przewodnika Inżyniera
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 szczegółowoGrafika komputerowa. Zajęcia IX
Grafika komputerowa Zajęcia IX Ćwiczenie 1 Usuwanie efektu czerwonych oczu Celem ćwiczenia jest usunięcie efektu czerwonych oczu u osób występujących na zdjęciu tak, aby plik wynikowy wyglądał jak wzor_1.jpg
Bardziej szczegółowoZjawiska w niej występujące, jeśli jest ona linią długą: Definicje współczynników odbicia na początku i końcu linii długiej.
1. Uproszczony schemat bezstratnej (R = 0) linii przesyłowej sygnałów cyfrowych. Zjawiska w niej występujące, jeśli jest ona linią długą: odbicie fali na końcu linii; tłumienie fali; zniekształcenie fali;
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 szczegółowoUstawienia materiałów i tekstur w programie KD Max. MTPARTNER S.C.
Ustawienia materiałów i tekstur w programie KD Max. 1. Dwa tryby własności materiału Materiał możemy ustawić w dwóch trybach: czysty kolor tekstura 2 2. Podstawowe parametry materiału 2.1 Większość właściwości
Bardziej szczegółowoAUTOMATYCZNA AKTUALIZACJA BAZY DANYCH O BUDYNKACH W OPARCIU O WYSOKOROZDZIELCZĄ ORTOFOTOMAPĘ SATELITARNĄ
AUTOMATYCZNA AKTUALIZACJA BAZY DANYCH O BUDYNKACH W OPARCIU O WYSOKOROZDZIELCZĄ ORTOFOTOMAPĘ SATELITARNĄ Ireneusz WYCZAŁEK Zakład Geodezji Politechnika Poznańska CEL Aktualizacja baz danych przestrzennych,
Bardziej szczegółowoTECHNIKI MULTIMEDIALNE LABORATORIUM GIMP: Projektowanie tła
TECHNIKI MULTIMEDIALNE LABORATORIUM GIMP: Projektowanie tła 1. Cel ćwiczenia Celem ćwiczenia jest nabycie umiejętności tworzenia tła poprzez wykorzystanie funkcji dostępnych w programie GIMP. 2. Wiadomości
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 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 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 szczegółowoMODELE KOLORÓW. Przygotował: Robert Bednarz
MODELE KOLORÓW O czym mowa? Modele kolorów,, zwane inaczej systemami zapisu kolorów,, są różnorodnymi sposobami definiowania kolorów oglądanych na ekranie, na monitorze lub na wydruku. Model RGB nazwa
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 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 szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 8
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 8 Regresja wielokrotna Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X 1, X 2, X 3,...) na zmienną zależną (Y).
Bardziej szczegółowoWykład 8. Testowanie w JEE 5.0 (1) Autor: Zofia Kruczkiewicz. Zofia Kruczkiewicz
Wykład 8 Testowanie w JEE 5.0 (1) Autor: 1. Rola testowania w tworzeniu oprogramowania Kluczową rolę w powstawaniu oprogramowania stanowi proces usuwania błędów w kolejnych fazach rozwoju oprogramowania
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoĆwiczenia z grafiki komputerowej 4 PRACA NA WARSTWACH. Miłosz Michalski. Institute of Physics Nicolaus Copernicus University.
Ćwiczenia z grafiki komputerowej 4 PRACA NA WARSTWACH Miłosz Michalski Institute of Physics Nicolaus Copernicus University Październik 2015 1 / 14 Wykorzystanie warstw Opis zadania Obrazy do ćwiczeń Zadania
Bardziej szczegółowoWYBRANE ELEMENTY CYFROWEGO PRZETWARZANIA SYGNAŁÓW W RADARZE FMCW
kpt. dr inż. Mariusz BODJAŃSKI Wojskowy Instytut Techniczny Uzbrojenia WYBRANE ELEMENTY CYFROWEGO PRZETWARZANIA SYGNAŁÓW W RADARZE FMCW W artykule przedstawiono zasadę działania radaru FMCW. Na przykładzie
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 szczegółowoZbigniew JERZAK Adam KOTLIŃSKI. Studenci kierunku Informatyka na Politechnice Śląskiej w Gliwicach
Studenci kierunku Informatyka na Politechnice Śląskiej w Gliwicach Program zrealizowany na potrzeby Pracowni Komputerowej Analizy Obrazu i Mikroskopii Konfokalnej w Centrum Onkologii w Gliwicach Gliwice,
Bardziej szczegółowoMaskowanie i selekcja
Maskowanie i selekcja Maska prostokątna Grafika bitmapowa - Corel PHOTO-PAINT Pozwala definiować prostokątne obszary edytowalne. Kiedy chcemy wykonać operacje nie na całym obrazku, lecz na jego części,
Bardziej szczegółowoSpis treści. strona 1 z 11
Spis treści 1. Edycja obrazów fotograficznych...2 1.1. Księżyc...2 1.2. Słońce zza chmur...4 1.3. Rzeka lawy...6 1.4. Śnieżyca...7 1.5. Ulewa...8 1.6. Noktowizor...9 strona 1 z 11 1. Edycja obrazów fotograficznych
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 szczegółowoAkwizycja obrazów. Zagadnienia wstępne
Akwizycja obrazów. Zagadnienia wstępne Wykorzystane materiały: R. Tadeusiewicz, P. Korohoda, Komputerowa analiza i przetwarzanie obrazów, Wyd. FPT, Kraków, 1997 A. Przelaskowski, Techniki Multimedialne,
Bardziej szczegółowoKSIĘGA ZNAKU (wersja krótka) instrukcje stosowania logotypu GEMINI PARK
KSIĘGA ZNAKU (wersja krótka) instrukcje stosowania logotypu GEMINI PARK 2 Logo LOGO Gemini Park posługuje sie Logo składającym się z Logotypu i Sygnetu. Logotyp jest formą będącą nazwa Centrum Handlowego,
Bardziej szczegółowoW poszukiwaniu sensu w świecie widzialnym
W poszukiwaniu sensu w świecie widzialnym Andrzej Śluzek Nanyang Technological University Singapore Uniwersytet Mikołaja Kopernika Toruń AGH, Kraków, 28 maja 2010 1 Podziękowania Przedstawione wyniki powstały
Bardziej szczegółowobudowa i zasady użycia logo Fundacji Orange
budowa i zasady użycia 1 budowa i kolorystyka 1.1 A B logo Orange deskryptor Podstawowy znak Fundacji Orange składa się z logotypu Orange i deskryptora: Fundacja Orange, umieszczonego z prawej strony.
Bardziej szczegółowoSpis treści. strona 1 z 10
Spis treści 1. Zaawansowane techniki obróbki fotografii...2 1.1. Odbicia na samochodzie...2 1.2. Mokra nawierzchnia...4 1.3. Odbicie od powierzchni wody...5 1.4. Koloryzacja fotografii...7 1.5. Phantasy...8
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 szczegółowoAnaliza obrazu. wykład 6. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009
Analiza obrazu komputerowego wykład 6 Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Slajdy przygotowane na podstawie książki Komputerowa analiza obrazu R.Tadeusiewicz, P. Korohoda, oraz materiałów ze
Bardziej szczegółowoInteligentna analiza danych
Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
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 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 szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowo