Wykład 6. Analiza kształtu histogramu jasności: Ridler, 1978 Otsu, 1979 Lloyd, 1985 Kittler, 1986 Yani, 1994 Yawahar, 1997 PROGOWANIE
|
|
- Kajetan Kaczor
- 6 lat temu
- Przeglądów:
Transkrypt
1 1 Metody binaryzacji. Kwantyzacja kolorów. Binaryzacja obrazu polega na przekształceniu obrazów mających wiele poziomów szarości w obrazy czarno-białe zwane inaczej binarnymi. Przeprowadzenie procesu binaryzacji realizowane jest przez progowanie polegające na ustaleniu wartości progowej (threshold) poniżej której piksele obrazu klasyfikowane są jako piksele obiektu natomiast pozostałe piksele klasyfikowane są jako piksele tła. W zależności od specyfikacji obrazu pikselom obiektu nadaje się wartość minimalną (0) a pikselom tła maksymalną (255 w reprezentacji 8-bitowej). W przypadku używania przeskalowanych kolorów próg należy do przedziału [0 1]. Liczba metod binaryzacji jest bardzo duża rzędu kilkudziesięciu. Opracowane metody bazują na kształcie histogramów entropii klasteryzacji atrybutach obiektów korelacji i innych własnościach. Metody progowania Klasteryzacja: Badanie entropii: Pun 1980 Kapur 1985 Li 1993 Shanbak 1994 Yen 1995 Brink 1996 Sahoo 1997 Cheng 1999 Uogólnieniem metody Analiza kształtu histogramu jasności: Ridler 1978 Otsu 1979 Lloyd 1985 Kittler 1986 Yani 1994 Yawahar 1997 Rosenfeld 1983 Sezan 1985 Carlotto i Olivo 1997 Ramesh 1995 Guo i Kai 1998 Metody lokalnego progu: PROGOWANIE Atrybuty obiektów: Metody korelacji: Tsai i Cheng 1985 Hertz 1988 O'Gorman 1994 Huang 1995 Pikaz 1996 Leung 1998 progowania z Pal 1989 Abutaleb 1989 Chang 1999 Beghdadi 1995 Friel 1999 pojedynczym progiem jest Yasuda 1980 White 1983 Niblack 1986 Bernsen 1986 Palumbo 1986 Yanowitz 1989 Oh 1999 Sauvola 2000 wieloprogowanie (multithresholding) w przypadku którego ustala się większą liczbę progów a tym samym wydziela się większą liczbę klas obiektów w obrazie. Niekiedy stosuje się pseudoprogowanie (semibinaryzację) usuwające z obrazu tło i nie zmieniając obiektu: L( x y ); L( x y ) T L ' ( x y ). L ( x y ) T 1;
2 2 Celem binaryzacji jest radykalna redukcja ilości informacji zawartej w obrazie. Redukcja ilości informacji przeprowadzona na etapie binaryzacji obniża złożoność algorytmów rozpoznawania i tym samym skraca czas procesu analizy. Binaryzacja: jest wykorzystywana jako etap wstępny analizy dokumentów np. OCR; wynik binaryzacji wpływa na ostateczny wynik procesu analizy tekstu umożliwia wykonywanie podstawowych pomiarów na obrazie (liczebność elementów pole powierzchni długość) umożliwia analizowanie i modyfikowanie kształtu obiektów poprzez wykonywanie operacji wykonywanych na obrazach binarnych np. operacji morfologicznych szkieletyzacji stanowi najstarszą i najprostszą formę segmentacji obrazu czyli jego podziału na rozłączne regiony charakteryzujące się jednorodnością wartości pikseli. Przykład Progowanie ma zastosowanie w przypadku segmentacji komórek krwi których obraz charakteryzuje się szczególnymi przedziałami poziomów szarości: tło jest jaśniejsze jądra komórek są ciemniejsze. Segmentacja: a) obraz źródłowy b) wynik binaryzacji z dolnym progiem równym 136 W zależności od sposobu ustalenia progu metody progowania można podzielić na: metody z progiem globalnym metody metody z progiem lokalnym metody adaptacyjne.
3 3 Progowanie globalne prowadzi do wyznaczenia na podstawie analizy obrazu jednego progu globalnego dla całego obrazu. Jest to metoda szybka (operacja punktowa). Daje dobre wyniki gdy intensywność tła i obiektu są wyraźnie rozdzielone. W implementacji algorytmu warto stosować tablicę LUT. Jeżeli obiekt ma duże rozmiary i jego oświetlenie nie jest stabilne a poziom jasności tła się zmienia musimy użyć kilku progów każdy lokalnie w małym regionie obrazu. W przypadku progowania lokalnego obraz dzielony jest na podobrazy i próg określa się dla każdego z nich niezależnie na podstawie analizy jego otoczenia (sąsiedztwa kontekstu). Po operacji progowania lokalnego pojawiają się nieciągłości na granicach dwu różnych podobrazów. Metoda jest wolniejsza ponieważ wymaga wykonania obliczeń w otoczeniu każdego piksela obrazu (operacja kontekstowa). Jeżeli próg zależy od współrzędnych piksela to nazywamy go adaptacyjnym lub dynamicznym. Metody progowania globalnego można zastosować w wersji quasi-lokalnej przez podzielenie obrazu na podobrazy i zastosowanie progowania globalnego do każdego bloku oddzielnie. Progowanie globalne i progowanie lokalne
4 Przykład Obraz wejściowy wynik po progowaniu globalnym i lokalnym histogram obrazu wejściowego Przykład 4
5 5 Obraz wejściowy i jego histogram wynik po progowaniu globalnym i adaptacyjnym W ogólności progowanie globalne daje zadowalające rezultaty w przypaku gdy obiekty różnych klas zajmują rozłączne obszary histogramu. Przyczyną błędów binaryzacji mogą być: nierównomierne oświetlenie dokumentu przed jego pozyskaniem stosowanie urządzeń niskiej jakości zabrudzenia zagięcia lub przesączenia atramentu pomiędzy stronami niejednolite tło tekstu (np. nadruki firmowe logo faktura papieru tekstura) niejednolita grubość kreski w przypaku pisma odręcznego zbyt mały kontrast odbicia światła itp. Progowanie globalne Najczęściej stosowanymi metodami binaryzacji obrazu są: binaryzacja z dolnym progiem; binaryzacja z górnym progiem; binaryzacja z podwójnym ograniczeniem (z dwoma progami); binaryzacja wielokryterialna; binaryzacja warunkowa (z histerezą). Binaryzacja z dolnym progiem Funkcja binaryzacyjna z dolnym progiem dana jest wzorem 0; L( x y ) T L ' ( x y ) 1; L( x y ) T gdzie L( x y ) oznacza stopnie szarości punktu obrazu źródłowego L' ( x y) dwie wartości 0 lub 1 punktu obrazu wynikowego natomiast T oznacza próg binaryzacji. Wszystkie punkty poniżej wybranego progu czułości stają się czarne a powyżej białe.
6 6 a) b) Binaryzacja a) obraz oryginalny b) obraz po binaryzacji z dolnym progiem T 127. Podstawowym problemem wykonywania binaryzacji jest właściwe ustalenie progu. Najczęściej w tym celu tworzy się histogram obrazu który może wskazać obszary obrazu o różnych poziomach jasności. Wtedy próg binaryzacji wybiera się między tymi obszarami. Przykład a) b) Binaryzacja: obraz oryginalny obraz po binaryzacji z dolnym progiem T 67 histogram obrazu.
7 7 Binaryzacja z górnym progiem Funkcję binaryzacji z górnym progiem można zapisać w postaci 0; L( x y ) T L ' ( x y ) 1; L( x y ) T Z powyższej formuły wynika że binaryzacja z górnym progiem jest negatywem binaryzacji z dolnym progiem. Wszystkie punkty których stopnie szarości są powyżej progu czułości stają się czarne a poniżej białe. a) b) Binaryzacja a) obraz oryginalny b) obraz po binaryzacji z górnym progiem T 127 Binaryzacja z podwójnym ograniczeniem Binaryzacja z podwójnym ograniczeniem polega na wprowadzeniu dwóch progów. Dana jest zależnością 0 L( x y ) T1 L' ( x y ) 1 T1 L( x y ) T2 0 L( x y ) T 2 gdzie T1 i T2 T1 T2 oznaczają progi binaryzacji. Z powyższych zależności wynika że punkty których stopnie szarości mieszczą się pomiędzy progami T1 i T2 stają się białe pozostałe stają się czarne. Operację tą stosujemy gdy mamy ciemny obiekt na jasnym tle lub na odwrót. Wtedy możemy tak ustalić progi by nastąpiło wydzielenie konturu.
8 8 b) Binaryzacja a) obraz oryginalny b) obraz po binaryzacji z podwójnym progiem T1 127 i T Binaryzacja warunkowa Binaryzacja warunkowa nazywana jest histerezą. Opisana jest zależnością 0 L( x y ) T1 L' ( x y ) s T1 L( x y ) T2 1 L( x y ) T 2 gdzie s oznacza wartość sąsiadujących punktów oraz s 01. Progowanie z histerezą stosuje się w przypadkach gdy klasy pikseli w histogramie nie są wyraźnie rozseparowane np. gdy granice obiektu w obrazie są rozmyte niewyraźne. W takim przypadku definiuje się dwa progi: lewy oraz prawy: T1 i T2 przy czym T1 T2. Jeśli wartość punktu jest mniejsza od T1 to punkt pozostaje zmieniony na czarny jeśli mniejsza od T2 to punkt zostaje zamieniony na biały. Wartości leżące poniżej progu lewego T1 definiują część główną obiektu (jądro obiektu) wartości leżące powyżej progu prawego T2 wyznaczają klasę tła Wartości powyżej progu lewego T1 i poniżej progu prawego T2 są klasyfikowane jako reprezentujące obiekt pod warunkiem że piksel przyjmujący taką wartość sąsiaduje w obrazie z pikselem należącym do jądra obiektu. Binaryzacja wielokryterialna Binaryzację wielokryterialną można traktować jako kilkukrotne złożenie operacji binaryzacji z dwoma progami. Funkcję binaryzacji wielokryterialnej można zapisać w postaci
9 9 L( x y ) T1 0 1 T L( x y ) T 1 2 L' ( x y ) 0 T2 L( x y ) T3 1 T L( x y ) T L( x y ) T 4 gdzie T1 T2 T3 T4 oznaczają progi binaryzacji przy czym T1 T2 T3 T4. Binaryzacje wielokryterialną przeprowadza się w celu połączenia i wydzielenia obszarów obrazu znacznie różniących się poziomem szarości. Jeżeli w obrazie występuje kilka grup obiektów różniących się wyraźnie poziomami jasności to można stworzyć kilka obrazów binarnych tak aby każdy odpowiadał jednej grupie obiektów. Przykład Obraz źródłowy i jego histogram wynik progowania z progiem 128 wynik progowania z dwoma progami
10 10 Przykład różnych metod binaryzacji globalnej Obraz oryginalny Binaryzacja z dolnym progiem (próg 128) Binaryzacja z górnym progiem Binaryzacja z podwójnym progiem (p1 64 p2 128) Efekt binaryzacji obrazu Wyznaczanie progu z wykorzystaniem wiedzy a priori Ważnym zadaniem jest wyznaczenie progu. Progowanie wymagające wiedzy a priori jest to metoda wykorzystywana do binaryzacji dokumentów tekstowych która wykorzystuję wiedzę a priori o procentowym pokryciu strony przez tekst. Wiedząc że p% analizowanego obrazu stanowi czarny tekst na białym tle progiem T jest ta wartość która dzieli histogram na wie części: pierwszą zawierającą w przybliżeniu p% pikseli obrazu oraz drugą która zawiera pozostałą część pikseli. Próg może być łatwo ustalony na postawie dystrybuanty histogramu.
11 11 Zastosowanie histogramu do wyznaczania progu Jedną z metod progowania globalnego jest progowanie na podstawie histogramu obrazu. Jeżeli będzie on miał rozkład dwumodalny a więc taki który charakteryzuje się dwiema najczęściej występującymi klasami pikseli to taki próg odpowiada minimum między tymi klasami. W rezultacie treść obrazu zostanie podzielona na dwie klasy: obiekt i tło. Przykładowy histogram bimodalny Nie zawsze jednak wybór tej metody jest słuszny. Często zdarza się że dość ciężko określić dół doliny między najwyższymi słupkami histogramu ponieważ jest on zbyt płaski i szeroki oraz nasycony szumami. Również gdy dwa skrajnie najwyższe słupki histogramu mają zbyt różne wysokości to dolina jest trudna do analizy. W takich przypadkach wybór optymalnego progu na podstawie tej metody jest trudny. Do znalezienia progu można wtedy zastosować metodę "trójkąta" którą obrazuje rysunek Przykładowy histogram z jednym pikiem Konstruujemy linię prostą łączącą minimum histogramu i jego maksimum (punkty A i B). Niech tym punktom odpowiadają jasności od histogramu dla odległość ( jest maksymalna tzn. i. Następnie badamy odległość wykreślonej linii ). Jako próg wybieramy taką wartość jasności dla której arg max dla.
12 12 Gdy piksele ciemne obiektu mają słaby pik na histogramie wówczas metoda trójkąta jest efektywna. Gdy histogram jest zaszumiony warto przeprowadzić jego wygładzanie. Histogram zawiera informacje o częstości występowania jasności pikseli w obrazach ale nie gwarantuje że piksele należące do tej samej mody histogramu będą tworzyły obszar spójny umiejscowiony obok siebie na obrazie. Histogram nie zawiera informacji o przestrzennym rozmieszczeniu jasności pikseli w obrazach zawiera tylko informacje o częstości ich występowania. Metoda histogramowa jest prosta szybka i chętnie stosowana pomimo tego że wyniki uzyskane za pomocą histogramów nie zawsze są w pełni zadowalające. Nawet jeśli w histogramie jest kilka pików nie używa się jej do znajdowania więcej niż dwóch progów. Metoda Otsu Metoda Otsu jest metodą sformułowaną na bazie analizy dyskryminacyjnej. Wyznacza próg T dzielący piksele obrazu na dwie klasy: klasę obiektu i klasę tła. Wykorzystujemy unormowany histogram jasności pikseli ilustrujący rozkład prawdopodobieństwa: gdzie: liczba pikseli o poziomie jasności całkowita liczba poziomów jasności obrazu wejściowego całkowita liczba pikseli + +. Metoda Otsu wyznacza próg o wartości który dzieli piksele obrazu na dwie klasy: klasę klasę odpowiadającą obiektom i zawierającą piksele o jasności (01... ) odpowiadającą tłu i zawierającą piksele o jasności ( ). Prawdopodobieństwa wystąpienia tych klas dane są wzorami: Średnia jasność całego obrazu wynosi μ Prawdziwa jest zależność gdzie μ + μ μ 1.
13 13 μ μ natomiast μ μ oznaczają średnie jasności klas oraz przy progu T. Prawdziwe są zależności dla wariancji klas: ( μ ) ( μ ). Optymalny próg można znaleźć optymalizując jedną z równoważnych funkcji kryterialnych które zależą od progu : gdzie: (μ μ ) + (μ μ ) + ( μ ) (μ μ ) wariancja międzyklasowa wariancja wewnątrzklasowa wariancja globalna +. Wariancję globalną można równoważnie zapisać w postaci sumy wariancji wewnątrzklasowej (Within-class) oraz wariancji międzyklasowej (Between-class). Wariancja globalna w ramach jednego obrazu jest wielkością stałą niezależną od przyjętego progu. Minimalizacja wariancji wewnątrzklasowej jest równoważna maksymalizacji wariancji międzyklasowej. Jako funkcję kryterialną przyjmuje się zwykle wariancję międzyklasową która wymaga mniejszego nakładu obliczeniowego (zależy jedynie o momentów statystycznych pierwszego rzędu). Maksymalna wartość wariancji międzyklasowej opowiada optymalnej separacji dwóch klas w obrazie. Optymalny próg obliczamy według wzoru arg max ( ) arg max ( )
14 14 przy czym 0 1 oraz 0 gdy obraz ma jeden poziom szarości i 1 gdy obraz jest dwuwartościowy. W przypadku gdy piki nie oddzielają się wyniki mogą nie być zadowalające. a) b) a) Obraz oryginalny b) obraz po binaryzacji metodą Otsu Metoda entropii Przy założeniu że poziomy jasności w obrazie mają rozkład bimodalny Kapur Sahoo i Wong zaproponowali następującą metodę wyznaczania progu. Jeżeli przyjmiemy że próg ma wartość T to wtedy tło i obiekty są opisane następującymi rozkładami: co : p 0 p1 p 2 p... T PT PT PT PT c1 : pt 1 pt 2 p... L 1 1 PT 1 PT 1 PT T gdzie PT pi. i 0 Entropia związana z każdym rozkładem wyraża się wzorem: T H (c0 T ) i 0 pi p H log i log PT T PT PT PT pi p H HT log i log(1 PT ) L 1 1 PT 1 PT i T 1 1 PT L 1 H (c1 T ) T gdzie H T pi log pi. i 0 Optymalny próg T * jest wyznaczony przez taki poziom szarości który maksymalizuje sumę entropii: T * arg max H co T H c1 T. T
15 15 Wyznaczanie progu na podstawie gradientu jasności Zakładamy że treść obrazu można podzielić na dwie klasy: obiektu i tła. Algorytm składa się z następujących kroków: Krok 1. Wyznaczyć moduł gradientu jasności dla każdego punktu obrazu (poza brzegiem) z uproszczonego wzoru: L( x y) L( x y) G( x y) max y x gdzie L( x y ) L ( x y ) L ( x 1 y ) L ( x y ) L ( x y 1) L ( x y ). x y Krok 2. Obliczyć próg według wzoru: T L( x y)g( x y) x y G( x y) x. y Metoda iteracyjna znajdowania progu Metoda iteracyjnego ustalenia progu globalnego nie wymaga apriorycznej wiedzy na temat rozmiaru i położenia obiektów na scenie. Algorytm przebiega w następujących krokach: Krok 1. Oszacuj początkową wartość progu np. przyjmij że tło stanowią cztery narożne piksele obrazu; pozostałe piksele stanowią piksele obiektu. Przy takim założeniu wyznacz średnią jasność tła i średnią jasność obiektów. Za wartość progu przyjmij średnią arytmetyczną tych dwóch średnich. Krok 2. W n-tej iteracji wyznacz wartość średnią dla klasy tła oraz klasy obiektu przy czym podziału na klasy dokonaj dla progu wyznaczonego w poprzedniej iteracji algorytmu. Krok 3..Wyznacz nową wartość progu jako średnią arytmetyczną średniej jasności tła i średniej jasności obiektów z n-tej iteracji. Krok 4. Jeżeli wartość progu stabilizuje się tzn. T(n+1)T(n) zatrzymaj algorytm. W przeciwnym przypadku przejdź do kroku 2.
16 16 Wartość początkową progu można zadać na wiele sposobów np. jako średnią intensywność obrazu. Początkowa wartość progu wpływa na liczbę iteracji algorytmu. Ponieważ progowanie globalne nie zawsze przynosi dobre rezultaty stosujemy progowanie lokalne lub adaptacyjne. Metody progowania lokalnego W przypadku progowania globalnego analizowany jest histogram całego obrazu w przypadku lokalnego można badać histogramy fragmentów obrazu (podbrazów). Po operacji progowania na granicach sąsiadujących ze sobą podobrazów pojawia się nieciągłość. Za pomocą technik wygładzania nieciągłości obrazu (np. poprzez lokalnie liniowe interpolowanie wartości progów) możemy przeciwdziałać temu zjawisku. Stosując interpolację skonstruowaną na podstawie progów sąsiednich podobrazów otrzymujemy wygładzony obraz. Przykład progowania lokalnego
17 17 Metoda White'a i Rohrer'a Metoda White'a i Rohrer'a jest prostą metodą progowania lokalnego w której wartość progowa ustalana jest niezależnie dla każdego piksela obrazu na podstawie średniej wartości w otoczeniu danego piksela: (i j ) 0 L(i j ) dla k 1 L' (i j ) k 1 w pozostalych przypadkach gdzie: L jasność obrazu wynikowego L jasność obrazu wejściowego średnia z wartości pikseli należących do otoczenia k parametr sugerowaną wartością jest k 2. Metoda opiera się na założeniu że piksele obiektów (1) przyjmują w obrazie wartości dużo mniejsze niż piksele otoczenia (0). Problemem tej metody jest trudność doboru wartości parametru k. Metoda nie zapewnia odpowiedniego stopnia adaptacji progu do lokalnej charakterystyki obrazu. Rozmiar okna (otoczenia piksela analizowanego) powinien być dobrany zależnie od rozmiaru obiektów zainteresowania w obrazie. Metoda Bernsena Jedna z najprostszych metod progowania lokalnego która jednocześnie w wielu wypadkach jest wystarczająco efektywna. Polega na podziale obrazu na kwadraty ze środkiem o współrzędnych ( x y ). Dla każdego piksela obrazu w ramach kwadratu używa się progu o wartości: T ( x y ) Lm LM 2 gdzie Lm oraz LM są odpowiednio najniższym i najwyższym poziomem szarości w przyjętym kwadracie. Jeśli jednak kontrast w obrębie okna rozumiany jako różnica pomiędzy wartością maksymalną i minimalną jest zbyt mały wówczas wszystkie punkty należące do okna przypisuje się do tej samej klasy określonej przez wybrany eksperymentalnie próg globalny tzn. jeżeli C ( x y ) ( LM Lm ) Τ gdzie Τ jest wybraną wartością progową to badany kwadrat zawiera elementy tylko jednej klasy: obiektu bądź tła. Wielkość okna przeszukiwania należy dobierać eksperymentalnie odpowiednio do wielkości obiektów widocznych na obrazie. Szybkość działania algorytmu zależy od wielkości okna. Doświadczenie wskazuje że najlepsze wyniki osiąga się dla Τ 15 i r 15.
18 18 Metody adaptacyjne Metoda adaptacyjna określa indywidualnie próg dla każdego piksela obrazu. Stąd przy tym podejściu nie ma potrzeby stosowania interpolacji. Operacja progowania jest wykonywana wierszami piksel po pikselu aż zostanie przetworzony cały obraz. Metoda Niblacka W metodzie Niblacka próg ustalany jest niezależnie dla każdego piksela obrazu na podstawie otoczenia. Za otoczenie przyjmuje się najczęściej kwadratowe okno o nieparzystym rozmiarze którego środkiem jest aktualnie rozpatrywany piksel. Wartość progu dana jest równaniem: ( ) μ( ) + ( ) gdzie: μ( ) oznacza średnią ( ) to odchylenie standardowe w lokalnym otoczeniu punktu ( ) ( 10). Od rozmiaru okna oraz parametru zależy efektywność binaryzacji z progiem ustalanym w powyższy sposób. Silną wrażliwość na zakłócenia lub niejednorodności w obrazie powoduje zbyt małe okno. Jest to szczególnie widoczne w obszarach tła (bez obecności tekstu). Natomiast okno zbyt duże powoduje niszczenie krawędzi obiektów. Uproszczona metoda Niblacka Uproszczony algorytm progowania wykorzystuje następującą formułę: T ( x y ) ( x y ) k gdzie k to stała którą należy dobrać doświadczalnie (zwykle przyjmuje bardziej ujemne wartości niż w metodzie Niblacka). O ile metoda Niblacka dobrze zachowuje sie na obszarach z tekstem to wyniki progowania mogą być niezadowalające na brzegach dokumentu (w miejscach bez obiektów). W pustych miejscach spada standardowe odchylenie i niewielkie zabrudzenia będą dawać zakłócenia i wadliwe progowanie. Metoda Sauvoli i Pietaksinena Metoda Sauvoli i Pietaksinena jest to metoda uważana obecnie za jedną z lepszych metod binaryzacji obrazów. Jest to ulepszenie metody Niblacka. Wartość progu ustalana jest na podstawie średniej oraz odchylenia standardowego wartości pikseli w bloku bezpośrednio otaczających analizowany piksel:
19 19 ( ) μ( ) ( ) 1 gdzie μ( ) oznacza średnią ( ) to odchylenie standardowe w lokalnym otoczeniu punktu ( ) (01) zwykle zakładamy przyjmuje się R Wybór R zależy od kontrastu dokumentu często W obszarze dużego kontrastu metoda zachowuje się bardzo podobnie do metody Niblacka. Różnice pojawią się dla obszarów o małym kontraście tzn. dla dla których następuje wyraźnie obniżenie progu w stosunku do średniej. Metoda nie nadaje się do binaryzacji obrazów w których nie jest spełnione założenie zgodnie z którym piksele tekstu przyjmują skrajnie niskie wartości natomiast piksele tła wartości wysokie. Progowanie obrazów kolorowych Przeprowadzenie progowania na obrazie kolorowym jest zagadnieniem bardziej skomplikowanym niż w przypadku obrazów monochromatycznych. Pierwszym krokiem w przypadku progowania jest transformacja obrazu do modelu monochromatycznego co niestety nie zawsze się opłaca gdyż może to skutkować zbyt dużą utratą informacji. Zdarza się że obiekty różnych barw na obrazie monochromatycznym będą sprawiać wrażenie obiektów jednej klasy. Zadanie dla chętnych: zaimplementować metodę binaryzacji Bernsena. Kwantyzacja kolorów Termin kwantyzacja kolorów oznacza proces redukcji liczby kolorów z zachowaniem jak najwyższej jakości obrazu. Naturalnym zastosowaniem tego procesu jest minimalizacja obrazów prezentowanych na stronach www. Do najbardziej znanych algorytmów kwantyzacji kolorów należą: algorytm przez podział jednorodny algorytm popularnościowy algorytm Median Cut. Algorytm podziału jednorodnego Algorytm ten dział następująco: jeżeli chcemy skwantyzować obraz do N kolorów wystarczy podzielić sześcian RGB na N równych części. Dla każdej z tych części jest wybierany reprezentant który najlepiej odzwierciedla jej główny kolor. Jest kilka metod wyboru reprezentanta. Najprostsza i zarazem najgorsza to losowy wybór. Możemy też wybrać kolor z samego środka kostki. Metodą która daje najlepsze efekty jest metoda polegająca na wyliczeniu
20 20 średniego koloru danej kostki. Obliczenie to polega na zsumowaniu wszystkich współrzędnych R G B pikseli bitmapy znajdujących się w obrębie sześcianu a później podzieleniu tych sum przez liczbę pikseli. Niestety pomimo swojej prostoty algorytm kwantyzacji przez podział jednorodny posiada wady. Obraz który jest generowany przez ten algorytm jest bardzo niskiej jakości. Dla obrazów które mają zbliżone kolory algorytm generuje duże plamy tego samego koloru co w wielkim stopniu niszczy czytelność zdjęcia. W efekcie wiele kolorów które są dostępne nie jest wykorzystywanych. N Algorytm popularnościowy Algorytm nie daje dużej możliwości marnowania kolorów jak było to z algorytmem podziału jednorodnego. Nie znaczy to jednak że jest on pozbawiony wad.
21 21 Koncepcja algorytmu polega na wybraniu N najczęściej występujących kolorów na zdjęciu. Jeżeli nie ma na zdjęciu piksela odpowiadającego jednemu z N kolorów wybieramy kolor który jest najbliższy. Wadą algorytmu jest sposób wyboru kolorów który dyskryminuje kolory przypisane do małej liczby pikseli. Takie szczegóły mogą być istotne i powinny mieć przypisany zbliżony kolor do swojego. Przykładem może być zdjęcie dużego obszaru na którym znajduje się kwiatek koloru żółtego. Jego kolor zniknie na zdjęciu po kwantyzacji. N Algorytm Median Cut Algorytm Median Cut jest jednym z najczęściej wykorzystywanych algorytmów kwantyzacji kolorów. Podobnie jak w przypadku algorytmu przez podział jednorodny dzielimy przestrzeni RGB na części. Każda część przedstawia grupę pikseli której będzie przypisany taki
22 22 sam kolor. Forma podziału jest o wiele lepsza aniżeli w algorytmie podziału jednorodnego. Musimy podzielić przestrzeń RGB tak aby w każdej części była zbliżona liczba pikseli. Dla każdego z prostopadłościanów znajdujemy średni kolor który będzie reprezentował każdy z pikseli znajdujących się w środku. Składowe średniego koloru są średnią arytmetyczną składowych poszczególnych pikseli znajdujących się wewnątrz prostopadłościanu. N
Proste 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 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 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 szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 6 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoZbigniew Sołtys - Komputerowa Analiza Obrazu Mikroskopowego 2016 część 7
7. NORMALIZACJA I BINARYZACJA ADAPTATYWNA 7.1. Normalizacja lokalna Zwykłe konwolucje działają w jednakowy sposób na całym obrazie. Plugin Local Normalization przeprowadza filtrowanie Gaussa w zależności
Bardziej 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 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 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 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 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 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 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 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 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 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 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 szczegółowoAlgorytmy graficzne. Metody binaryzacji obrazów
Algorytmy graficzne Metoy binaryzacji obrazów Progowanie i binaryzacja Binaryzacja jest procesem konwersji obrazów kolorowych lub monochromatycznych (w ocieniach szarości) o obrazu wupoziomowego (binarnego).
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 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 szczegółowoSEGMENTACJA OBRAZU Wprowadzenie
Oprogramowanie Systemów Obrazowania SEGMENTACJA OBRAZU Wprowadzenie Segmentacja obszarów to operacja wydzielenia z obrazu obszarów w oparciu o zdefiniowane kryterium. Głównym uzasadnieniem celowości takiego
Bardziej 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 szczegółowoLaboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 9. Przetwarzanie sygnałów wizyjnych. Politechnika Świętokrzyska.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 9 Przetwarzanie sygnałów wizyjnych. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów z funkcjami pozwalającymi na
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 3 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej 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 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 szczegółowoFiltrowanie tekstur. Kinga Laurowska
Filtrowanie tekstur Kinga Laurowska Wprowadzenie Filtrowanie tekstur (inaczej wygładzanie) technika polegająca na 'rozmywaniu' sąsiadujących ze sobą tekseli (pikseli tekstury). Istnieje wiele metod filtrowania,
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 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 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 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 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 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 szczegółowoFotometria CCD 4. Fotometria profilowa i aperturowa
Fotometria CCD 4. Fotometria profilowa i aperturowa Andrzej Pigulski Instytut Astronomiczny Uniwersytetu Wrocławskiego Produkty HELAS-a, 2010 Fotometria CCD Proces wyznaczania jasności gwiazd na obrazie
Bardziej szczegółowoAnaliza obrazów - sprawozdanie nr 3
Analiza obrazów - sprawozdanie nr 3 Przekształcenia morfologiczne Przekształcenia morfologiczne wywodzą się z morfologii matematycznej, czyli dziedziny, która opiera się na teorii zbiorów, topologii i
Bardziej szczegółowoZłożoność obliczeniowa zadania, zestaw 2
Złożoność obliczeniowa zadania, zestaw 2 Określanie złożoności obliczeniowej algorytmów, obliczanie pesymistycznej i oczekiwanej złożoności obliczeniowej 1. Dana jest tablica jednowymiarowa A o rozmiarze
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowo9. OBRAZY i FILTRY BINARNE 9.1 Erozja, dylatacja, zamykanie, otwieranie
9. OBRAZY i FILTRY BINARNE 9.1 Erozja, dylatacja, zamykanie, otwieranie Obrazy binarne to takie, które mają tylko dwa poziomy szarości: 0 i 1 lub 0 i 255. ImageJ wykorzystuje to drugie rozwiązanie - obrazy
Bardziej 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 szczegółowoHistogram obrazu, modyfikacje histogramu
March 15, 2013 Histogram Jeden z graficznych sposobów przedstawiania rozkładu cechy. Składa się z szeregu prostokatów umieszczonych na osi współrzędnych. Prostokaty te sa z jednej strony wyznaczone przez
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 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 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 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 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 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 szczegółowoRozciąganie histogramu
Rozciąganie histogramu Histogram jest wykresem przedstawiającym częstość występowania pikseli o danej jaskrawości, jasności, barwie. Raster 1 1 3 1 0 2 2 2 3 3 3 1 1 4 0 0 0 3 1 3 4 1 3 3 3 1 3 2 3 5 1
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 szczegółowoPodstawy OpenCL część 2
Podstawy OpenCL część 2 1. Napisz program dokonujący mnożenia dwóch macierzy w wersji sekwencyjnej oraz OpenCL. Porównaj czasy działania obu wersji dla różnych wielkości macierzy, np. 16 16, 128 128, 1024
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
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 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 szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
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 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 szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska DRZEWO REGRESYJNE Sposób konstrukcji i przycinania
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 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 szczegółowoKodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,
1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości
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 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 szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoDodatek B - Histogram
Dodatek B - Histogram Histogram to nic innego, jak wykres pokazujący ile elementów od czarnego (od lewej) do białego (prawy koniec histogramu) zostało zarejestrowanych na zdjęciu. Może przedstawiać uśredniony
Bardziej szczegółowoKompresja danych Streszczenie Studia Dzienne Wykład 10,
1 Kwantyzacja wektorowa Kompresja danych Streszczenie Studia Dzienne Wykład 10, 28.04.2006 Kwantyzacja wektorowa: dane dzielone na bloki (wektory), każdy blok kwantyzowany jako jeden element danych. Ogólny
Bardziej szczegółowoSynteza i obróbka obrazu. Tekstury. Opracowanie: dr inż. Grzegorz Szwoch Politechnika Gdańska Katedra Systemów Multimedialnych
Synteza i obróbka obrazu Tekstury Opracowanie: dr inż. Grzegorz Szwoch Politechnika Gdańska Katedra Systemów Multimedialnych Tekstura Tekstura (texture) obraz rastrowy (mapa bitowa, bitmap) nakładany na
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 szczegółowoKwantyzacja wektorowa. Kodowanie różnicowe.
Kwantyzacja wektorowa. Kodowanie różnicowe. Kodowanie i kompresja informacji - Wykład 7 12 kwietnia 2010 Kwantyzacja wektorowa wprowadzenie Zamiast kwantyzować pojedyncze elementy kwantyzujemy całe bloki
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 szczegółowoKompresja danych DKDA (7)
Kompresja danych DKDA (7) Marcin Gogolewski marcing@wmi.amu.edu.pl Uniwersytet im. Adama Mickiewicza w Poznaniu Poznań, 22 listopada 2016 1 Kwantyzacja skalarna Wprowadzenie Analiza jakości Typy kwantyzatorów
Bardziej szczegółowoOświetlenie. Modelowanie oświetlenia sceny 3D. Algorytmy cieniowania.
Oświetlenie. Modelowanie oświetlenia sceny 3D. Algorytmy cieniowania. Chcąc osiągnąć realizm renderowanego obrazu, należy rozwiązać problem świetlenia. Barwy, faktury i inne właściwości przedmiotów postrzegamy
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 szczegółowoZygmunt Wróbel i Robert Koprowski. Praktyka przetwarzania obrazów w programie Matlab
Zygmunt Wróbel i Robert Koprowski Praktyka przetwarzania obrazów w programie Matlab EXIT 2004 Wstęp 7 CZĘŚĆ I 9 OBRAZ ORAZ JEGO DYSKRETNA STRUKTURA 9 1. Obraz w programie Matlab 11 1.1. Reprezentacja obrazu
Bardziej szczegółowoPRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń. Ćwiczenie 2. Korekcja zniekształceń radiometrycznych
WyŜsza Szkoła Informatyki Stosowanej i Zarządzania Warsaw School of Information Technology WIT Grupa ID306, Zespół 2 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń Ćwiczenie 2 Temat: : Korekcja zniekształceń
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 szczegółowoZadania ze statystyki, cz.6
Zadania ze statystyki, cz.6 Zad.1 Proszę wskazać, jaką część pola pod krzywą normalną wyznaczają wartości Z rozkładu dystrybuanty rozkładu normalnego: - Z > 1,25 - Z > 2,23 - Z < -1,23 - Z > -1,16 - Z
Bardziej szczegółowoMetody numeryczne I Równania nieliniowe
Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem
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 szczegółowoWYKŁAD 3 WYPEŁNIANIE OBSZARÓW. Plan wykładu: 1. Wypełnianie wieloboku
WYKŁ 3 WYPŁNINI OSZRÓW. Wypełnianie wieloboku Zasada parzystości: Prosta, która nie przechodzi przez wierzchołek przecina wielobok parzystą ilość razy. Plan wykładu: Wypełnianie wieloboku Wypełnianie konturu
Bardziej szczegółowoWedług raportu ISO z 1988 roku algorytm JPEG składa się z następujących kroków: 0.5, = V i, j. /Q i, j
Kompresja transformacyjna. Opis standardu JPEG. Algorytm JPEG powstał w wyniku prac prowadzonych przez grupę ekspertów (ang. Joint Photographic Expert Group). Prace te zakończyły się w 1991 roku, kiedy
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 szczegółowoWykład 5: Statystyki opisowe (część 2)
Wykład 5: Statystyki opisowe (część 2) Wprowadzenie Na poprzednim wykładzie wprowadzone zostały statystyki opisowe nazywane miarami położenia (średnia, mediana, kwartyle, minimum i maksimum, modalna oraz
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 szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoSegmentacja obrazu. Segmentacja obrazu
Cel segmentacji Podział obrazu na obszary odpowiadające poszczególnym, widocznym na obrazie obiektom. Towarzyszy temu zwykle indeksacja (etykietowanie) obiektów, czyli przypisanie każdemu obiektowi innej
Bardziej 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 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 szczegółowoZałożenia i obszar zastosowań. JPEG - algorytm kodowania obrazu. Geneza algorytmu KOMPRESJA OBRAZÓW STATYCZNYCH - ALGORYTM JPEG
Założenia i obszar zastosowań KOMPRESJA OBRAZÓW STATYCZNYCH - ALGORYTM JPEG Plan wykładu: Geneza algorytmu Założenia i obszar zastosowań JPEG kroki algorytmu kodowania obrazu Założenia: Obraz monochromatyczny
Bardziej szczegółowoPrzekształcenia punktowe i geometryczne
Przekształcenia punktowe i geometryczne 1 Przekształcenia punktowe Przekształcenia punktowe (bezkontekstowe) są to przekształcenia dotyczące stopnia szarości lub nasycenia barwy dla każdego punktu oddzielnie,
Bardziej szczegółowoWydział Inżynierii Produkcji. I Logistyki. Statystyka opisowa. Wykład 3. Dr inż. Adam Deptuła
12.03.2017 Wydział Inżynierii Produkcji I Logistyki Statystyka opisowa Wykład 3 Dr inż. Adam Deptuła METODY OPISU DANYCH ILOŚCIOWYCH SKALARNYCH Wykresy: diagramy, histogramy, łamane częstości, wykresy
Bardziej szczegółowoW kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
Bardziej szczegółowoKodowanie transformacyjne. Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG
Kodowanie transformacyjne Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG Zasada Zasada podstawowa: na danych wykonujemy transformacje która: Likwiduje korelacje Skupia energię w kilku komponentach
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 szczegółowoKodowanie informacji
Kodowanie informacji Tomasz Wykład 4: kodowanie arytmetyczne Motywacja Podstawy i własności Liczby rzeczywiste Motywacje 1 średnia długość kodu Huffmana może odbiegać o p max + 0.086 od entropii, gdzie
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 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 Statystyczna
Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza
Bardziej szczegółowoAnaliza składowych głównych
Analiza składowych głównych Wprowadzenie (1) W przypadku regresji naszym celem jest predykcja wartości zmiennej wyjściowej za pomocą zmiennych wejściowych, wykrycie związku między wielkościami wejściowymi
Bardziej szczegółowo0. OpenGL ma układ współrzędnych taki, że oś y jest skierowana (względem monitora) a) w dół b) w górę c) w lewo d) w prawo e) w kierunku do
0. OpenGL ma układ współrzędnych taki, że oś y jest skierowana (względem monitora) a) w dół b) w górę c) w lewo d) w prawo e) w kierunku do obserwatora f) w kierunku od obserwatora 1. Obrót dookoła osi
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 szczegółowo