Przetwarzanie i Kompresja Obrazów. Filtracja

Wielkość: px
Rozpocząć pokaz od strony:

Download "Przetwarzanie i Kompresja Obrazów. Filtracja"

Transkrypt

1 Przetwarzanie i Kompresja Obrazów. acja Aleksander Denisiuk(denisjuk@pja.edu.pl) Polsko-Japońska Akademia Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55, Gdańsk 7 kwietnia 206 /33

2 acja Najnowsza wersja tego dokumentu dostępna jest pod adresem 2/33

3 Czarna skrzynka y liniowe y splotowe 3/33

4 Model czarnej skrzynki Czarna skrzynka y liniowe y splotowe f(x,y) g(x,y)=pf(x,y) Typowezastosowania: odszumowanie wygładzanie wyostrzanie uwypuklenie detali krawędziowanie y artystyczne f(x,y) P g(x,y) 4/33

5 y liniowe Czarna skrzynka y liniowe y splotowe Pnazywasięliniowym,jeżeli P(αf +βf 2 )=αp(f )+βp(f 2 ) Inneynazywająsięnieliniowymi 5/33

6 y splotowe Czarna skrzynka y liniowe y splotowe Pnazywasiętranslacyjnie-niezmienniczym,jeżeli P ( f(x u,y v) ) =Pf(x u,y v) liniowyitranslacyjnie-niezmienniczynazywasię splotowym Pf(x,y)=f h(x,y)= f(x u, y v)h(u, v) dudv, gdzie h(u, v) jest jądrem splotowym(funkcją odpowiedzi impulsowej) g=f h G=F H,gdzieG,FiHsą transformacjami Fouriera odpowiednio g, f oraz h, H(u, v) nazywa się funkcją transmisji g(i,j)=f(i,j) h(i,j)= m k=0 n l=0 hjestzazwyczajsymetrycznąmacierzą h(k,l)f(k+i,l+j) 6/33

7 z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy 7/33

8 z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Redukcjaszumu Metodyprzestrzenne liniowe nieliniowe uśrednieniezsąsiedztwem rozmyciegaussa uśrednienie poprzez mediany Metodywidmowe y dolnoprzepustowe 8/33

9 z sąsiedztwem z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Wybierasięokno3 3albo5 5,zawierającedanypiksel 4-sąsiednie średnie: 8-sąsiednie średnie: także 8-sąsiednie średnie 9/33

10 Progowanie z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Wybierasięprógτ>0 Obliczasięśrednią:a Jeżelistarawartośćróżnisięodśredniejmniej,niżpróg, zostawia się starą wartość dla 4-sąsiednich średnich: a= ( ) 4 f(x,y)+f(x,y )+f(x,y+)+f(x+,y) g(x,y)= { a, f(x,y) a >τ, f(x,y), f(x,y) a τ. 0/33

11 Rozmycie Gaussa z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy JądrosplotoweGaussah(x,y)= 2 +y 2 2πσe x 2 2σ 2 jest rozdzielczym jest symetrycznym względem rotacji ma takie same wygładzanie w każdym kierunku /33

12 Okno7 7dlaσ= 2 z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy 4π /33

13 Okno7 7dlaσ= 2,liczbycałkowite z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy /33

14 medianami z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Wybieramypikselezsąsiedztwa Danypikseljestzastąpionyprzezmedianę uporządkować wartości rosnąco wybrać tę, która będzie pośrodku Okno3 3albo5 5 4/33

15 Przykład z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Obraz: sąsiedztwo Wartościuporządkowane: Mediana(inowawartość):20 5/33

16 Mediany z wagami z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Powiększamykrotnośćpikseli Przykładowo: dlaokna3 3 f(i,j+) f(i,j+) f(i+,j+) f(i,j) f(i,j) f(i+,j) f(i,j ) f(i,j ) f(i+,j ) 2 możliwe wagi są: w poprzednim przykładzie: wartościuporządkowane: mediana(inowawartość):2 6/33

17 Idealny dolnoprzepustowy z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy FunkcjatransmisjiH(u,v)= {, D(u,v)<D0, 0, D(u,v) D 0, gdzied 0 tojestczęstotliwośćgraniczna,d(u,v)= u 2 +v 2 skok w domenie widmowej powoduje artefakty w domenie fizycznej(rozmazanie, pierścienie, etc) 7/33

18 Trapezoidalny dolnoprzepustowy z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy, D(u,v) D 0, D(u,v) D H(u,v)= D 0 D D 0 <D(u,v)<D, 0, D(u,v) D, gdzied 0 <D. 8/33

19 z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy H(u,v)= [ ] D(u,v) n, + D 0 gdzienjestrządemu,d 0 jestczęstotliwościągraniczną. 9/33

20 Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy 20/33

21 Wyostrzaniezdjęcia fragmentu,np.krawędzi Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy 2/33

22 Gradient Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy Niechdanabędziefunkcjaf(x,y) ) Wektorgradient f(x,y)= ( f x f y pokazuje kierunek i stopień wzrastania funkcji Długośćgradientumożnaobliczyćwedługtrzech podstawowch norm euklidesowa: f 2 = l : f = f + x l : f =max f y { f x ( f, x f y ) 2+ ( ) f 2 y } 22/33

23 Obraz gradientowy Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy Obrazzastąpionyprzezgradientwkażdympunkcie: g(x,y)= f(x,y) Wyostrzeniegranic: { bh, jeżeli f(x,y) >τ, g(x,y)= f(x,y) inaczej τ jest wartością graniczną b h jestwartościąbliskąbiałegokoloru { bh, jeżeli f(x,y) >τ, Tylkogranice:g(x,y)= b l inaczej τ jest wartością graniczną b h jestwartościąbliskąbiałegokoloru b l jestwartościąbliskączarnegokoloru,b l <b h 23/33

24 Dyskretyzacja gradientu Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy f(x,y) x f(x+,y) f(x,y), f(x,y) y f(x,y+) f(x,y) f(x,y) x 2 (f(x+,y) f(x,y)), f(x,y) y 2 (f(x,y+) f(x,y )) f x =h x f, f y =h y f,gdzie h x = alboh x = 2 ( ),h y = ( ) ( ) 0,h y = /33

25 Krzyż Robertsa Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy h x = ( ) + 0,h 0 y = ( ) f(i,j) = f(i+,j+) f(i,j) + f(i,j+) f(i+,j) 25/33

26 Prewitta Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy h x = ,h y = Wykorzystanienormyeuklidesowej f 2 26/33

27 Sobela Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy h x = ,h y = Wykorzystanienormyeuklidesowej f 2 27/33

28 Laplace a Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy 2 = 2 f x + 2 f 2 y 2 Bezpośredniopokazujeprędkośćzmianygradientu /33

29 Idealny górnoprzepustowy Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy FunkcjatransmisjiH(u,v)= { 0, D(u,v)<D0,, D(u,v) D 0, gdzied 0 tojestczęstotliwośćgraniczna,d(u,v)= u 2 +v 2 skok w domenie widmowej powoduje artefakty w domenie fizycznej(rozmazanie, pierścienie, etc) 29/33

30 Trapezoidalny górnoprzepustowy Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy 0, D(u,v) D, D(u,v) D H(u,v)= D 0 D D <D(u,v)<D 0,, D(u,v) D 0, gdzied <D 0. 30/33

31 (górnoprzepustowy) Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy H(u,v)= + [ D 0 D(u,v) ] n, gdzienjestrządemu,d 0 jestczęstotliwościągraniczną. 3/33

32 Degradacja 32/33

33 Degradacja Degradacja Podobnodoacji:f(x,y) g(x,y)=pf(x,y) Szum:f(x,y) g(x,y)=pf(x,y)+n(x,y) Gasussa:p G (z)= e (z µ) 2 σ 2σ 2 2π dychotomiczny(telegraficzny): p a z=a p I (z)= p b z=b 0 w innych przypadkach :odwrócenieprzekształceniadegradacji 33/33

Przetwarzanie i Kompresja Obrazów. Segmentacja

Przetwarzanie i Kompresja Obrazów. Segmentacja Przetwarzanie i Kompresja Obrazów. Aleksander Denisiuk(denisjuk@pja.edu.pl) Polsko-Japońska Akademia Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55, 80-045 Gdańsk 5 czerwca 2016 1/27

Bardziej szczegółowo

Filtracja obrazów. w dziedzinie częstotliwości. w dziedzinie przestrzennej

Filtracja obrazów. w dziedzinie częstotliwości. w dziedzinie przestrzennej Filtracja obrazów w dziedzinie częstotliwości w dziedzinie przestrzennej filtry liniowe filtry nieliniowe Filtracja w dziedzinie częstotliwości Obraz oryginalny FFT2 IFFT2 Obraz po filtracji f(x,y) H(u,v)

Bardziej szczegółowo

Filtracja obrazu operacje kontekstowe

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 szczegółowo

Segmentacja przez detekcje brzegów

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 szczegółowo

Filtracja liniowa (metody konwolucyjne, tzn. uwzględniające pewne otoczenie przetwarzanego piksla):

Filtracja 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 szczegółowo

Filtracja obrazu operacje kontekstowe

Filtracja 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 szczegółowo

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 7 AiR III

Cyfrowe 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 szczegółowo

Przekształcenia kontekstowe. Filtry nieliniowe Typowy przykład usuwania zakłóceń z obrazu

Przekształcenia 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 szczegółowo

Przetwarzanie i Kompresja Obrazów. Morfologia matematyczna

Przetwarzanie i Kompresja Obrazów. Morfologia matematyczna Przetwarzanie i Kompresja Obrazów. Morfologia matematyczna Aleksander Denisiuk(denisjuk@pja.edu.pl) Polsko-Japońska Akademia Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55, 80-045 Gdańsk

Bardziej szczegółowo

Przetwarzanie obrazu

Przetwarzanie obrazu Przetwarzanie obrazu Przekształcenia kontekstowe Liniowe Nieliniowe - filtry Przekształcenia kontekstowe dokonują transformacji poziomów jasności pikseli analizując za każdym razem nie tylko jasność danego

Bardziej szczegółowo

Filtracja splotowa obrazu

Filtracja 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 szczegółowo

WYKŁAD 3. Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego

WYKŁAD 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 szczegółowo

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III

Cyfrowe 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 szczegółowo

FILTRACJE W DZIEDZINIE CZĘSTOTLIWOŚCI

FILTRACJE 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 szczegółowo

Analiza obrazów - sprawozdanie nr 2

Analiza 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 szczegółowo

Rozpoznawanie Twarzy i Systemy Biometryczne

Rozpoznawanie 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 szczegółowo

Parametryzacja obrazu na potrzeby algorytmów decyzyjnych

Parametryzacja 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 szczegółowo

Filtracja w domenie przestrzeni

Filtracja w domenie przestrzeni 1 Filtracja Filtracja w domenie przestrzeni Filtracja liniowa jest procesem splotu (konwolucji) obrazu z maską (filtrem). Dla dwuwymiarowej i dyskretnej funkcji filtracja dana jest wzorem: L2(m, n) = (w

Bardziej szczegółowo

Przetwarzanie i Kompresja Obrazów. Przekształcenia geometryczne

Przetwarzanie i Kompresja Obrazów. Przekształcenia geometryczne Przetwarzanie i Kompresja Obrazów. geometryczne Aleksander Denisiuk(denisjuk@pja.edu.pl) Polsko-Japońska Akademia Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55, 80-045 Gdańsk 1 kwietnia

Bardziej szczegółowo

PRZETWARZANIE SYGNAŁÓW

PRZETWARZANIE SYGNAŁÓW PRZETWARZANIE SYGNAŁÓW SEMESTR V Wykład VIII Podstawy przetwarzania obrazów Filtracja Przetwarzanie obrazu w dziedzinie próbek Przetwarzanie obrazu w dziedzinie częstotliwości (transformacje częstotliwościowe)

Bardziej szczegółowo

Przetwarzanie obrazów rastrowych macierzą konwolucji

Przetwarzanie 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 szczegółowo

Przetwarzanie obrazów wykład 4

Przetwarzanie 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 szczegółowo

Przetwarzanie obrazów. Grupy metod przetwarzania obrazu. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe

Przetwarzanie 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 szczegółowo

Grafika komputerowa. Dr inż. Michał Kruk

Grafika 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 szczegółowo

maska 1 maska 2 maska 3 ogólnie

maska 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 szczegółowo

Analiza obrazu. wykład 4. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009

Analiza 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 szczegółowo

Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.

Spośród 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 szczegółowo

Cyfrowe Przetwarzanie Obrazów i Sygnałów

Cyfrowe Przetwarzanie Obrazów i Sygnałów Cyfrowe Przetwarzanie Obrazów i Sygnałów Laboratorium EX Lokalne transformacje obrazów Joanna Ratajczak, Wrocław, 28 Cel i zakres ćwiczenia Celem ćwiczenia jest zapoznanie się z własnościami lokalnych

Bardziej szczegółowo

POB Odpowiedzi na pytania

POB 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 szczegółowo

Analiza obrazu. wykład 6. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009

Analiza 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 szczegółowo

WSTĘP DO PRZETWARZANIA OBRAZÓW. Jak znaleźć ciekawe rzeczy na zdjęciu? mgr Krzysztof Szarzyński

WSTĘP DO PRZETWARZANIA OBRAZÓW. Jak znaleźć ciekawe rzeczy na zdjęciu? mgr Krzysztof Szarzyński WSTĘP DO PRZETWARZANIA OBRAZÓW Jak znaleźć ciekawe rzeczy na zdjęciu? mgr Krzysztof Szarzyński Czym jest obraz? Na nasze potrzeby będziemy zajmować się jedynie obrazami w skali szarości. Większość z omawianych

Bardziej szczegółowo

Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 11. Filtracja sygnałów wizyjnych

Laboratorium. 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 szczegółowo

Diagnostyka obrazowa

Diagnostyka 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

Diagnostyka obrazowa

Diagnostyka 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 szczegółowo

Wyznaczniki. Algebra. Aleksander Denisiuk

Wyznaczniki. Algebra. Aleksander Denisiuk Algebra Wyznaczniki Aleksander Denisiuk denisjuk@pjwstk.edu.pl Polsko-Japońska Wyższa Szkoła Technik Komputerowych zamiejscowy ośrodek dydaktyczny w Gdańsku ul. Brzegi 55 80-045 Gdańsk Algebra p. 1 Wyznaczniki

Bardziej szczegółowo

Laboratorium Cyfrowego Przetwarzania Obrazów

Laboratorium Cyfrowego Przetwarzania Obrazów Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 4 Filtracja 2D Opracowali: - dr inż. Krzysztof Mikołajczyk - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej,

Bardziej szczegółowo

PRZETWARZANIE OBRAZÓW

PRZETWARZANIE OBRAZÓW PRZETWARZANIE OBRAZÓW WYKŁAD 1 Marek Doros Przetwarzanie obrazów Wykład 1 2 Schemat procesu przetwarzania obrazu Obraz cyfrowy Opis obrazu Obraz Pozyskanie Wstępne przetworzenie obrazu Segmentacja obrazu

Bardziej szczegółowo

Wyższa Szkoła Informatyki Stosowanej i Zarządzania

Wyższa 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 szczegółowo

Rekonstrukcja obrazu (Image restoration)

Rekonstrukcja obrazu (Image restoration) Rekonstrukcja obrazu (Image restoration) Celem rekonstrukcji obrazu cyfrowego jest odtworzenie obrazu oryginalnego na podstawie obrazu zdegradowanego. Obejmuje ona identyfikację procesu degradacji i próbę

Bardziej szczegółowo

Restauracja a poprawa jakości obrazów

Restauracja a poprawa jakości obrazów Restauracja obrazów Zadaniem metod restauracji obrazu jest taie jego przeształcenie aby zmniejszyć (usunąć) znieształcenia obrazu powstające przy jego rejestracji. Suteczność metod restauracji obrazu zależy

Bardziej szczegółowo

Lokalne transformacje obrazów

Lokalne transformacje obrazów Laboratorium: Cyfrowe przetwarzanie obrazów i sygnaªów Lokalne transformacje obrazów 1 Cel i zakres wiczenia Celem wiczenia jest zapoznanie si z wªasno±ciami lokalnych transformacji obrazu i ich wykorzystaniem

Bardziej szczegółowo

Politechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna.

Politechnika 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 szczegółowo

A-2. Filtry bierne. wersja

A-2. Filtry bierne. wersja wersja 04 2014 1. Zakres ćwiczenia Celem ćwiczenia jest zrozumienie propagacji sygnałów zmiennych w czasie przez układy filtracji oparte na elementach rezystancyjno-pojemnościowych. Wyznaczenie doświadczalne

Bardziej szczegółowo

Politechnika Świętokrzyska. Laboratorium. Przetwarzanie obrazów medycznych. Ćwiczenie 5. Filtracja kontekstowa obrazów.

Politechnika Świętokrzyska. Laboratorium. Przetwarzanie obrazów medycznych. Ćwiczenie 5. Filtracja kontekstowa obrazów. Politechnika Świętokrzyska Laboratorium Przetwarzanie obrazów medycznych Ćwiczenie 5 Filtracja kontekstowa obrazów. Cel ćwiczenia Celem ćwiczenia jest zdobucie umiejętności tworzenia funkcji realizujących

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.

Wstęp 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 13-1- Projekt pn. Wzmocnienie potencjału dydaktycznego

Bardziej szczegółowo

Inżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska

Inżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska Inżynieria Wiedzy i Systemy Ekspertowe Logika rozmyta dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Wyostrzanie Ostateczna, ostra wartość

Bardziej szczegółowo

Ćwiczenia 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 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 szczegółowo

Przetwarzanie obrazów wykład 3

Przetwarzanie obrazów wykład 3 Przetwarzanie obrazów wykład 3 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Operacje kontekstowe (filtry) Operacje polegają

Bardziej szczegółowo

Wektory. Algebra. Aleksander Denisiuk. Polsko-Japońska Wyższa Szkoła Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi Gdańsk

Wektory. Algebra. Aleksander Denisiuk. Polsko-Japońska Wyższa Szkoła Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi Gdańsk Algebra Wektory Aleksander Denisiuk denisjuk@pjwstk.edu.pl Polsko-Japońska Wyższa Szkoła Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55 80-045 Gdańsk Algebra p. 1 Wektory Najnowsza wersja

Bardziej szczegółowo

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27 SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;

Bardziej szczegółowo

Grafika Komputerowa. Algorytmy rastrowe

Grafika Komputerowa. Algorytmy rastrowe Grafika Komputerowa. Algorytmy rastrowe Aleksander Denisiuk Polsko-Japońska Akademia Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55 80-045 Gdańsk Ò Ù Ô º ÙºÔÐ 1 / 23 Algorytmy rastrowe

Bardziej szczegółowo

Zbigniew Sołtys - Komputerowa Analiza Obrazu Mikroskopowego 2016 część 5

Zbigniew 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 szczegółowo

Wyższa Szkoła Informatyki Stosowanej i Zarządzania

Wyższa 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 szczegółowo

Sztuczna inteligencja: zbiory rozmyte

Sztuczna inteligencja: zbiory rozmyte Instytut Informatyki Uniwersytetu Śląskiego lab 1 1 Klasyczna teoria zbiorów 2 Teoria zbiorów rozmytych 3 Zmienne lingwistyczne i funkcje przynależności 4 System rozmyty 5 Preprocesing danych Każdy element

Bardziej szczegółowo

WYDZIAŁ FIZYKI I INFORMATYKI STOSOWANEJ

WYDZIAŁ FIZYKI I INFORMATYKI STOSOWANEJ WYDZIAŁ FIZYKI I INFORMATYKI STOSOWANEJ Hybrid Images Imię i nazwisko: Anna Konieczna Kierunek studiów: Informatyka Stosowana Rok studiów: 4 Przedmiot: Analiza i Przetwarzanie Obrazów Prowadzący przedmiot:

Bardziej szczegółowo

4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych...

4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych... Spis treści 1 Wstęp 11 1.1 Do kogo adresowana jest ta książka... 12 1.2 Historia badań nad mową i językiem... 12 1.3 Obecne główne trendy badań... 16 1.4 Opis zawartości rozdziałów... 18 2 Wyzwania i możliwe

Bardziej szczegółowo

Projekt 2: Filtracja w domenie przestrzeni

Projekt 2: Filtracja w domenie przestrzeni Projekt 2: Filtracja w domenie przestrzeni 1. 2. Wstęp teoretyczny a. Filtracja w domenie przestrzeni b. Krótko o szumie c. Filtracja d. Usuwanie szumu typu Salt and Pepper filtrem medianowym e. Wnioski

Bardziej szczegółowo

Ćwiczenie 2. Przetwarzanie graficzne plików. Wprowadzenie teoretyczne

Ćwiczenie 2. Przetwarzanie graficzne plików. Wprowadzenie teoretyczne Ćwiczenie Przetwarzanie graficzne plików Wprowadzenie teoretyczne ddytywne składanie kolorów (podstawowe barwy R, G, ) arwy składane addytywnie wykorzystywane są najczęściej w wyświetlaczach, czyli stosuje

Bardziej szczegółowo

Algorytmy graficzne. Nieliniowa filtracja obrazów monochromatycznych

Algorytmy graficzne. Nieliniowa filtracja obrazów monochromatycznych Algorytmy graficzne Nieliniowa filtracja orazów monochromatycznych Metody oceny efektywności filtracji Analizując filtry redukujące zakłócenia w orazie cyfrowym konieczne jest określenie ścisłych miar

Bardziej szczegółowo

WOJSKOWA AKADEMIA TECHNICZNA

WOJSKOWA AKADEMIA TECHNICZNA WOJSKOWA AKADEMIA TECHNICZNA LABORATORIUM CYFROWE PRZETWARZANIE SYGNAŁÓW Stopień, imię i nazwisko prowadzącego Imię oraz nazwisko słuchacza Grupa szkoleniowa Data wykonania ćwiczenia dr inż. Andrzej Wiśniewski

Bardziej szczegółowo

ANALIZA I PRZETWARZANIE OBRAZÓW

ANALIZA 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 szczegółowo

Wykład 6: Reprezentacja informacji w układzie optycznym; układy liniowe w optyce; podstawy teorii dyfrakcji

Wykład 6: Reprezentacja informacji w układzie optycznym; układy liniowe w optyce; podstawy teorii dyfrakcji Fotonika Wykład 6: Reprezentacja informacji w układzie optycznym; układy liniowe w optyce; podstawy teorii dyfrakcji Plan: pojęcie sygnału w optyce układy liniowe filtry liniowe, transformata Fouriera,

Bardziej szczegółowo

Algebra linowa w pigułce

Algebra linowa w pigułce Algebra Algebra linowa w pigułce Aleksander Denisiuk denisjuk@pjwstk.edu.pl Polsko-Japońska Wyższa Szkoła Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55 80-045 Gdańsk Algebra p. 1 Algebra

Bardziej szczegółowo

Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT

Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT 3-1 Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT Grupa BD2,TC1, Zespół 2 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń laboratoryjnych Ćwiczenie nr3 Temat: Operacje sąsiedztwa wygładzanie i wyostrzanie

Bardziej szczegółowo

Przekształcenie Fouriera obrazów FFT

Przekształcenie Fouriera obrazów FFT Przekształcenie ouriera obrazów T 6 P. Strumiłło, M. Strzelecki Przekształcenie ouriera ourier wymyślił sposób rozkładu szerokiej klasy funkcji (sygnałów) okresowych na składowe harmoniczne; taką reprezentację

Bardziej szczegółowo

Pozostała algebra w pigułce

Pozostała algebra w pigułce Algebra Pozostała algebra w pigułce Aleksander Denisiuk denisjuk@pjwstk.edu.pl Polsko-Japońska Wyższa Szkoła Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55 80-045 Gdańsk Algebra p. 1

Bardziej szczegółowo

Sztuczna inteligencja : Zbiory rozmyte cz. 2

Sztuczna inteligencja : Zbiory rozmyte cz. 2 Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Funkcja trójkątna: Funkcja trójkątna: Funkcja przynależności γ (gamma): Rysunek:

Bardziej szczegółowo

Równania różniczkowe. Analiza Matematyczna. Aleksander Denisiuk

Równania różniczkowe. Analiza Matematyczna. Aleksander Denisiuk Analiza Matematyczna Równania różniczkowe Aleksander Denisiuk denisjuk@pjwstk.edu.pl Polsko-Japońska Wyższa Szkoła Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55 80-045 Gdańsk Analiza

Bardziej szczegółowo

Technika laserowa, otrzymywanie krótkich impulsów Praca impulsowa

Technika laserowa, otrzymywanie krótkich impulsów Praca impulsowa Praca impulsowa Impuls trwa określony czas i jest powtarzany z pewną częstotliwością; moc w pracy impulsowej znacznie wyższa niż w pracy ciągłej (pomiędzy impulsami może magazynować się energia) Ablacja

Bardziej szczegółowo

Wykład 6: Reprezentacja informacji w układzie optycznym; układy liniowe w optyce; podstawy teorii dyfrakcji

Wykład 6: Reprezentacja informacji w układzie optycznym; układy liniowe w optyce; podstawy teorii dyfrakcji Fotonika Wykład 6: Reprezentacja informacji w układzie optycznym; układy liniowe w optyce; podstawy teorii dyfrakcji Plan: pojęcie sygnału w optyce układy liniowe filtry liniowe, transformata Fouriera,

Bardziej szczegółowo

Przedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry 1 1.1. Pojęcia podstawowe 1 1.2. Klasyfikacja sygnałów 2 1.3.

Przedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry 1 1.1. Pojęcia podstawowe 1 1.2. Klasyfikacja sygnałów 2 1.3. Przedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry 1 1.1. Pojęcia podstawowe 1 1.2. Klasyfikacja sygnałów 2 1.3. Sygnały deterministyczne 4 1.3.1. Parametry 4 1.3.2. Przykłady 7 1.3.3. Sygnały

Bardziej szczegółowo

Filtracja. Krzysztof Patan

Filtracja. Krzysztof Patan Filtracja Krzysztof Patan Wprowadzenie Działanie systemu polega na przetwarzaniu sygnału wejściowego x(t) na sygnał wyjściowy y(t) Równoważnie, system przetwarza widmo sygnału wejściowego X(jω) na widmo

Bardziej szczegółowo

II. FUNKCJE WIELU ZMIENNYCH

II. FUNKCJE WIELU ZMIENNYCH II. FUNKCJE WIELU ZMIENNYCH 1. Zbiory w przestrzeni R n Ustalmy dowolne n N. Definicja 1.1. Zbiór wszystkich uporzadkowanych układów (x 1,..., x n ) n liczb rzeczywistych, nazywamy przestrzenią n-wymiarową

Bardziej szczegółowo

Uniwersytet Warszawski, Wydział Fizyki

Uniwersytet Warszawski, Wydział Fizyki TELEDETEKCJA A źródło B oddziaływanie z atmosferą C obiekt, oddziaływanie z obiektem D detektor E zbieranie danych F analiza G zastosowania A C B D E F G Obraz wejściowy Analiza Algorytmy przetwarzania

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.

Wstęp 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 szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji

Bardziej szczegółowo

edzi (local edge detectors) Lokalne operatory wykrywania kraw

edzi (local edge detectors) Lokalne operatory wykrywania kraw Lokalne operatory wykrywania kraw edzi (local edge detectors) Jeśli dwie reprezentacje sa zbyt odleg le, by można by lo latwo określić transformacje miedzy nimi, to u latwić zadanie można przez wprowadzenie

Bardziej szczegółowo

Część 1. Transmitancje i stabilność

Część 1. Transmitancje i stabilność Część 1 Transmitancje i stabilność Zastosowanie opisu transmitancyjnego w projektowaniu przekształtników impulsowych Istotne jest przewidzenie wpływu zmian w warunkach pracy (m. in. v g, i) i wielkości

Bardziej szczegółowo

Technika audio część 2

Technika audio część 2 Technika audio część 2 Wykład 12 Projektowanie cyfrowych układów elektronicznych Mgr inż. Łukasz Kirchner lukasz.kirchner@cs.put.poznan.pl http://www.cs.put.poznan.pl/lkirchner Wprowadzenie do filtracji

Bardziej szczegółowo

Obraz jako funkcja Przekształcenia geometryczne

Obraz 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 szczegółowo

Raport. Bartosz Paprzycki xed@mat.umk.pl UMK 2009/2010

Raport. 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 szczegółowo

Określenie całki oznaczonej na półprostej

Określenie całki oznaczonej na półprostej Określenie całki oznaczonej na półprostej Definicja 1 Niech funkcja f : [a, ) R będzie całkowalna na przedziałach [a, T ] dla każdego T > a. Całkę niewłaściwą funkcji f na półprostej [a, ) określamy wzorem

Bardziej szczegółowo

Cyfrowe Przetwarzanie Obrazów i Sygnałów

Cyfrowe 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 szczegółowo

Próbkowanie (ang. sampling) - kwantyzacja. Rastrowa reprezentacja obrazu 2D. Generowanie obrazu rastrowego 2D. Próbkowanie i integracja

Próbkowanie (ang. sampling) - kwantyzacja. Rastrowa reprezentacja obrazu 2D. Generowanie obrazu rastrowego 2D. Próbkowanie i integracja Próbkowanie (ang. sampling) - kwantyzacja Rastrowa reprezentacja obrazu 2D Próbkowanie - proces zamiany ciągłego sygnału f(x) na skończoną liczbę wartości opisujących ten sygnał. Kwantyzacja - proces zamiany

Bardziej szczegółowo

Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta

Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa

Bardziej szczegółowo

Dyskretne układy liniowe. Funkcja splotu. Równania różnicowe. Transform

Dyskretne układy liniowe. Funkcja splotu. Równania różnicowe. Transform Dyskretne układy liniowe. Funkcja splotu. Równania różnicowe. Transformata Z. March 20, 2013 Dyskretne układy liniowe. Funkcja splotu. Równania różnicowe. Transformata Z. Sygnał i system Sygnał jest opisem

Bardziej szczegółowo

Algebra z geometrią analityczną zadania z odpowiedziami

Algebra z geometrią analityczną zadania z odpowiedziami Algebra z geometrią analityczną zadania z odpowiedziami Maciej Burnecki Spis treści 0 Wyrażenia algebraiczne, indukcja matematyczna 2 2 2 1 Geometria analityczna w R 2 3 3 3 2 Liczby zespolone 4 4 4 3

Bardziej szczegółowo

Algebra z geometrią analityczną zadania z odpowiedziami

Algebra z geometrią analityczną zadania z odpowiedziami Algebra z geometrią analityczną zadania z odpowiedziami Maciej Burnecki Spis treści strona główna 1 Wyrażenia algebraiczne, indukcja matematyczna 2 2 Geometria analityczna w R 2 Liczby zespolone 4 4 Wielomiany

Bardziej szczegółowo

Diagnostyka obrazowa

Diagnostyka 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 szczegółowo

Algebra z geometrią analityczną zadania z odpowiedziami

Algebra z geometrią analityczną zadania z odpowiedziami Algebra z geometrią analityczną zadania z odpowiedziami Maciej Burnecki opracowanie Spis treści I Wyrażenia algebraiczne, indukcja matematyczna 2 II Geometria analityczna w R 2 4 III Liczby zespolone 5

Bardziej szczegółowo

AKWIZYCJA I PRZETWARZANIE WSTĘPNE

AKWIZYCJA I PRZETWARZANIE WSTĘPNE WYKŁAD 2 AKWIZYCJA I PRZETWARZANIE WSTĘPNE Akwizycja (pozyskiwanie) obrazu Akwizycja obrazu - przetworzenie obrazu obiektu fizycznego (f(x,y)) do postaci zbioru danych dyskretnych (obraz cyfrowy) nadających

Bardziej szczegółowo

Diagnostyka obrazowa

Diagnostyka 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 szczegółowo

Komputerowe obrazowanie medyczne

Komputerowe 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 szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2011/2012 Wykład 2 Statystyka Do tej pory było: Wiadomości praktyczne o przedmiocie Podstawowe

Bardziej szczegółowo

Laboratorium 3 - statystyka opisowa

Laboratorium 3 - statystyka opisowa dla szeregu rozdzielczego Laboratorium 3 - statystyka opisowa Agnieszka Mensfelt 11 lutego 2019 dla szeregu rozdzielczego Statystyka opisowa dla szeregu rozdzielczego Przykład wyniki maratonu Wyniki 18.

Bardziej szczegółowo

Obraz cyfrowy. Radosław Mantiuk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Obraz cyfrowy. Radosław Mantiuk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Obraz cyfrowy Radosław Mantiuk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Obraz Funkcja dwuwymiarowa. Wartością tej funkcji w dowolnym punkcie jest kolor (jasność). Obraz

Bardziej szczegółowo

0.1 Pierścienie wielomianów

0.1 Pierścienie wielomianów 0.1 Pierścienie wielomianów Zadanie 1. Znaleźć w pierścieniu Z 5 [X] drugi wielomian określający tę samą funkcję, co wielomian X 2 X + 1. (Odp. np. X 5 + X 2 2X + 1). Zadanie 2. Znaleźć sumę i iloczyn

Bardziej szczegółowo

Politechnika Łódzka. Instytut Systemów Inżynierii Elektrycznej

Politechnika Łódzka. Instytut Systemów Inżynierii Elektrycznej Politechnika Łódzka Instytut Systemów Inżynierii Elektrycznej Laboratorium komputerowych systemów pomiarowych Ćwiczenie 4 Filtracja sygnałów dyskretnych 1. Opis stanowiska Ćwiczenie jest realizowane w

Bardziej szczegółowo

Analiza Matematyczna. Własności funkcji różniczkowalnych

Analiza Matematyczna. Własności funkcji różniczkowalnych Analiza Matematyczna. Własności funkcji Aleksander Denisiuk denisiuk@pjwstk.edu.pl Polsko-Japońska Wyższa Szkoła Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55 80-045 Gdańsk 5 kwietnia

Bardziej szczegółowo