Εργαστήριο ADICV2 Labs 2-6
|
|
- λατίνος Γκόφας
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Εργαστήριο ADICV2 Labs 2-6 Image filtering Κώστας Μαριάς
2 Image Filtering ADICV Kostas Marias TEI Crete
3 Basic Matlab Σκοπός εργαστηρίου Θα φτιάξουμε ένα ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) σε matlab Στη συνέχεια θα το συγκρίνουμε με το έτοιμο ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ που υπάρχει στη matlab. Τέλος θα συγκρίνουμε τα δυο φίλτρα και θα βρούμε πόσο αποκλίνουν υπολογίζοντας το σφάλμα ανα pixel μεταξύ του δικού μας φλιτρου και της matlab. 3
4 Basic Παράδειγμα Επεξεργασίας Εικόνας με χωρικά φίλτρα Αρχική εικόνα: Εικόνα φιλτραρισμένη με 3x3 φίλτρο ομαλοποίησης 1/9 1 1/9 6 1/ (x,y) 1/ /9 1/ / /9 1/ f(x,y)=f(2,2)=11 Νέα τιμή g(x,y)=t[f(x,y)] = 1 1/ / / / / / / / /9 = 47/9 =
5 Basic Παράδειγμα Επεξεργασίας Εικόνας με χωρικά φίλτρα Αρχική εικόνα: Εικόνα φιλτραρισμένη με 3x3 φίλτρο ομαλοποίησης 1 1/9 6 1/9 3 1/ /9 11 1/9 3 1/ /9 10 1/9 6 1/ Νέα τιμή = 1 1/ / / / / / / / /9 = 47/9 =
6 Basic Παράδειγμα Επεξεργασίας Εικόνας με χωρικά φίλτρα Αρχική εικόνα: Εικόνα φιλτραρισμένη με 3x3 φίλτρο ομαλοποίησης 1 6 1/9 3 1/9 2 1/ /9 3 1/9 10 1/ /9 6 1/9 9 1/ Νέα τιμή = 6 1/ / / / / / / / /9 = 60/9 =
7 Basic Παράδειγμα Επεξεργασίας Εικόνας με χωρικά φίλτρα Αρχική εικόνα: Εικόνα φιλτραρισμένη με 3x3 φίλτρο ομαλοποίησης Στην επόμενη διαφάνεια θα δούμε την επίδραση (ομαλοποίηση) του 3x3 φίλτρου αυτού σε μια εικόνα. 7
8 ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) Η λειτουργία του φίλτρου μέσης τιμής συνίσταται με την αντικατάσταση της φωτεινότητας σε κάθε εικονοστοιχείο με τη μέση φωτεινότητα σε μια γειτονιά του. Είναι Χαμηλοπερατά (lowpass) φίλτρα μιας και αντικαθιστούμε τη τιμή του pixel με τη μέση τιμή της γειτονιάς του οπότε και μειώνουμε βαθμιαία απότομες αλλαγές στην ένταση των pixels. Ενώ μειώνουμε των τυχαίο θόρυβο όμως χάνουμε συνήθως ευκρίνεια στις ακμές τις εικόνας (edge blurring θόλωμα ακμών). 8
9 Basic ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) Η γειτονιά Ν είναι συνήθως καθορισμένη για κάθε επεξεργασία και συνήθως αντιστοιχεί σε τετράγωνες μάσκες. Έτσι για ακτίνα ίση με ένα έχουμε ουσιαστικά μια γειτονιά διαστάσεων 3 3. Ένα 3 3 φίλτρο μέσης τιμής μπορεί πρακτικά να υλοποιηθεί με μια μάσκα της μορφής: 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 ή 1/
10 Basic Φιλτράρισμα στο Χωρικό πεδίο Η αρχή γραμμικού φιλτραρίσματος στο χώρο παρουσιάζεται στο σχήμα: y Εικόνα f w(- 1, - 1) w(- 1, 0) w(- 1, 1) x w(0, - 1) w(0,0) w(0, 1) w( 1, - 1) w(1, 0) w( 1, 1) (x - 1, y - 1) (x - 1, y) (x - 1, y + 1) (x, y - 1) (x,y) (x, y + 1) Συντελεστές του φίλτρου (x + 1, y - 1) (x + 1, y) (x + 1, y + 1) Pixels εικόνας f που θα φιλτραριστούν 10
11 Basic Φιλτράρισμα στο Χωρικό πεδίο Η αρχή γραμμικού φιλτραρίσματος στο χώρο δίνεται από τη σχέση: f(x - 1, y - 1) f(x - 1, y) f(x - 1, y + 1) w(- 1, - 1) w(- 1, 0) w(- 1, 1) f(x, y - 1) f(x,y) f(x, y + 1) w(0, - 1) w(0,0) w(0, 1) f(x + 1, y - 1) f(x + 1, y) f(x + 1, y + 1) w( 1, - 1) w(1, 0) w( 1, 1) 11
12 Basic Φιλτράρισμα στο Χωρικό πεδίο Η αρχή γραμμικού φιλτραρίσματος στο χώρο δίνεται από τη σχέση συσχέτισης: f(x - 1, y - 1) f(x - 1, y) f(x - 1, y + 1) w(- 1, - 1) w(- 1, 0) w(- 1, 1) f(x, y - 1) f(x,y) f(x, y + 1) w(0, - 1) w(0,0) w(0, 1) f(x + 1, y - 1) f(x + 1, y) f(x + 1, y + 1) w( 1, - 1) w(1, 0) w( 1, 1) g(x, y) = w(-1, -1) f(x - 1, y - 1)+ w(-1, 0) f(x - 1, y) + w(-1, 1)f(x - 1, y+1) + w(0, -1) f(x, y - 1) + w(0, 0) f(x, y) + w(0, 1) f(x, y+1) + w(1,-1) f(x+1, y - 1) + w(1, 0) f(x+1, y) + w(1, 1) f(x +1, y+1) 12
13 Basic Matlab ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ παράδειγμα με Matlab Εφαρμογή φίλτρου mean 3x3 αφού η αρχική εικόνα επιμολυνθεί θόρυβο Gauss. Χρησιμοποιούμε στη Matlab τη συνάρτηση imfilter(i,h) όπου I και h είναι πολυδιάστατοι πίνακες της εικόνας εισόδου και του φίλτρου. Το 3X3 φίλτρο μέσης τιμής δεν ανταποκρίνεται όσο καλά όσο το 5x5 το οποίο απομακρύνει καλύτερα τον θόρυβο με κόστος όμως το περαιτέρω θόλωμα της εικόνας. E. Jebamalar Leavline, D. Asir Antony Gnana Singh, On Teaching Digital Image Processing with MATLAB, American Journal of Signal Processing, Vol. 4 No. 1, 2014, pp doi: /j.ajsp % Teaching gaussian noise removal using a simple 3X3 %average filter clc;clear all; close all; Im = imread('cameraman.tif');i = imnoise(im,'gaussian'); h1 = ones(3,3) / 9;h2 = ones(5,5) / 25; I1 = imfilter(i,h1);i2 = imfilter(i,h2); subplot(2,2,1);imshow(im,[ ]);title('original Image'); subplot(2,2,2);imshow(i,[ ]);title('image with Gaussian noise'); subplot(2,2,3);imshow(i1,[ ]); title('filtered Image with 3X3 average filter'); subplot(2,2,4);imshow(i2,[ ]); title('filtered Image with 5X5 average filter'); 13
14 Basic Matlab ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ παράδειγμα με Matlab % Teaching gaussian noise removal using a simple 3X3 %average filter clc;clear all; close all; Im = imread('cameraman.tif');i = imnoise(im,'gaussian'); h1 = ones(3,3) / 9; I1 = imfilter(i,h1); subplot(2,2,1);imshow(im,[ ]);title('original Image'); subplot(2,2,2);imshow(i,[ ]);title('image with Gaussian noise'); subplot(2,2,3);imshow(i1,[ ]); title('filtered Image with 3X3 average filter'); subplot(2,2,4);imshow(im-i1,[ ]); title( Diafora anamesa se arxikh kai filtrarismenh'); 14
15 Basic Matlab Φιλτράρισμα στο Χωρικό πεδίο Matlab Θα φτιάξουμε κώδικα matlab για να φίλτρο μέσης τιμής 3x3 : w=zeros(3,3); w(-1, -1) =1/9; w(-1, 0)=1/9; w(-1, 1)=1/9; w(0, -1) =1/9; w(0, 0)=1/9; w(0, 1) =1/9; w(1,-1)=1/9; w(1, 0)=1/9; w(1, 1) =1/9; f = imread('cameraman.tif'); [m,n]=size(f); g=zeros(m,n); for x=1:m for y=1:n end End g(x, y) = w(-1, -1) f(x - 1, y - 1)+ w(-1, 0) f(x - 1, y) + w(-1, 1)f(x - 1, y+1) + w(0, -1) f(x, y - 1) + w(0, 0) f(x, y) + w(0, 1) f(x, y+1) + w(1,-1) f(x+1, y - 1) + w(1, 0) f(x+1, y) + w(1, 1) f(x +1, y+1) Ο ΚΩΔΙΚΑΣ ΑΥΤΟΣ ΕΊΝΑΙ ΛΑΘΟΣ!!!!!!!!!!!!!!!!!! Γιατι όμως???? 15
16 Matlab Φιλτράρισμα στο Χωρικό πεδίο Matlab Για να φτιάξουμε ένα πρόγραμμα Matlab πρέπει να μεταφέρουμε τις θεωρητικές συντεταγμένες της μάσκας 3x3 σε indexing ου είναι αποδεκτό από τη matlab (δηλ. από (1,1) έως (3,3)): w(- 1, - 1) w(- 1, 0) w(- 1, 1) w(1,1) w(1,2) w(1,3) w(0, - 1) w(0,0) w(0, 1) w(2,1) w(2,2) w(2,3) w( 1, - 1) w(1, 0) w( 1, 1) w( 3, 1) w(3,2) w( 3,3) 16
17 Basic Matlab Φιλτράρισμα στο Χωρικό πεδίο κώδικα matlab για να φίλτρο μέσης τιμής 3x3 : w=zeros(3,3); w(:,:)=1/9; f = imread('cameraman.tif'); [m,n]=size(f); g=uint8(zeros(m,n)); for x=2:m-1 for y=2:n-1 g(x,y)=w(1,1) *f(x-1, y-1)+ w(1,2)* f(x-1, y)+w(1,3)*f(x-1,y+1)+w(2,1)*f(x, y-1) + w(2,2)*f(x, y) + w(2,3)*f(x, y+1)+w(3,1)*f(x+1, y-1) + w(3,2)*f(x+1, y) + w(3,3)*f(x+1, y+1); end end % Η εικόνα g είναι τώρα η φιλτραρισμένη εικόνα f με φίλτρο 3x3 μέσης τιμής figure, imshow(g,[]) 17
18 Basic Matlab Building a basic filtering code f = imread('cameraman.tif'); w=(1/9)*ones(3,3); g=zeros(size(f)); for x=2:size(f,1)-1 for y=2:size(f,2)-1 g(x,y)=w(1,1) *f(x-1, y-1)+ w(1,2)* f(x-1, y)+w(1,3)*f(x-1,y+1)+w(2,1)*f(x, y-1) + w(2,2)*f(x, y) + w(2,3)*f(x, y+1)+w(3,1)*f(x+1, y-1) + w(3,2)*f(x+1, y) + w(3,3)*f(x+1, y+1); end end subplot(1,2,1), imshow(f), title('original image') subplot(1,2,2), imshow(uint8(g)), title('filtered image') 18
19 19
20 Basic Matlab Σύγκριση των 2 φίλτρων subplot(2,2,1);imshow(f,[]), title('original Image'); subplot(2,2,2);imshow(i,[]), title('image with Gaussian noise '); subplot(2,2,3);imshow(i1,[]), title('image filtered with Matlab s mean filter '); subplot(2,2,4);imshow(g,[]), title('filtered Image with our method'); figure, imshow(i1-g,[]), title('difference Image between the two methods'); sum(sum(i1-g))/(m*n) 20
21 Basic ΦΙΛΤΡΑ GAUSS (Θόλωση Gauss) Είναι φίλτρα θόλωσης εικόνας που χρησιμοποιούν τη συνάρτηση Gauss (η οποία εκφράζει την κανονική κατανομή στη στατιστική)για να υπολογίσει τους συντελεστές του φίλτρου για τον μετασχηματισμό κάθε pixel: G x, y = 1 x 2 +y 2 2πσ 2 e 2σ 2 Όπου x,y είναι οι αποστάσεις από την αρχή των αξόνων και σ είναι η τυπική απόκλιση (standard deviation) της κατανομής Gauss. Στις 2 διαστάσεις η εξίσωση αυτή δίνε μια επιφάνεια της οποία τα περιγράμματα είναι ομόκεντροι κύκλοι με Γκαουσιανη κατανομή από το κεντρικό σημείο. 21
22 Basic ΦΙΛΤΡΑ GAUSS (Θόλωση Gauss) Μια προσέγγιση στο σχεδιασμό φίλτρων Gauss είναι να υπολογίσουμε τα βάρη της μάσκας απευθείας από την ασυνεχή κατανομή Gauss: G i, j = 1 2πσ 2 e i 2 +j 2 2σ 2 Προαιρετικά μπορούμε να χρησιμοποιήσουμε μια είναι σταθερά κανονικοποίησης c: G(i, j) c G i, j = 1 i 2 +j 2 2πσ 2 e 2σ 2 22
23 Basic Matlab ΦΙΛΤΡΑ GAUSS στη Matlab Η εντολή h = fspecial('gaussian', hsize, sigma) Δίνει ένα περιφερειακά συμμετρικό φίλτρο Gauss (lowpass filter) μεγέθους hsize και τυπικής απόκλισης sigma (θετικός). Το hsize μπορεί να έιναι ένα διάνυσμα που να καθορίζει τον αριθμό γραμμών/στηλών στο h, η μπορεί να είναι βαθμωτη τιμή οπότε το h θα είναι τετράγωνος πίνακας. Η προεπιλεγμένη τιμή για το hsize είναι [3 3]και για το sigma
24 Basic Matlab ΦΙΛΤΡΑ GAUSS στη Matlab h=fspecial('gaussian', [ ],2); figure, imshow(h,[]) figure, imagesc(h,[]) h=fspecial('gaussian', [ ],7); figure, imagesc(h), colormap jet figure, surf(h), shading interp, colormap jet 24
25 Build 2 Gaussian masks a)5x5και σ=1.5, b)μια7x7και σ=1.5 and filter Image I. What happens? % Teaching gaussiannoise removal using a simple 3X3 Gaussian filter clc;clearall; close all; Im= imread('cameraman.tif');i = imnoise(im,'gaussian'); h1 = fspecial('gaussian'); h2 = fspecial('gaussian', [3 3],1.5); I1 = imfilter(i,h1); I2 = imfilter(i,h2); subplot(2,2,1);imshow(im,[ ]);title('original Image'); subplot(2,2,2);imshow(i,[ ]);title('image with Gaussian noise'); subplot(2,2,3);imshow(i1,[ ]); title('filtered Image with 3X3 Gaussian filter σ=0.5'); subplot(2,2,4);imshow(i2,[ ]); title('filtered Image with 3X3 Gaussian filter σ=1.5'); 25
26 Matlab ΦΙΛΤΡΑ GAUSS στη Matlab 26
27 Matlab ΦΙΛΤΡΑ GAUSS στη Matlab 27
28 Lab 5 Filter a noisy image with different methods 28
29 Im = imread('cameraman.tif'); %f = imnoise(im,'gaussian'); %This is the noisy image I want to filter/smooth f=imnoise(im,'salt & pepper', 0.05); % A Filter the image with our own filter w=(1/9)*ones(3,3); g=zeros(size(f)); for x=2:size(f,1)-1 for y=2:size(f,2)-1 g(x,y)=w(1,1) *f(x-1, y-1)+ w(1,2)* f(x-1, y)+w(1,3)*f(x-1,y+1)+w(2,1)*f(x, y-1) + w(2,2)*f(x, y) + w(2,3)*f(x, y+1)+w(3,1)*f(x+1, y-1) + w(3,2)*f(x+1, y) + w(3,3)*f(x+1, y+1); end end subplot(1,2,1), imshow(f), title('original image') subplot(1,2,2), imshow(uint8(g)), title('filtered image') % The second choice is Gaussian filtering w=fspecial('gaussian', [7 7],2); g=imfilter(f,w); subplot(1,2,1), imshow(f), title('original image') subplot(1,2,2), imshow(uint8(g)), title('filtered image') 29
30 It is not possible to remove salt and pepper noise with mean or Gaussian filters. The way to do it is with median filter (as in your assignment) 30
31 Log Filter g = double(imread('cameraman.tif')); a=0.5; b=255/(log(1+255*a)); Tg=b*log(1+a*g); subplot(1,2,1), imshow(uint8(g)), title('original image') subplot(1,2,2), imshow(uint8(tg)), title('log Transformed image') 31
32 a=0.5 32
33 a=
34 Lab 6 34
35 Use the exp filter in the Office Image g = double(imread('office.jpg')); g=g(:,:,1); a=0.3; b=255/(log(1+255*a)); Tg=(1/a)*(exp(g/b)-1); Tg=mat2gray(Tg)*255; subplot(1,2,1), imshow(uint8(g)), title('original image') subplot(1,2,2), imshow(uint8(tg)), title('exp Transformed image') 35
36 36
37 g = double(imread('office.jpg')); g=g(:,:,1); a=0.3; b=255/(log(1+255*a)); Tg=(1/a)*(exp(g/b)-1); Tg=mat2gray(Tg)*255; subplot(2,2,1), imshow(uint8(g)), title('original image') subplot(2,2,2), imshow(uint8(tg)), title('exp Transformed image') subplot(2,2,3), imhist(uint8(g)), title('original image histogram') subplot(2,2,4), imhist(uint8(tg)), title('exp Transformed image histogram') 37
38 38
39 g = double(imread('office.jpg')); g=g(:,:,1); a=0.3; b=255/(log(1+255*a)); Tg=(1/a)*(exp(g/b)-1); Tg=mat2gray(Tg)*255; subplot(2,2,1), imshow(uint8(g)), title('original image') subplot(2,2,2), imshow(uint8(tg)), title('exp Transformed image') subplot(2,2,3), imhist(uint8(g)), title('original image histogram') subplot(2,2,4), imhist(uint8(tg)), title('exp Transformed image histogram') 39
40 40
41 Histogram Equalisation g = double(imread('office.jpg')); g=g(:,:,1); a=0.3; b=255/(log(1+255*a)); Tg=(1/a)*(exp(g/b)-1); Tg=mat2gray(Tg)*255; subplot(2,2,1), imshow(uint8(g)), title('original image') subplot(2,2,2), imshow(uint8(tg)), title('exp Transformed image') subplot(2,2,3), imhist(uint8(g)), title('original image histogram') subplot(2,2,4), imhist(uint8(tg)), title('exp Transformed image histogram') %Let's try to HE the initial image g figure subplot(2,2,1), imshow(uint8(g)), title('original image') subplot(2,2,2), imshow(uint8(255*histeq(g))), title('histogram Equalised image') subplot(2,2,3), imhist(uint8(g)), title('original image histogram') subplot(2,2,4), imhist(uint8(255*histeq(g))), title('histogram Equalised Image histogram') 41
42 42
43 Notice that although Histogram Equalization gives good results there is a great amount of pixilation (i.e. areas with the same values). This can be explained by observing the sparsity of the resulting HE image. 43
44 Lab 7 44
45 Finding the Gradient of an Image I=imread('moon.tiff'); sobelx=[ ; 0 0 0; 1 2 1]; %This is gx mask in the class notes Ix=filter2(sobelx,I); %The x derivative image of I sobely=sobelx'; %This is gy mask in the class notes Iy=filter2(sobely,I);%The y derivative image of I figure, imshow(mat2gray(sqrt(ix.^2+iy.^2))) figure, imshow(mat2gray(abs(ix)+abs(iy))) figure, imshow(ix,[]) figure, imshow(iy,[]) 45
46 46
47 Blurring an Image and then sharpening it with Isotropic Laplacian Filter 47
48 Blurring an Image and then sharpening it with Isotropic Laplacian Filter I=imread('moon.tiff'); BL=ones(3)/9;BI=uint8(filter2(BL,I)); figure, imshow(bi); %BI is a blurred version of the original image L=ones(3);L(2,2)=-8; LI=filter2(L,BI); %The Laplacian Image of the BLURRED IMAGE RI=mat2gray(mat2gray(BI)-mat2gray(LI)); %Is the sharp image by substructing BI-LI figure, imshow(ri) 48
Εργαστήριο ADICV2. Image filtering. Κώστας Μαριάς
Εργαστήριο ADICV2 Image filtering Κώστας Μαριάς Image Filtering ADICV Kostas Marias TEI Crete 2017 2 Matlab Σκοπός εργαστηρίου Θα φτιάξουμε ένα ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) σε matlab Στη συνέχεια θα
Διαβάστε περισσότεραΕργαστήριο ADICV3. Image filtering, Point Processing and Histogram Equalisation. Κώστας Μαριάς 20/3/2017
Εργαστήριο ADICV3 Image filtering, Point Processing and Histogram Equalisation Κώστας Μαριάς 20/3/2017 Image Filtering ADICV Kostas Marias TEI Crete 2017 2 Basic Matlab Σκοπός εργαστηρίου Θα φτιάξουμε
Διαβάστε περισσότεραΕργαστήριο ADICV1. Image Boundary detection and filtering. Κώστας Μαριάς 13/3/2017
Εργαστήριο ADICV1 Image Boundary detection and filtering Κώστας Μαριάς 13/3/2017 Boundary Detection 2 Γείτονες και περίγραμμα εικόνας Ορίζουμε ως V το σύνολο των τιμών εντάσεων εικόνας για να ορίσουμε
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 4 th part 12/3/2018 Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Βασικές έννοιες επεξεργασίας Φιλτράρισμα στο χωρικό
Διαβάστε περισσότεραΕργαστήριο ADICV. Fourier transform, frequency domain filtering and image restoration. Κώστας Μαριάς 3/4/2017
Εργαστήριο ADICV Fourier transform, frequency domain filtering and image restoration Κώστας Μαριάς 3/4/2017 Fourier Filtering ADICV Kostas Marias TEI Crete 2017 2 Basic Matlab ΠΑΡΑΔΕΙΓΜΑΤΑ ΦΙΛΤΡΩΝ ΔΙΑΚΡΙΤΟΣ
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 5-6 Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Σημειακή Επεξεργασία Εικόνας Point processing All/Erasmus students:
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 4b 24/4/2017 Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Μετασχηματισμός Fourier Εφαρμογές 2 Περιοδικός Θόρυβος
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Χωρικό φιλτράρισμα Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 008. Χωρικού Φιλτράρισμα Η μηχανική
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 3 27/3/2017 Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Σημειακή Επεξεργασία Εικόνας (point processing), μετασχηματισμοί
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 6 th lecture Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 1 Βασικές έννοιες Μετασχηματισμού Fourier Basic Concepts of Fourier
Διαβάστε περισσότεραΖΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΔΠΜΣ Προηγμένα Συστήματα Παραγωγής, Αυτοματισμού και Ρομποτικής
ΖΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΔΠΜΣ Προηγμένα Συστήματα Παραγωγής, Αυτοματισμού και Ρομποτικής ΜΗΧΑΝΙΚΗ ΟΡΑΣΗ ΕΡΓΑΣΙΑ 1 ΣΠΟΥΔΑΣΤΕΣ: ΥΠΕΥΘΗΝΟΣ ΚΑΘΗΓΗΤΗΣ : ΒΛΑΧΑΚΗΣ ΜΙΧΑΛΗΣ(Α.Μ:ΜΗ81) ΓΛΑΜΠΕΔΑΚΗΣ
Διαβάστε περισσότεραΜάθημα: Μηχανική Όραση
Μάθημα: Μηχανική Όραση Εργασία 2: Advances in Digital Imaging and Computer Vision Ομάδα χρηστών 2 : Τσαγκαράκης Νίκος, Καραμήτρος Κώστας Εισαγωγή Σκοπός της άσκησης, είναι να εξοικειωθούμε με κάποιες βασικές
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Ψηφιακή Επεξεργασία Εικόνας Ενότητα 3 : Αποκατάσταση εικόνας (Image Restoration) Ιωάννης Έλληνας Τμήμα Η/ΥΣ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Αποκατάσταση εικόνας Αφαίρεση Θορύβου Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Αποκατάσταση
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab XXX Introduction to Python Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Image Processing and Computer Vision with
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 7 th lecture Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 1 Advanced filtering for image restoration using Fourier Transform
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Διάλεξη 5 Κώστας Μαριάς kmarias@staff.teicrete.gr 24/4/2017 1 Αναφορές An Introduction to Digital Image Processing with Matlab, Alasdair McAndrew N. Papamarkos,
Διαβάστε περισσότεραΒελτίωση - Φιλτράρισμα εικόνας
Βελτίωση - Φιλτράρισμα εικόνας Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ /76 Βελτίωση εικόνας με φιλτράρισμα Το φιλτράρισμα εικόνας είναι ουσιαστικά συνέλιξη y(n, n ) = x(n, n )*
Διαβάστε περισσότεραΕιδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Επεξεργασία Εικόνας Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Χωρικά φίλτρα Χωρικά φίλτρα Γενικά Σε αντίθεση με τις σημειακές πράξεις και μετασχηματισμούς, στα
Διαβάστε περισσότεραΜΗΧΑΝΙΚΗ ΟΡΑΣΗ. 2η ΕΡΓΑΣΙΑ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΠΡΟΗΓΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΑΓΩΓΗΣ ΑΥΤΟΜΑΤΙΣΜΟΥ & ΡΟΜΠΟΤΙΚΗΣ ΜΗΧΑΝΙΚΗ ΟΡΑΣΗ 2η ΕΡΓΑΣΙΑ ΣΠΟΥΔΑΣΤΕΣ:
Διαβάστε περισσότερα6-Aνίχνευση. Ακμών - Περιγράμματος
6-Aνίχνευση Ακμών - Περιγράμματος Ανίχνευση ακμών Μετατροπή 2 εικόνας σε σύνολο ακμών Εξαγωγή βασικών χαρακτηριστικών της εικόνας Πιο «συμπαγής» αναπαράσταση Ανίχνευση ακμών Στόχος: ανίχνευση ασυνεχειών
Διαβάστε περισσότεραΑκαδηµαϊκό Έτος , Χειµερινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ, ΤΜΗΜΑ Ι ΑΚΤΙΚΗΣ ΤΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΨΣ 50: ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ακαδηµαϊκό Έτος 005 006, Χειµερινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΤΕΛΙΚΗ ΕΞΕΤΑΣΗ Η εξέταση
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Φιλτράρισμα στο πεδίο των Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Φίλτρο: μια διάταξη ή
Διαβάστε περισσότεραΜη γραμμικά Φίλτρα. Μεταπτυχιακό Πρόγραμμα. Σ. Φωτόπουλος ΜΗ ΓΡΑΜΜΙΚΑ ΦΙΛΤΡΑ 1/50
Μη γραμμικά Φίλτρα Σ. Φωτόπουλος ΜΗ ΓΡΑΜΜΙΚΑ ΦΙΛΤΡΑ /50 Φίλτρα διάμεσης τιμής (median,order statistic) Μη γραμμικά φίλτρα μέσης τιμής Μορφολογικά φίλτρα Ομομορφικά φίλτρα Πολυωνυμικά φίλτρα Σ. Φωτόπουλος
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Ψηφιακή Επεξεργασία Εικόνας Ενότητα 2 : Βελτιστοποίηση εικόνας (Image enhancement) Ιωάννης Έλληνας Τμήμα Η/ΥΣ Άδειες Χρήσης Το
Διαβάστε περισσότεραΜετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση
Χειμερινό Εξάμηνο 2013-2014 Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση 5 η Παρουσίαση : Ψηφιακή Επεξεργασία Εικόνας Διδάσκων: Γιάννης Ντόκας Σύνθεση Χρωμάτων Αφαιρετική Παραγωγή Χρώματος Χρωματικά
Διαβάστε περισσότεραADVANCES IN DIGITAL AND COMPUTER VISION
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΔΠΜΣ ΠΡΟΗΓΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΑΓΩΓΗΣ ΑΥΤΟΜΑΤΙΣΜΟΥ ΚΑΙ ΡΟΜΠΟΤΙΚΗΣ ΕΡΓΑΣΙΑ 2 ADVANCES IN DIGITAL AND COMPUTER VISION ΣΠΟΥΔΑΣΤΕΣ: ΓΕΡΜΕΝΗΣ ΕΥΑΓΓΕΛΟΣ (Α.Μ.: ΜΗ77) ΠΑΠΑΔΟΠΟΥΛΟΣ
Διαβάστε περισσότεραΕργασία επεξεργασίας εικόνων, που αναπαριστούν τομή εγκεφάλου και τομή αδένα προστάτη
Επεξεργασία Εικόνας Εργασία επεξεργασίας εικόνων, που αναπαριστούν τομή εγκεφάλου και τομή αδένα προστάτη Μπαρμπούτης Παναγιώτης Α) ΦΙΛΤΡΑ ΟΞΥΝΣΗΣ Αρχικά θα μελετήσουμε την εικόνα από το MRI αρχείο της
Διαβάστε περισσότεραΕνότητα 3: Μετασχηµατισµοί Έντασης & Χωρικό Φιλτράρισµα
Ενότητα 3: Μετασχηµατισµοί Έντασης & Χωρικό Φιλτράρισµα Βασικές Έννοιες Διεργασίες στο πεδίο του χώρου f(x, y) : εικόνα εισόδου g(x, y) : εικόνα εισόδου g x, y = T f(x, y) T : τελεστής που εφαρµόζεται
Διαβάστε περισσότεραΠαρουσίαση Νο. 5 Βελτίωση εικόνας
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Παρουσίαση Νο. 5 Βελτίωση εικόνας Εισαγωγή Η βελτίωση γίνεται σε υποκειμενική βάση Η απόδοση εξαρτάται από την εφαρμογή Οι τεχνικές είναι συνήθως ad hoc Τονίζει
Διαβάστε περισσότεραΒελτίωση - Φιλτράρισμα εικόνας
Βελτίωση - Φιλτράρισμα εικόνας /7 Βελτίωση εικόνας με φιλτράρισμα Το φιλτράρισμα εικόνας είναι ουσιαστικά η πράξη συνέλιξης μεταξύ της αρχικής εικόνας και ενός συνόλου συντελεστών που συνήθως ονομάζονται
Διαβάστε περισσότεραDIP_04 Βελτιστοποίηση εικόνας. ΤΕΙ Κρήτης
DIP_04 Βελτιστοποίηση εικόνας ΤΕΙ Κρήτης ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Σκοπός µιας τέτοιας τεχνικής µπορεί να είναι: η βελτιστοποίηση της οπτικής εµφάνισης µιας εικόνας όπως την αντιλαµβάνεται ο άνθρωπος, η τροποποίηση
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 5 th lecture Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 1 Βασικές έννοιες Μετασχηματισμού Fourier Basic Concepts of Fourier
Διαβάστε περισσότεραCHAPTER 25 SOLVING EQUATIONS BY ITERATIVE METHODS
CHAPTER 5 SOLVING EQUATIONS BY ITERATIVE METHODS EXERCISE 104 Page 8 1. Find the positive root of the equation x + 3x 5 = 0, correct to 3 significant figures, using the method of bisection. Let f(x) =
Διαβάστε περισσότεραΔιατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών. «Προηγμένα Συστήματα Παραγωγής, Αυτοματισμού και. Ρομποτικής» Assignment 2
Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Προηγμένα Συστήματα Παραγωγής, Αυτοματισμού και Ρομποτικής» ΜΑΘΗΜΑ Μηχανική Όραση ΑΝΑΦΟΡΑ ΕΡΓΑΣΙΑΣ Assignment 2 ΣΠΟΥΔΑΣΤΕΣ Λεμωνιά Κατερίνα Πορφυράκης Μανώλης
Διαβάστε περισσότεραΚατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση
ΤΨΣ 50 Ψηφιακή Επεξεργασία Εικόνας Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση Τµήµα ιδακτικής της Τεχνολογίας και Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς Περιεχόµενα Βιβλιογραφία
Διαβάστε περισσότεραReferences. Chapter 10 The Hough and Distance Transforms
References Chapter 10 The Hough and Distance Transforms An Introduction to Digital Image Processing with MATLAB https://en.wikipedia.org/wiki/circle_hough_transform Μετασχηματισμός HOUGH ΤΕΧΝΗΤΗ Kostas
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision. Image Registration and Transformation
Advances in Digital Imaging and Computer Vision Image Registration and Transformation Γεωμετρικοί Μετασχηματισμοί Εικόνας και Ευθυγράμμιση Image Transformation and Registration Κώστας Μαριάς Αναπληρωτής
Διαβάστε περισσότεραΚεφάλαιο 8 Φίλτρα. 8.1 Γενικά. Κωνσταντίνος Γ. Περάκης
Κεφάλαιο 8 Φίλτρα Κωνσταντίνος Γ. Περάκης Σύνοψη Στην αρχή του κεφαλαίου εκτίθενται αναλυτικά η δομή των φίλτρων, ο τρόπος προσπέλασης της ψηφιακής εικόνας από τα φίλτρα, και η μαθηματική πράξη της συνέλιξης
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΕΝΑ ΦΛΟΚΑ Επίκουρος Καθηγήτρια Τµήµα Φυσικής, Τοµέας Φυσικής Περιβάλλοντος- Μετεωρολογίας ΓΕΝΙΚΟΙ ΟΡΙΣΜΟΙ Πληθυσµός Σύνολο ατόµων ή αντικειµένων στα οποία αναφέρονται
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Ακμές και περιγράμματα Ακμές και περιγράμματα Γενικά Μεγάλο τμήμα της πληροφορίας που γίνεται αντιληπτή
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ. Ενότητα 3: Αποκατάσταση Εικόνας.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ενότητα 3: Αποκατάσταση Εικόνας Ιωάννης Έλληνας Τμήμα Υπολογιστικών Συστημάτων Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραEE512: Error Control Coding
EE512: Error Control Coding Solution for Assignment on Finite Fields February 16, 2007 1. (a) Addition and Multiplication tables for GF (5) and GF (7) are shown in Tables 1 and 2. + 0 1 2 3 4 0 0 1 2 3
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ
ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ ΠΑΡΑΔΕΙΓΜΑΤΑ ΜΕ ΧΡΗΣΗ MATLAB ΑΘΑΝΑΣΙΑ ΚΟΛΟΒΟΥ (Ε.Τ.Ε.Π.) 2012 ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ο σκοπός αυτού
Διαβάστε περισσότεραΠρογραμματισμός Υπολογιστών με C++
Προγραμματισμός Υπολογιστών με C++ 3 η Εργασία Ακαδημαϊκό Έτος 206-7 Ημερομηνία Παράδοσης Εργασίας: 5 Ιανουαρίου 207. Εκφώνηση Να χρησιμοποιηθεί ο κώδικας που αναπτύξατε στις 2 προηγούμενες εργασίες για
Διαβάστε περισσότεραΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ
Ψηφιακή Επεξεργασία Εικόνας-ΚΕΦ. -- ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΕΝΤΑΣΕΩΣ Η επεξεργασία εικόνας µέσω του ιστογράµµατος ουσιαστικά αποτελεί µία βασική επεξεργασία εικόνας που ανήκει
Διαβάστε περισσότεραΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ (ΦΙΛΤΡΑΡΙΣΜΑ)
-- ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ (ΦΙΛΤΡΑΡΙΣΜΑ) 3. Εισαγωγή Η βελτίωση εικόνας είναι συνήθως διαδικασία φιλτραρίσµατος δηλ. συνέλιξης µε συγκεκριµµένη διδιάσταση µάσκα και στοχεύει στην ανάδειξη χαρακτηριστικών ή ελάττωση
Διαβάστε περισσότεραΝοέμβριος 2005 Σ. Φωτόπουλος ΨΕΕ κεφ.4 ΑΝΙΧΝΕΥΣΗ ΑΚΜΩΝ ΔΠΜΣ ΗΕΠ 1/53
Νοέμβριος 5 Σ. Φωτόπουλος ΨΕΕ κεφ.4 ΑΝΙΧΝΕΥΣΗ ΑΚΜΩΝ ΔΠΜΣ ΗΕΠ /53 Ακμή ή περίγραμμα (edge) σεμιαεικόναχ ij ορίζεται ως το σύνολο των σημείων στη θέση i,j της εικόνας, όπου παρατηρείται μία σημαντική αλλαγή
Διαβάστε περισσότερα3.4 SUM AND DIFFERENCE FORMULAS. NOTE: cos(α+β) cos α + cos β cos(α-β) cos α -cos β
3.4 SUM AND DIFFERENCE FORMULAS Page Theorem cos(αβ cos α cos β -sin α cos(α-β cos α cos β sin α NOTE: cos(αβ cos α cos β cos(α-β cos α -cos β Proof of cos(α-β cos α cos β sin α Let s use a unit circle
Διαβάστε περισσότεραΚΕΣ 03: Αναγνώριση Προτύπων και Ανάλυση Εικόνας. KEΣ 03 Αναγνώριση Προτύπων και Ανάλυση Εικόνας. Κατάτµηση Εικόνων:
KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Κατάτµηση Εικόνων: Ανίχνευση Ακµών Τµήµα Επιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Περιεχόµενα Βιβλιογραφία Περιεχόµενα Ενότητας
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας ΚΕΦ4 -1- ΑNIΧΝΕΥΣΗ ΑΚΜΩΝ (EDGE DETECTION)
-- ΑNIΧΝΕΥΣΗ ΑΚΜΩΝ (EDGE DETECTION) 4. Εισαγωγικά Ακµή ή περίγραµµα (edge) σε µια εικόνα Χ ij ορίζεται ως το σύνολο των σηµείων στη θέση i,j της εικόνας, όπου παρατηρείται µία σηµαντική αλλαγή της έντασης
Διαβάστε περισσότεραΕπεξεργασία εικόνας. Μιχάλης ρακόπουλος. Υπολογιστική Επιστήµη & Τεχνολογία, #08
Επεξεργασία εικόνας Μιχάλης ρακόπουλος Υπολογιστική Επιστήµη & Τεχνολογία, #08 1 Επεξεργασία εικόνας Βασικό ανάγνωσµα: Η ενότητα 12.4 από το ϐιβλίο των Van Loan και Fan. Επεξεργασία εικόνας Μ. ρακόπουλος
Διαβάστε περισσότεραMath 6 SL Probability Distributions Practice Test Mark Scheme
Math 6 SL Probability Distributions Practice Test Mark Scheme. (a) Note: Award A for vertical line to right of mean, A for shading to right of their vertical line. AA N (b) evidence of recognizing symmetry
Διαβάστε περισσότεραK.K. Delibasis Univ. of Thessaly, Dept. of Computer Science and Biomedical Informatics, Lamia, Greece
Μέθοδοι αριθμητικής παραγώγισης με κεντρικές πεπερασμένες διαφορές K.K. Delibasis Univ. of Thessaly, Dept. of Computer Science and Biomedical Informatics, Lamia, Greece kdelibasis@gmail.com Εισαγωγή Ο
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 4 3/4/2017 Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Μετασχηματισμός Fourier Εικόνας 2 Περιεχόμενα Διάλεξης Μετασχηματισμός
Διαβάστε περισσότεραΑσκήσεις Επεξεργασίας Εικόνας
Ασκήσεις Επεξεργασίας Εικόνας. Εύρεση στοιχείων μιας περιοχής με ιδιότητα συγκεκριμένης γειτονιάς Άσκηση. Έστω δύο υποσύνολα πίνακα εικόνας S και S2 η οποία φαίνεται στο σχήμα παρακάτω. Για σύνολο τιμών
Διαβάστε περισσότεραΒελτίωση Ποιότητας Εικόνας: Επεξεργασία στο πεδίο της Εικόνας
ΤΨΣ 15 Ψηφιακή Επεξεργασία Εικόνας Βελτίωση Ποιότητας Εικόνας: Επεξεργασία στο πεδίο της Εικόνας Τµήµα ιδακτικής της Τεχνολογίας και Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς Περιεχόµενα Βιβλιογραφία Περιεχόµενα
Διαβάστε περισσότεραΔΙΑΧΩΡΙΣΤΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ
ΔΙΑΧΩΡΙΣΤΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ Εισαγωγή Τεχνικές διαχωριστικής ομαδοποίησης: Ν πρότυπα k ομάδες Ν>>k Συνήθως k καθορίζεται από χρήστη Διαχωριστικές τεχνικές: επιτρέπουν πρότυπα να μετακινούνται από ομάδα σε
Διαβάστε περισσότεραΝοέμβριος 2013 Σ. Φωτόπουλος ΨΕΕ κεφ.4 ΑΝΙΧΝΕΥΣΗ ΑΚΜΩΝ ΔΠΜΣ ΗΕΠ 1/57
Νοέμβριος 3 Σ. Φωτόπουλος ΨΕΕ κεφ.4 ΑΝΙΧΝΕΥΣΗ ΑΚΜΩΝ ΔΠΜΣ ΗΕΠ /57 Ακμή ή περίγραμμα (edge) σε μια εικόνα Χ ij ορίζεται ως το σύνολο των σημείων στη θέση i,j της εικόνας, όπου παρατηρείται μία σημαντική
Διαβάστε περισσότεραEcon 2110: Fall 2008 Suggested Solutions to Problem Set 8 questions or comments to Dan Fetter 1
Eon : Fall 8 Suggested Solutions to Problem Set 8 Email questions or omments to Dan Fetter Problem. Let X be a salar with density f(x, θ) (θx + θ) [ x ] with θ. (a) Find the most powerful level α test
Διαβάστε περισσότεραΚεφάλαιο 6: Βελτιστοποίηση εικόνας 6.73
Κεφάλαιο 6: Βελτιστοποίηση εικόνας 6.73 Σχήμα 6.61 Μορφή της συνάρτησης για διάφορες τιμές του a. (α) (β) Σήμα 6.6 Παράδειγμα εφαρμογής: (α) Αρχική εικόνα. (β) Τελική εικόνα για a 0.0. 6.74 N. ΠΑΠΑΜΑΡΚΟΣ:
Διαβάστε περισσότεραΨηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 4 η : Βελτίωση Εικόνας. Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 4 η : Βελτίωση Εικόνας Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Εισαγωγή στις τεχνικές βελτίωσης εικόνας
Διαβάστε περισσότερα4.6 Autoregressive Moving Average Model ARMA(1,1)
84 CHAPTER 4. STATIONARY TS MODELS 4.6 Autoregressive Moving Average Model ARMA(,) This section is an introduction to a wide class of models ARMA(p,q) which we will consider in more detail later in this
Διαβάστε περισσότεραΜια «ανώδυνη» εισαγωγή στο μάθημα (και στο MATLAB )
Μια «ανώδυνη» εισαγωγή στο μάθημα (και στο MATLAB ) Μια πρώτη ιδέα για το μάθημα χωρίς καθόλου εξισώσεις!!! Περίγραμμα του μαθήματος χωρίς καθόλου εξισώσεις!!! Παραδείγματα από πραγματικές εφαρμογές ==
Διαβάστε περισσότεραΑποκατάσταση Εικόνας
ΤΨΣ 50 Ψηφιακή Επεξεργασία Εικόνας Αποκατάσταση Εικόνας Τµήµα ιδακτικής της Τεχνολογίας και Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς Περιεχόµενα Βιβλιογραφία Περιεχόµενα Ενότητας Ορισµός & Παραδείγµατα
Διαβάστε περισσότεραMain source: "Discrete-time systems and computer control" by Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 4 ΔΙΑΦΑΝΕΙΑ 1
Main source: "Discrete-time systems and computer control" by Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 4 ΔΙΑΦΑΝΕΙΑ 1 A Brief History of Sampling Research 1915 - Edmund Taylor Whittaker (1873-1956) devised a
Διαβάστε περισσότεραSpring 2010: Lecture 3. Ashutosh Saxena. Ashutosh Saxena
CS 4758/6758: Robot Learning Spring 2010: Lecture 3. Slides coutesy: Prof Noah Snavely, Yung-Yu Chung, Frédo Durand, Alexei Efros, William Freeman, Svetlana Lazebnik, Srinivasa Narasimhan, Steve Seitz,
Διαβάστε περισσότεραΠτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων νευρωνικων δικτυ ων»
Ανώτατο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ανατολικής Μακεδονίας και Θράκης Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής Πτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων
Διαβάστε περισσότεραΕιδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Χαρακτηριστικά Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα
Διαβάστε περισσότεραderivation of the Laplacian from rectangular to spherical coordinates
derivation of the Laplacian from rectangular to spherical coordinates swapnizzle 03-03- :5:43 We begin by recognizing the familiar conversion from rectangular to spherical coordinates (note that φ is used
Διαβάστε περισσότεραProblem Set 3: Solutions
CMPSCI 69GG Applied Information Theory Fall 006 Problem Set 3: Solutions. [Cover and Thomas 7.] a Define the following notation, C I p xx; Y max X; Y C I p xx; Ỹ max I X; Ỹ We would like to show that C
Διαβάστε περισσότεραHomework 8 Model Solution Section
MATH 004 Homework Solution Homework 8 Model Solution Section 14.5 14.6. 14.5. Use the Chain Rule to find dz where z cosx + 4y), x 5t 4, y 1 t. dz dx + dy y sinx + 4y)0t + 4) sinx + 4y) 1t ) 0t + 4t ) sinx
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΔΠΜΣ ΗΕΠ 1/46
Ψηφιακή Επεξεργασία Εικόνας Σ. Φωτόπουλος ΨΕΕ ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΔΠΜΣ ΗΕΠ 1/46 Περιλαμβάνει: Βελτίωση (Enhancement) Ανακατασκευή (Restoration) Κωδικοποίηση (Coding) Ανάλυση, Κατανόηση Τμηματοποίηση
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ
Ψηφιακή Επεξεργασία Εικόνας ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΔΠΜΣ ΗΕΠ 1/46 Περιλαμβάνει: Βελτίωση (Enhancement) Ανακατασκευή (Restoration) Κωδικοποίηση (Coding) Ανάλυση, Κατανόηση Τμηματοποίηση (Segmentation)
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ. Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας Ιωάννης Έλληνας Τμήμα Υπολογιστικών Συστημάτων Άδειες Χρήσης
Διαβάστε περισσότεραΜέθοδοι Τμηματοποίησης Ψηφιακής Εικόνας με Εφαρμογή στην Ανάλυση Βιοϊατρικών Εικόνων
Μέθοδοι Τμηματοποίησης Ψηφιακής Εικόνας με Εφαρμογή στην Ανάλυση Βιοϊατρικών Εικόνων Μαρία Δ. Πελώνη Μαρία Α. Τσεμεντζή Α.Τ.Ε.Ι. Καβάλας Διαχείριση Πληροφοριών Επιβλέπων: Δρ. Γκούμας Στέφανος Επίκουρος
Διαβάστε περισσότεραDémographie spatiale/spatial Demography
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Démographie spatiale/spatial Demography Session 1: Introduction to spatial demography Basic concepts Michail Agorastakis Department of Planning & Regional Development Άδειες Χρήσης
Διαβάστε περισσότεραΒιοϊατρική τεχνολογία
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Βιοϊατρική τεχνολογία Ενότητα 3: Επεξεργασία σημείων Αν. καθηγητής Αγγελίδης Παντελής e-mail: paggelidis@uowm.gr ΕΕΔΙΠ Μπέλλου Σοφία e-mail: sbellou@uowm.gr
Διαβάστε περισσότερα7 ο Εργαστήριο Θόρυβος 2Δ, Μετακίνηση, Περιστροφή
7 ο Εργαστήριο Θόρυβος 2Δ, Μετακίνηση, Περιστροφή O θόρυβος 2Δ μας δίνει τη δυνατότητα να δημιουργίας υφής 2Δ. Στο παρακάτω παράδειγμα, γίνεται σχεδίαση γραμμών σε πλέγμα 300x300 με μεταβαλόμενη τιμή αδιαφάνειας
Διαβάστε περισσότεραΡαδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας Πολεοδομίας και Περιφερειακής Ανάπτυξης Ραδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων Ιωάννης Φαρασλής Τηλ : 24210-74466,
Διαβάστε περισσότεραΕ.Α.Υ. Υπολογιστική Όραση. Κατάτμηση Εικόνας
Ε.Α.Υ. Υπολογιστική Όραση Κατάτμηση Εικόνας Γεώργιος Παπαϊωάννου 2015 ΚΑΤΩΦΛΙΩΣΗ Κατωφλίωση - Γενικά Είναι η πιο απλή μέθοδος segmentation εικόνας Χωρίζουμε την εικόνα σε 2 (binary) ή περισσότερες στάθμες
Διαβάστε περισσότεραΕπεξεργασία Έγχρωµων Εικόνων
ΤΨΣ 150 Ψηφιακή Επεξεργασία Εικόνας Επεξεργασία Έγχρωµων Εικόνων Τµήµα ιδακτικής της Τεχνολογίας και Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς Περιεχόµενα Βιβλιογραφία Περιεχόµενα Ενότητας Εισαγωγή - Βασικά
Διαβάστε περισσότεραStatistical Inference I Locally most powerful tests
Statistical Inference I Locally most powerful tests Shirsendu Mukherjee Department of Statistics, Asutosh College, Kolkata, India. shirsendu st@yahoo.co.in So far we have treated the testing of one-sided
Διαβάστε περισσότεραInverse trigonometric functions & General Solution of Trigonometric Equations. ------------------ ----------------------------- -----------------
Inverse trigonometric functions & General Solution of Trigonometric Equations. 1. Sin ( ) = a) b) c) d) Ans b. Solution : Method 1. Ans a: 17 > 1 a) is rejected. w.k.t Sin ( sin ) = d is rejected. If sin
Διαβάστε περισσότερα5-1. Industrial Vision. Machine Vision Systems : Image Acquisition Image processing Analysis/Exploitation
5 Industrial Vision Machine Vision Systems : Image Acquisition Image processing Analysis/Exploitation 5- Image processing Y (colomns) 35 3 38 3 5 35 69 8 3 38 3 3 69 79 39 3 3 33 9 37 6 77 X (rows) 7 38
Διαβάστε περισσότεραΜάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 8 ο Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1 Εισαγωγή (1) Οι ακμές είναι βασικά χαρακτηριστικά της εικόνας. Ένας αποδεκτός ορισμός της ακμής είναι ο ακόλουθος: «Το σύνορο μεταξύ δύο ομοιογενών περιοχών με
Διαβάστε περισσότεραΜάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 8 ο Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1 Εισαγωγή (1) Οι ακμές είναι βασικά χαρακτηριστικά της εικόνας Προς το παρόν δεν υπάρχει ακόμα ένας ευρέως αποδεκτός ορισμός της ακμής. Εδώ θα θεωρούμε ως ακμή:
Διαβάστε περισσότεραΚεφάλαιο 4 Κανονική Κατανομή. Πέτρος Ε. Μαραβελάκης, Επίκουρος Καθηγητής, Πανεπιστήμιο Πειραιώς
Κεφάλαιο 4 Κανονική Κατανομή Πέτρος Ε. Μαραβελάκης, Επίκουρος Καθηγητής, Πανεπιστήμιο Πειραιώς 4-4-1 Εισαγωγή Όσο το n αυξάνει, η διωνυμική κατανομή προσεγγίζει... n = 6 n = 1 n = 14 Binomial Distribution:
Διαβάστε περισσότεραΕ Ρ Γ Α Σ Τ Η Ρ Ι Α9 Κ Η Α Σ Κ Η Σ Η
Ε Ρ Γ Α Σ Τ Η Ρ Ι Α9 Κ Η Α Σ Κ Η Σ Η Επεξεργασία Σήματος VIDEO σε Πραγματικό Χρόνο 1. Εισαγωγή Σκοπός της άσκησης αυτής είναι η υλοποίηση-επίδειξη αλγορίθμων επεξεργασίας σημάτων video σε πραγματικό χρόνο
Διαβάστε περισσότεραΗ μέθοδος PCA -Ανάλυση Κύριων Συνιστωσών
Η μέθοδος PCA -Ανάλυση Κύριων Συνιστωσών Γιώργος Παπαδουράκης Κώστας Μαριάς Technological Educational Institute Of Crete Department Of Applied Informatics and Multimedia Intelligent Systems Laboratory
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Τμηματοποίηση εικόνας Τμηματοποίηση εικόνας Γενικά Διαμερισμός μιας εικόνας σε διακριτές περιοχές
Διαβάστε περισσότεραApproximation of distance between locations on earth given by latitude and longitude
Approximation of distance between locations on earth given by latitude and longitude Jan Behrens 2012-12-31 In this paper we shall provide a method to approximate distances between two points on earth
Διαβάστε περισσότεραFractional Colorings and Zykov Products of graphs
Fractional Colorings and Zykov Products of graphs Who? Nichole Schimanski When? July 27, 2011 Graphs A graph, G, consists of a vertex set, V (G), and an edge set, E(G). V (G) is any finite set E(G) is
Διαβάστε περισσότεραDIP_04 Σημειακή επεξεργασία. ΤΕΙ Κρήτης
DIP_04 Σημειακή επεξεργασία ΤΕΙ Κρήτης ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Σκοπός μιας τέτοιας τεχνικής μπορεί να είναι: η βελτιστοποίηση της οπτικής εμφάνισης μιας εικόνας όπως την αντιλαμβάνεται ο άνθρωπος, η τροποποίηση
Διαβάστε περισσότεραΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ
ΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ ΔΡ. Γ. ΜΑΤΣΟΠΟΥΛΟΣ ΕΠ. ΚΑΘΗΓΗΤΗΣ ΣΧΟΛΗ ΗΛΕΚΤΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Επεξεργασία Ιατρικών Εικόνων
Διαβάστε περισσότεραb. Use the parametrization from (a) to compute the area of S a as S a ds. Be sure to substitute for ds!
MTH U341 urface Integrals, tokes theorem, the divergence theorem To be turned in Wed., Dec. 1. 1. Let be the sphere of radius a, x 2 + y 2 + z 2 a 2. a. Use spherical coordinates (with ρ a) to parametrize.
Διαβάστε περισσότεραCHAPTER 48 APPLICATIONS OF MATRICES AND DETERMINANTS
CHAPTER 48 APPLICATIONS OF MATRICES AND DETERMINANTS EXERCISE 01 Page 545 1. Use matrices to solve: 3x + 4y x + 5y + 7 3x + 4y x + 5y 7 Hence, 3 4 x 0 5 y 7 The inverse of 3 4 5 is: 1 5 4 1 5 4 15 8 3
Διαβάστε περισσότεραHOMEWORK 4 = G. In order to plot the stress versus the stretch we define a normalized stretch:
HOMEWORK 4 Problem a For the fast loading case, we want to derive the relationship between P zz and λ z. We know that the nominal stress is expressed as: P zz = ψ λ z where λ z = λ λ z. Therefore, applying
Διαβάστε περισσότερα