Εξαγωγή κινούμενου αντικειμένου σε βίντεο

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Εξαγωγή κινούμενου αντικειμένου σε βίντεο"

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΟΛΟΚΛΗΡΩΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΥΛΙΚΟΥ ΚΑΙ ΛΟΓΙΣΜΙΚΟΥ Εξαγωγή κινούμενου αντικειμένου σε βίντεο ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Σταμούλη Μαριάνα Επιβλέπων Καθηγητής Αθανάσιος Στουραΐτης ΠΑΤΡΑ 2008

2 Περιεχόμενα ΠΕΡΙΛΗΨΗ... 1 Κεφάλαιο 1ο : Εισαγωγή Γενικά Στάδια ανάλυσης κίνησης Ανίχνευση Παρακολούθηση (tracking) Κεφάλαιο 2 ο : Διαχωρισμός του φόντου Γενικά Αλγόριθμος διαφοράς διαδοχικών frames Αλγόριθμος με μάσκες διαφοράς Διαχωρισμός του φόντου με βάση 2 frames Median filter Τμηματοποίηση των αντικειμένων με κατάτμηση γράφων (graph cuts) Κεφάλαιο 3 ο : Υφή και κίνηση στην οπτική ροή και την κατάτμηση Γενικά Κατάτμιση και οπτική ροή Τι είναι η κατάτμηση; Τι είναι η οπτική ροή; Χρώμα και κίνηση Αλγόριθμοι οπτικής ροής και κατάτμησης Αλγόριθμοι Οπτικής ροής [i]

3 Αλγόριθμοι Κατάτμησης Παρακολούθηση αντικειμένου και ταξινόμηση Εντοπισμός χαρακτηριστικών σημείων (point feature tracking) Αλγόριθμος εντοπισμού σημείων Κεφάλαιο 4 ο : Παρακολούθηση κίνησης με χρήση Χωροχρονικών φίλτρων Γενικά Χωροχρονικά μοντέλα για την αντίληψη της κίνησης Γενικά Μέθοδοι κατάτμησης στην επεξεργασία βίντεο Ανάλυση της βίντεο ακολουθίας με τη χρήση όγκων Γενικά Ανάλυση της κίνησης σε μια βίντεο ακολουθία Η χρήση όγκων για την ανίχνευση ανθρώπων που περπατούν Αναγνώριση κινούμενου αντικειμένου από στατική κάμερα Αναφορές [ii]

4 ΠΕΡΙΛΗΨΗ Στην παρούσα διπλωματική μελετήσαμε και αναπτύξαμε αλγορίθμους ανίχνευσης και κατάτμησης κινούμενου αντικειμένου σε βίντεο. Ασχοληθήκαμε με μία σειρά αλγορίθμων που διέφεραν τόσο στην πολυπλοκότητα όσο και στην ποιότητα των αποτελεσμάτων που παρήγαγαν. Σκοπός μας ήταν η ανάλυση αυτών των αλγορίθμων σε βάθος, έτσι ώστε να εντοπίσουμε τις αδυναμίες τους, προσπαθώντας κατά το δυνατόν να τις αντιμετωπίσουμε αλλά και η εφαρμογή τους στην πράξη, ώστε να διαπιστώσουμε την αποτελεσματικότητά τους αλλά και την ευελιξία τους στις ιδιαίτερες απαιτήσεις του κάθε προβλήματος. Στην πρώτη φάση της παρούσας εργασίας μελετήσαμε και αναλύσαμε τη μαθηματική αναπαράσταση των υπό εξέταση αλγορίθμων. Σκοπός μας ήταν να κατανοήσουμε πλήρως τον αλγόριθμο, ώστε να μπορέσουμε στην συνέχεια να τον εφαρμόσουμε, αλλά και να επιφέρουμε κάποιες βελτιστοποιήσεις και απλοποιήσεις στον ίδιο τον αλγόριθμο έτσι ώστε να προσαρμοστεί, όταν χρειαζόταν, στις απαιτήσεις των δικών μας προβλημάτων και να γίνει πιο εύκολα υλοποιήσιμος. Στην συνέχεια υλοποιήσαμε τους αλγορίθμους στο μαθηματικό εργαλείο Matlab και εξομοιώσαμε την λειτουργία τους. Στο στάδιο αυτό, είχαμε την δυνατότητα να μελετήσουμε στην πράξη την αποτελεσματικότητα των αλγορίθμων και να παρατηρήσουμε την ποιότητα των αποτελεσμάτων της εφαρμογής τους για διαφορετικές εισόδους. Τα αποτελέσματα των εξομοιώσεων μας καθοδηγούσαν έτσι ώστε να κάνουμε τις απαραίτητες αλλαγές τόσο στους ίδιους τους αλγορίθμους αλλά κυρίως, στον τρόπο με τον οποίο είχαμε επιλέξει να υλοποιήσουμε καθένα από τους αυτούς στο Matlab. Στο τελευταίο στάδιο, συγκεντρώσαμε τα αποτελέσματα της εξομοίωσης λειτουργίας καθενός από τους αλγορίθμους που μελετήσαμε και αξιολογήσαμε την [1]

5 συμπεριφορά τους. Κάνοντας τις απαραίτητες συγκρίσεις των αποτελεσμάτων, σε συνδυασμό με την πολυπλοκότητα των αλγορίθμων, εξάγαμε τα τελικά συμπεράσματα για τις δυνατότητες και την αποτελεσματικότητα τους αλλά και την τελική μας εκτίμηση για την περαιτέρω βελτιστοποίηση που είναι δυνατό να πραγματοποιηθεί σε κάποιους από αυτούς. [2]

6 Κεφάλαιο 1ο : Εισαγωγή 1.1. Γενικά Συμβαίνει πολλές φορές να μας συναρπάζουν μηχανές που εμφανίζουν ιδιότητες όμοιες με αυτές του ανθρώπου, όπως να βγάζουν ανθρώπινους ήχους, να περπατάνε στα δύο πόδια ή να κουρεύουν το γκαζόν στον κήπο. Οι πραγματικά συναρπαστικές μηχανές όμως, δεν έχουν απαραίτητα ανθρωπόμορφο σχήμα και δεν παρουσιάζουν απαραίτητα απλές ανθρώπινες ιδιότητες όπως οι παραπάνω, αλλά τη χαρακτηριστική ανθρώπινη λειτουργία της αντίληψης. Έτσι, για παράδειγμα υπάρχουν σήμερα κινητά συστήματα που μπορούν να αντιληφθούν την παρουσία εμποδίων στο δρόμο τους και να διορθώσουν την κατεύθυνσή τους ώστε να τα αποφύγουν. Συστήματα επιτήρησης που μπορούν να εντοπίσουν και να αναγνωρίσουν στόχους αλλά και να παρακολουθήσουν την κίνησή τους. Όπως δε, είναι αναμενόμενο, όσο καλύτερη αντίληψη του περιβάλλοντός της μπορεί να έχει μία υπολογιστική μηχανή, τόσο περισσότερο πολύπλοκες και θαυμαστές είναι οι λειτουργίες που μπορούμε να την προγραμματίσουμε να επιτελέσει. Η αντίληψη (perception) προέρχεται κυρίως μέσω των ερεθισμάτων των αισθήσεων. Μία από τις αισθήσεις είναι και η όραση (vision), η οποία τεχνικώς επιτελείται σε ένα υπολογιστικό σύστημα μέσω ενός συστήματος καταγραφής, δηλαδή από μία ή περισσότερες κάμερες. Σε αυτά τα πλαίσια, ένας προσωπικός υπολογιστής συνδεδεμένος με μία απλή κάμερα μπορεί τεχνικώς να βλέπει. Όταν αναφερόμαστε στην ικανότητα της όρασης στους ανθρώπινους οργανισμούς θεωρούμε δεδομένη τη δυνατότητα της αντίληψης αυτών που βλέπουν, αυτή όμως είναι και η δυσκολότερη εργασία που πρέπει να επιτελέσει ένα υπολογιστικό σύστημα. Δηλαδή, να καταφέρει να αντιληφθεί αυτά που βλέπει, να εξάγει κάποια χαρακτηριστικά τους, βάσει των οποίων θα μπορέσει να τα διακρίνει, να τα συγκρίνει, να τα αναγνωρίσει και να τα χαρακτηρίσει. Στην ιδανική περίπτωση να πάρει και μία απόφαση για το αν θα πρέπει να εκτελέσει κάποια ενέργεια και ποια είναι αυτή. [3]

7 Με προβλήματα όπως τα παραπάνω ασχολείται η Υπολογιστική Όραση (Computer Vision), όπως και η συναφής περιοχή της Κατανόησης Περιεχομένων Εικόνων και Βίντεο (Image and Video Understanding). Κοντινές επιστημονικές περιοχές, με δυσδιάκριτα σύνορα μεταξύ αυτών και των παραπάνω, είναι αυτή της Ψηφιακής Επεξεργασίας Εικόνας και Βίντεο (Digital Image and Video Processing), της Τεχνητής Νοημοσύνης (Artificial Intelligence), των Συστημάτων Βάσεων Δεδομένων (Database Systems) κ.ά. Στην προσπάθεια λοιπόν, να καταφέρει ένα σύστημα να αντιληφθεί αυτά που βλέπει, θα λέγαμε ότι έχουμε στη διάθεσή μας μία εικόνα ή μία ακολουθία βίντεο η οποία φθάνει στη μονάδα επεξεργασίας μας μέσω ενός μηχανισμού καταγραφής (κάμερα) ή αναπαραγωγής (αρχείο εικόνας ή βίντεο). Τα δεδομένα εισόδου (raw data) προ της επεξεργασίας τους δεν έχουν καμία πρακτική χρησιμότητα, αναφορικά με την αντίληψη του συστήματος, πέρα από την αποθήκευση και την επίδειξή τους, αφού δεν είναι παρά οι συντεταγμένες των εικονοστοιχείων (pixels) των εικόνων στο χώρο των χρωμάτων. Βάσει μόνο της πληροφορίας αυτής, το σύστημα καλείται να επιτελέσει υψηλού επιπέδου εργασίες που σε κάποιο βαθμό να φανερώνουν την αντίληψή του. Η μεθοδολογία που ακολουθείται στη λύση τέτοιων προβλημάτων (ώστε να επιτελεστούν οι εργασίες αυτές στη γενική περίπτωση) εξαρτάται από ένα σύνολο παραμέτρων που έχουν να κάνουν με τα επιθυμητά αποτελέσματα εξόδου ως προς τη φύση τους, την πολυπλοκότητά τους, την ακρίβεια και την με την οποία θέλουμε να λαμβάνονται και με ποικίλους άλλους τρόπους. Πολύ διαφορετική μεθοδολογία θα ακολουθήσουμε για παράδειγμα όταν θέλουμε να μετρήσουμε το ποσοστό κόκκινου χρώματος μίας εικόνας, όταν θέλουμε να ανιχνεύσουμε τα κινούμενα αντικείμενα σε μία ακολουθία βίντεο ή όταν θέλουμε να εκτιμήσουμε την σχετική απόσταση των αντικειμένων από το υπολογιστικό σύστημα / την κάμερα. Πρακτικά, ένα σύστημα αντιλαμβάνεται ή κατανοεί τα περιεχόμενα μίας τέτοιας πληροφορίας, όταν μπορεί να μετασχηματίσει την χρωματική πληροφορία των pixels σε κάποια άλλη μορφή πληροφορίας που να έχει περισσότερο σημασιολογικό περιεχόμενο (semantics). Για παράδειγμα, η οργάνωση μίας εικόνας σε χρωματικές [4]

8 περιοχές, η εξαγωγή των ακμών της εικόνας ή των περιγραμμάτων χαρακτηριστικών περιοχών της, ο υπολογισμός της κίνησης των pixels / σημείων από καρέ σε μία ακολουθία εικόνων αποτελούν κάποια πρώτα στοιχεία που μπορεί κάποιος να εξάγει και που περιέχουν πληροφορία που μπορεί να είναι περισσότερο χρήσιμη στη συνέχεια. Τα στοιχεία αυτά ονομάζονται χαρακτηριστικά (features). Θα μπορούσαμε γενικά να πούμε ότι οι μέθοδοι εξαγωγής χαρακτηριστικών εργάζονται με παρεμφερή τρόπο. Αρχικά, ένα ή περισσότερο χαμηλού επιπέδου χαρακτηριστικά εξάγονται από την εικόνα ή ακολουθία, όπως το χρώμα (πρακτικά, ένα χαρακτηριστικό χρώματος από τα πολλά που μπορούν να εξαχθούν), η υφή, το σχήμα, η κίνηση κλπ. με χρήση κάποιας σωρευμένης γνώσης, γενικής ή ειδικότερης σχετιζόμενης με την εφαρμογή, εξάγεται πληροφορία υψηλότερου επιπέδου, πρακτικά υπολογίζονται κάποια νέα χαρακτηριστικά με μεγαλύτερη σημασιολογική πληροφορία. Τα χαρακτηριστικά αυτά με τη σειρά τους μπορούν να χρησιμοποιηθούν από μόνα τους χαρακτηρίζοντας την εικόνα ή την ακολουθία ή ακόμη και περιοχές ή αντικείμενα αυτής, όπως για παράδειγμα το βάθος των αντικειμένων από το σύστημα καταγραφής ή το τρισδιάστατο μοντέλο ενός αντικειμένου του οποίου οι όψεις εμφανίζονται στην ακολουθία. Όσον αφορά στα δισδιάστατα χαρακτηριστικά, μπορούμε να βρούμε ένα σύνολο από χαρακτηριστικά υψηλότερου επιπέδου από την πληροφορία των pixels, αλλά με σχετικά χαμηλό σημασιολογικό περιεχόμενο, τα οποία ταυτόχρονα να έχουν κάποιο νόημα στην εξαγωγή τους αναφορικά με την ανθρώπινη αντίληψη. Στη συνέχεια αναφέρουμε μερικά από αυτά : Χρώμα : Το χρώμα αποτελεί ίσως την πιο άμεσα εξαγόμενη πληροφορία από μία εικόνα. Όπως όλα τα χαρακτηριστικά, έτσι και το χρώμα μπορεί να μοντελοποιηθεί με διάφορους τρόπους, για παράδειγμα ακόμη και μια ένδειξη του τύπου υπάρχει / δεν υπάρχει κόκκινο χρώμα στην εικόνα θα αποτελούσε ένα χαρακτηριστικό χρώματος. Βεβαίως, στη γενικότερη περίπτωση προσπαθούμε τα χαρακτηριστικά που εξάγουμε να είναι αρκούντως πληροφοριακά. Έτσι, το χρώμα μοντελοποιείται συνήθως από έναν μικρό αριθμό από κύρια χρώματα ή μέσω του χρωματικού ιστογράμματος. [5]

9 Υφή : όμοια με το χρώμα αντιμετωπίζεται και η υφή (texture) της εικόνας. Διάφορα μοντέλα έχουν προταθεί για τη μοντελοποίηση της υφής. Όπως ακριβώς και το χρώμα, η υφή συνδυάζεται με τη χωρική κατανομή της στο χαρακτηριστικό της κατανομής υφής. Σχήμα : Το σχήμα μπορεί γενικά να θεωρηθεί ως υψηλότερου επιπέδου χαρακτηριστικό. Βασικά, μοντελοποιείται κι αυτό σε χαμηλό επίπεδο βάσει των ιδιοτήτων της εικόνας, όπως είναι οι ακμές, το εμβαδό, η θέση, η επιμήκυνση και η εκκεντρότητα. Το περίγραμμα ή ο σκελετός σημασιολογικών αντικειμένων της εικόνας εξάγονται, μοντελοποιούνται και χρησιμοποιούνται σε υψηλότερο επίπεδο. Κίνηση : Η κίνηση αποτελεί ένα βασικό χαρακτηριστικό, το οποίο εξάγεται από τουλάχιστον δύο (συνήθως διαδοχικά) καρέ μίας ακολουθίας βίντεο. Η βιβλιογραφία βρίθει σε μεθόδους υπολογισμού κίνησης, αφού η εξαγωγή του χαρακτηριστικού αυτού οδηγεί σε έναν μεγάλο αριθμό από ενδιαφέρουσες εφαρμογές με την κατάτμηση κίνησης και τον υπολογισμό τρισδιάστατης κίνησης να είναι μόνο δύο από αυτές. Πρότυπα : Είναι σύνηθες σε συγκεκριμένες κατηγορίες εφαρμογών αντί των παραπάνω χαρακτηριστικών να εξάγουμε πρότυπα (π.χ. τμήματα εικόνων) τα οποία εν συνεχεία να χρησιμοποιούμε αυτούσια, μετασχηματισμένα ή παραμορφωμένα σε διαδικασίες εντοπισμού, αναγνώρισης κλπ. Διαδεδομένη για παράδειγμα είναι η εξαγωγή προτύπων από εικόνες με ανθρώπινα πρόσωπα. Μετασχηματισμοί : Ενδιαφέροντα χαρακτηριστικά για εφαρμογές υπολογιστικής όρασης προκύπτουν και από μετασχηματισμό των εικόνων (ή περιοχών τους) από το πεδίο του χώρου σε άλλα πεδία μέσω κατάλληλων μετασχηματισμών, όπως για παράδειγμα ο μετασχηματισμός στο πεδίο της συχνότητας μέσω του μετασχηματισμού Fourier. Σε πάρα πολλές εφαρμογές, όπως για σκοπούς παρακολούθησης εισβολέων ή στόχων (intrusion detection, target tracking) ή ακόμη και για χωροθέτηση ή εξαγωγή κινούμενων αντικειμένων (mobile object localization / extraction) χρησιμοποιείται ο [6]

10 εντοπισμός κύριων κινούμενων αντικειμένων (main mobile object detection). Σε τέτοιες εφαρμογές χρησιμοποιούνται συνήθως χαρακτηριστικά κίνησης ή και συνδυασμός τους με χαρακτηριστικά σχήματος (π.χ. κίνηση περιοχών ή ακμών). Όταν είναι επιθυμητή η ακριβής εξαγωγή των αντικειμένων, χαρακτηριστικά κίνησης ή/και χρώματος χρησιμοποιούνται για κατάτμηση κίνησης / χρώματος (motion / color segmentation). Σε εφαρμογές αναγνώρισης αντικειμένων (object recognition), τα χαρακτηριστικά σχήματος είναι περισσότερο κατάλληλα, ειδικότερα σε υψηλό επίπεδο, όπως αυτά του περιγράμματος. Βεβαίως, όταν τα υπό αναγνώριση αντικείμενα έχουν ιδιότητες που τα διακρίνουν στο πεδίο του χρώματος, της συχνότητας ή της υφής, δεν αποκλείεται και η χρήση των χαρακτηριστικών αυτών, αν και συνήθως η πληροφορία που προσφέρουν είναι φτωχή για εφαρμογές αναγνώρισης. Ο εντοπισμός και η εξαγωγή κινούμενων αντικειμένων από ακολουθίες βίντεο αποτελεί την τελευταία δεκαετία μία από τις σημαντικότερες διαδικασίες της κατανόησης περιεχομένων βίντεο, η οποία είναι και άμεσα σχετιζόμενη με τη θεματολογία της ανάλυσης προτύπων, της υπολογιστικής όρασης και της τεχνητής νοημοσύνης. Ο εντοπισμός των κύριων κινούμενων αντικειμένων, ή εισβολέων, σε μια ακολουθία εικόνων μπορεί να αποτελέσει μέσο απόφασης για συστήματα συναγερμού πραγματικού χρόνου σε εφαρμογές παρακολούθησης ή ακόμη να βοηθήσει στη μέτρηση της ροής της κυκλοφορίας οχημάτων ή πεζών. Τα κινούμενα αντικείμενα εντοπίζονται συνήθως βάσει κινούμενων χαρακτηριστικών τους, όπως οι αλλαγές φωτεινότητας, οι κινούμενες ακμές και γραμμές ή οι μετακινούμενες χρωματικές περιοχές. Μία από τις σημαντικότερες δυσκολίες στα προβλήματα εντοπισμού κινούμενων αντικειμένων είναι η απόρριψη των ελασσόνων ακμών, που εμφανίζονται λόγω αποσπασματικών κινήσεων, όπως η κίνηση της βλάστησης στον άνεμο ή οι κατοπτρισμοί σε υγρά. Τέτοιες κινήσεις μπορούν να οδηγήσουν σε λανθασμένους συναγερμούς σε συστήματα παρακολούθησης χώρων για παράδειγμα, αλλά και σε μη ικανοποιητικά αποτελέσματα χωροθέτησης αντικειμένων παρουσία σημαντικού [7]

11 περιβαλλοντικού θορύβου (temporal clutter). Οι συνήθεις προσεγγίσεις σε αυτό το πρόβλημα περιλαμβάνουν χωροχρονικό φιλτράρισμα ή επιβολή περιορισμών για συμβατότητα στην κατεύθυνση του αντικειμένου με το χρόνο. Παρόλ αυτά μπορεί κανείς να δει ότι και οι δύο προσεγγίσεις δημιουργούν ανεπιθύμητες υποθέσεις για τη συμπεριφορά των κινούμενων αντικειμένων. Μια ενδιαφέρουσα λύση στα περισσότερα συνήθη προβλήματα του εντοπισμού και χωροθέτησης κινούμενων αντικειμένων έρχεται από την περίπτωση της στατικής κάμερας, όπου οι προτεινόμενες προσεγγίσεις μπορούν να διαιρεθούν σε δύο κυρίως κατηγορίες : την βασιζόμενη σε χαρακτηριστικά (feature based) που εξαρτάται από την εξαγωγή γενικών χαρακτηριστικών των ακολουθιών και την βασιζόμενη σε pixels (pixel based) που εξετάζει τις διαφορές μεταξύ διαδοχικών καρέ χρησιμοποιώντας pixels ως χαρακτηριστικά εισόδου. Μεταξύ των μεθόδων που βασίζονται σε pixels, μέθοδοι που βασίζονται σε pixels, μέθοδοι που βασίζονται στη φωτεινότητα (luminance based) και στις ακμές (edge based) έχουν προταθεί, με τις τελευταίες να αναφέρονται ως περισσότερο εύρωστες. Ειδικότερα, οι τεχνικές ενημέρωσης φόντου (background updating) παρέχουν ένα βολικό τρόπο εντοπισμού κινούμενων χαρακτηριστικών χωρίς χρήση μεθόδων κατάτμησης κίνησης (motion based segmentation), οι οποίες όχι μόνο παράγουν σημαντικό υπολογιστικό φορτίο, αλλά υποφέρουν και από τις συνήθεις αστοχίες της εκτίμησης κίνησης (motion estimation). Στην περίπτωση της στατικής κάμερας, η σκηνή, συμπεριλαμβανομένου του φόντου, καταγράφεται βολικά από ένα συγκεκριμένο σταθερό σημείο παρατήρησης, ώστε όλη η δράση στην καταγραφόμενη ακολουθία να οφείλεται στην κίνηση αντικειμένων. Σ αυτά τα πλαίσια, σχεδόν οποιαδήποτε αλλαγή στο πεδίο καταγραφής της κάμερας θα έπρεπε να υποδεικνύει την παρουσία ενός κινούμενου αντικειμένου που θα μπορούσε αν εντοπιστεί και να καταχωρηθεί στην ακολουθία. Ταυτόχρονα όμως, υπάρχουν περιπτώσεις όπου, ακόμη κι αν υπάρχουν αλλαγές στην καταγραφόμενη ακολουθία, δεν υπάρχουν κινούμενα αντικείμενα ενδιαφέροντος προς παρακολούθηση δηλαδή, όταν σταδιακές ή απότομες αλλαγές συμβαίνουν στις συνθήκες φωτισμού, όταν υπάρχουν μικρές τυχαίες αλλαγές στο φόντο (π.χ. όταν ο [8]

12 άνεμος κινεί φυτά ή κουρτίνες) ή όταν η κάμερα υποφέρει από μικρές δονήσεις. Βάσει των παραπάνω, το πρόβλημα του εντοπισμού κινούμενων αντικειμένων μετονομάζεται σε πρόβλημα εντοπισμού των κύριων κινούμενων αντικειμένων, όπου αλλαγές όμοιες με αυτές που αναφέρθηκαν παραπάνω θεωρούνται ασήμαντες. Με άλλα λόγια, ο κύριος στόχος ενός εύρωστου αλγορίθμου εντοπισμού κύριων κινούμενων αντικειμένων για στατικές κάμερες είναι να διατηρεί υψηλή ευαισθησία στην παρουσία ενός σημαντικού κινούμενου αντικειμένου στην παρατηρούμενη σκηνή, ενώ να μειώνει την ευαισθησία του στις αλλαγές φωτεινότητας ή στις ασήμαντες αλλαγές. Θα πρέπει να δοθεί προσοχή εδώ στο γεγονός ότι σε αντίθεση με τις μικρές χρονικές διαφοροποιήσεις λόγω θορύβου, μία αλλαγή στο φωτισμό μπορεί να οδηγήσει στη λανθασμένη θεώρηση μεγάλων περιοχών της παρατηρούμενης σκηνής ως κινούμενα αντικείμενα. Τέτοιες διαφοροποιήσεις είναι ιδιαίτερα σημαντικές στην περίπτωση καταγραφών εξωτερικού χώρου. Στην περίπτωση κινούμενης κάμερας, πέρα από τις προαναφερθείσες δυσκολίες, θα πρέπει να αντιμετωπίσουμε και την κίνηση του φόντου λόγω της κίνησης της κάμερας. Εφόσον, για κινούμενες κάμερες, πραγματοποιούνται υπολογισμοί μεταξύ διαφορετικών καρέ για να εντοπίσουμε τα κινούμενα αντικείμενα, η πολυπλοκότητα του προβλήματος είναι ανάλογη με την πολυπλοκότητα της κίνησης της κάμερας, με το σκεπτικό ότι απότομη ή ισχυρά περιστροφική κίνηση αλλάζει σημαντικά το καταγραφόμενο φόντο. Στην περίπτωση που περισσότερα από ένα κινούμενα αντικείμενα υπάρχουν στη σκηνή το σύστημα θα πρέπει να υπολογίσει τη σχετική ταχύτητα μεταξύ κάθε αντικειμένου και του φόντου (ή ακόμη να συμπεριλάβει κάποια χωροχρονικά κριτήρια), ώστε να τα διακρίνει μεταξύ τους. Μία τέτοια διαδικασία γίνεται σημαντικά δύσκολη όταν τα αντικείμενα κινούνται σε μικρές αποστάσεις μεταξύ τους με όμοιες ταχύτητες, έχουν όμοιες χρωματικές ιδιότητες και ιδιότητες ακμών ή ακόμη επικαλύπτονται μερικώς. Τα περισσότερα από τα συστήματα που προτείνονται στη βιβλιογραφία δείχνουν να επιβάλλουν ανεπιθύμητους περιορισμούς στην καταγραφόμενη ακολουθία ή λειτουργούν καλά μόνο κάτω από τέτοιους περιορισμούς. Η ανεπάρκεια [9]

13 τέτοιων μεθόδων εμφανίζεται παρουσία περισσότερων του ενός κινούμενων αντικειμένων, ειδικότερα όταν επικαλύπτονται μεταξύ τους, ή παρουσία σημαντικών ποσοτήτων θορύβου, ειδικότερα στην περιοχή των κινούμενων αντικειμένων (π.χ. όταν κινούμενα φυτά επικαλύπτουν μερικώς τα όρια του κινούμενου αντικειμένου). Επιπλέον, η υπόθεση ότι το όριο του αντικειμένου (ή ακόμη και το ίδιο το αντικείμενο) μπορεί να διακριθεί καλώς από το περιβάλλον του, χρησιμοποιείται συχνά, δεν αποτελεί όμως τη συνήθη περίπτωση σε πραγματικές ακολουθίες. Τέλος, ακόμη και προσεγγίσεις που χρησιμοποιούν πολύπλοκα παραμετρικά μοντέλα κίνησης αποτυγχάνουν στην περίπτωση ισχυρής περιστροφικής κίνησης της κάμερας. Σε πολλές δε, περιπτώσεις, η υπολογιστική πολυπλοκότητα των αλγορίθμων δεν δικαιολογείται από τα αποτελέσματα που επιτυγχάνονται. 1.2.Στάδια ανάλυσης κίνησης Η πρώτιστη και βασική ερώτηση που πρέπει να απαντηθεί σε αυτό το σημείο είναι τι είναι ένα χαρακτηριστικό; [12].Τα χαρακτηριστικά είναι τμήματα της εικόνας που μπορούν εύκολα να επισημανθούν για το σκοπό της ανίχνευσης και της παρακολούθησης. Ένας ορισμός θα μπορούσε να είναι, ότι τα χαρακτηριστικά είναι τοπικές περιοχές ενδιαφέροντος. Τα χαρακτηριστικά μπορούν να επιλεχτούν με βάση την υφή, την οξύτητα των ακμών, το χρώμα και τις γωνίες. Ένα σύστημα ανάλυσης κίνησης λειτουργεί συνήθως σε δύο στάδια : 1. Ανίχνευση (detection) : η ανίχνευση θα μπορούσαμε να πούμε ότι προσπαθεί να απαντήσει στην ερώτηση : υπάρχει κίνηση στην σκηνή;. Έχει να κάνει με χαμηλού επιπέδου επεξεργασία και είναι συνήθως το πρώτο βήμα σε όλους τους αλγόριθμους ανάλυσης κίνησης. [10]

14 2. Παρακολούθηση (tracking) : η παρακολούθηση θα μπορούσαμε να πούμε ότι προσπαθεί να απαντήσει στην ερώτηση : που ακριβώς είναι το αντικείμενο που κινείται;. Η παρακολούθηση είναι βασικής σημασίας σε συστήματα που διατηρείται κάποιο ιστορικό για το σκοπό της αναγνώρισης της κίνησης και είναι συνήθως ένα ενδιάμεσο στάδιο επεξεργασίας. Παρόλ αυτά μερικές φορές υπάρχει αξιοσημείωτη επικάλυψη μεταξύ των αλγορίθμων ανίχνευσης και παρακολούθησης Ανίχνευση Το στάδιο της ανίχνευσης χωρίζεται στα στάδια της κατάτμησης της κίνησης και της αναγνώρισης του αντικειμένου, όπως φαίνεται στο σχήμα 1. Σχήμα 1 : στάδια της ανίχνευσης αντικειμένου Κατάτμηση Κίνησης (Motion Segmentation) Η κατάτμηση κίνησης έχει να κάνει με τον διαχωρισμό του κινούμενου αντικειμένου για το οποίο ενδιαφερόμαστε (Object Of Interest OOI) από την εικόνα του φόντου. Ένας αλγόριθμος κατάτμησης πρέπει να είναι εύρωστος στον θόρυβο και στις αλλαγές του φόντου και του φωτισμού. Κάποιες σύγχρονες τεχνικές παρουσιάζονται παρακάτω: [11]

15 Αφαίρεση του φόντου (Background subtraction) : Η αφαίρεση του φόντου είναι μια απλή λύση στην κατάτμηση εικόνας. Μια στατική εικόνα η οποία δεν περιέχει το ΟΟΙ θεωρείται το μοντέλο του φόντου και η εικόνα της κίνησης βρίσκεται από μια pixel προς pixel διαφορά μεταξύ διαδοχικών καρέ και του μοντέλου του φόντου. Αυτή η μέθοδος όμως, δεν είναι κατάλληλη όταν το φόντο αλλάζει δυναμικά και κινείται. Παραλλαγές αυτής της τεχνικής περιλαμβάνουν διαφορετικούς τρόπους υπολογισμού του μοντέλου του φόντου. Το απλούστερο μοντέλο φόντου μπορεί να δημιουργηθεί από τη μέση τιμή του χρόνου των στατικών καρέ. Αντί της μέσης τιμής του χρόνου, η median τιμή της τιμής του κάθε pixel (είτε αυτή είναι σε χρωματική, είτε σε γκρι κλίμακα) μπορεί επίσης, να χρησιμοποιηθεί για τη δημιουργία του μοντέλου του φόντου. Ο υπολογισμός της median τιμής βρέθηκε ότι είναι περισσότερο εύρωστος σε αλλαγές του φωτισμού του φόντου. Χρονική διαφορά (Temporal differencing) : η χρονική διαφορά έχει να κάνει με μία pixel προς pixel διαφορά μεταξύ της χρονικής διάρκειας διαδοχικών καρέ. Τα διαδοχικά καρέ μπορεί να είναι είτε δύο, είτε περισσότερα. Η χρονική διαφορά προσαρμόζεται σε περιβάλλοντα που αλλάζουν, αφού το ιστορικό του φόντου ανανεώνεται κάθε λίγα καρέ. Οπτική ροή (Optical flow) : οι τεχνικές της οπτικής ροής βασίζονται στην υπόθεση ότι η ένταση των pixels σε μία ακολουθία εικόνων δεν αλλάζει. Με την οπτική ροή όμως, είναι αδύνατον να προσδιορίσουμε την ταχύτητα της εικόνας στην διεύθυνση κάθετη με την βάθμωση της έντασης της εικόνας. Αυτή η αδυναμία αναφέρεται ως το πρόβλημα του ανοίγματος (aperture problem). Η οπτική ροή είναι πολύ πολύπλοκη υπολογιστικά και απαιτεί η εσωτερική κίνηση των χαρακτηριστικών των καρέ να είναι μικρή. Είναι επίσης, δύσκολη η υλοποίηση σε πραγματικό χρόνο και συχνά απαιτεί εξειδικευμένο υλικό (hardware). Απ την άλλη, η οπτική ροή έχει το πλεονέκτημα ότι μπορεί να πετύχει την κατάτμηση των κινούμενων αντικειμένων ακόμη και αν η κάμερα [12]

16 κινείται. Η οπτική ροή μπορεί ακόμη, να διαχωρίσει την κίνηση μεταξύ ενός σώματος στερεού που δεν αλλάζει το σχήμα του και ενός που αλλάζει, διότι η κίνηση του σώματος που δεν αλλάζει παρουσιάζει μικρή συνεχή ροή. Στατιστικές μέθοδοι (Statistical Methods): οι στατιστικές μέθοδοι γενικά απορρέουν από την πιο βασική τεχνική της αφαίρεσης του φόντου. Οι στατιστικές μέθοδοι υπολογίζουν τα στατιστικά μεμονωμένων pixels ή μιας ομάδας από pixels και χρησιμοποιούν την πληροφορία για να ταξινομήσουν περιοχές μιας εικόνας ως περιοχές που ανήκουν στο φόντο ή στο προσκήνιο. Συχνά χρησιμοποιούνται γκαουσιανές για την μοντελοποίηση κάθε pixel και στη συνέχεια χρησιμοποιείται μια δυναμική διαδικασία προσέγγισης για την ενημέρωση του μοντέλου. Ένας άλλος τρόπος είναι η χρήση των μέγιστων και των ελάχιστων τιμών έντασης, και η μέγιστη απόκλιση αυτών των τιμών που προκύπτει από τα διάφορα καρέ, ως στατιστικές παράμετροι για την μοντελοποίηση του φόντου. Αυτή η τεχνική βρέθηκε ότι είναι περισσότερο εύρωστη σε αλλαγές των συνθηκών του φόντου Αναγνώριση του αντικειμένου (Object Identification) Η αναγνώριση του αντικειμένου είναι σημαντική στις περιπτώσεις όπου υπάρχουν περισσότερα από ένα κινούμενα αντικείμενα. Μερικές φορές η αναγνώριση έχει να κάνει με τη διαφοροποίηση μεταξύ άψυχων αντικειμένων και ανθρώπων, όπως για παράδειγμα η κίνηση αυτοκινήτων και πεζών. Άλλες φορές, όταν έχουμε να κάνουμε με αντικείμενα του ίδιου είδους, η ταυτοποίηση χρειάζεται για να δώσει μία ταυτότητα σε κάθε αντικείμενο, έτσι ώστε να μπορούν να παρακολουθηθούν και οι ενέργειές τους να μελετηθούν ξεχωριστά. Τα αντικείμενα αναγνωρίζονται με βάση δύο κριτήρια : το σχήμα και το είδος της κίνησης που ανιχνεύθηκε. [13]

17 Αναγνώριση με βάση το σχήμα (Shape based identification) : Η αναγνώριση με βάση το σχήμα χρησιμοποιείται κυρίως για τη διαφοροποίηση μεταξύ αντικειμένων διαφορετικού σχήματος, όπως αυτοκίνητα και άνθρωποι. Εφόσον η κίνηση του αντικειμένου αναγνωριστεί, χρησιμοποιούνται παράμετροι, όπως ο λόγος δύο διαστάσεων, η θέση των ακραίων σημείων και σκελετικές αναπαραστάσεις, για την ταξινόμηση του αντικειμένου. Αναγνώριση με βάση την περιοδικότητα (Periodicity based identification) : Η αναγνώριση με βάση την περιοδικότητα χρησιμοποιείται κυρίως για την διαφοροποίηση μεταξύ αντικειμένων του ίδιου είδους που παρουσιάζουν περιοδική κίνηση. Για παράδειγμα, η κίνηση των χεριών και των ποδιών ενός ανθρώπου που περπατάει παρουσιάζει περιοδική επανάληψη και μπορεί να χρησιμοποιηθεί ως χαρακτηριστικό για τη διαφοροποίηση και την αναγνώριση ανθρώπων, με βάση το πώς περπατούν. Έτσι, μία ανάλυση χρόνου συχνότητας μπορεί να προσδιορίσει την τάξη του αντικειμένου. Συχνά, η αυτο ομοιότητα που παρατηρείται σε μια περιοδική κίνηση μπορεί να χρησιμοποιηθεί για την ταξινόμηση έμψυχων και άψυχων κινούμενων αντικειμένων. Για την επίτευξη καλύτερης απόδοσης στην αναγνώριση μπορεί να χρησιμοποιηθεί ένας υβριδικός συνδυασμός της αναγνώρισης που βασίζεται στο σχήμα και αυτής που βασίζεται στην περιοδικότητα. Επιπλέον, παράγοντες όπως περιορισμοί της δομής του ανθρώπινου σώματος και περιορισμοί της κίνησης οχημάτων μπορούν να συγχωνευθούν προκειμένου να επιτευχθεί καλύτερη ανίχνευση κίνησης Παρακολούθηση (tracking) Όταν ένα αντικείμενο έχει κατατμηθεί και αναγνωριστεί, μπορεί να χρειαστεί να παρακολουθηθεί για κάποιο χρονικό διάστημα. Αυτό είναι ουσιώδες για τους [14]

18 περισσότερους αλγόριθμους αναγνώρισης που απαιτούν τη διατήρηση του ιστορικού της κίνησης. η παρακολούθηση ανήκει στο ενδιάμεσο στάδιο της όρασης και έχει να κάνει με την εύρεση συναφών σχέσεων μεταξύ χαρακτηριστικών της εικόνας σε συνεχόμενα καρέ, όπως το χρώμα, η υφή, η ταχύτητα και η θέση. Οι αλγόριθμοι παρακολούθησης συνήθως εξαρτώνται από την εφαρμογή, για παράδειγμα εξαρτώνται από το αν χρειάζεται να παρακολουθηθούν χειρονομίες, εκφράσεις του προσώπου, ολόκληρα τμήματα του σώματος, οχήματα ή πεζοί. Σε περιπτώσεις που αναμένεται συμφόρηση αντικειμένων, μπορούν να χρησιμοποιηθούν πολλές κάμερες, ώστε να μειωθεί η αμφιβολία και να βελτιωθεί η αξιοπιστία των δεδομένων. Η χρήση πολλών καμερών απαιτεί τη βέλτιστη συγχώνευση δεδομένων, προκειμένου να προσδιοριστεί η καλύτερη θέση της κάμερας. Η πιο κατάλληλη ταξινόμηση των αλγορίθμων παρακολούθησης βασίζεται στο αν οι αλγόριθμοι χρησιμοποιούν εκ των προτέρων μοντέλα σχήματος για την παρακολούθηση του αντικειμένου. Και οι δύο πάντως, προσεγγίσεις έχουν εξελιχθεί από απλές δισδιάστατες σε πολύπλοκες τρισδιάστατες ογκομετρικές αναλύσεις. Η παρακολούθηση συχνά περιορίζεται σε έναν κλειστό κόσμο, όπου όλα τα πιθανά αντικείμενα που βρίσκονται στην ακολουθία εικόνων είναι γνωστά. Αυτή η υπόθεση απλοποιεί τον αλγόριθμο αναγνώρισης σημαντικά. Σχήμα 2 : μέθοδοι παρακολούθησης αντικειμένου [15]

19 Παρακολούθηση με βάση μοντέλα (Model based tracking) Η παρακολούθηση με βάση μοντέλα γενικά χρησιμοποιεί ένα προκαθορισμένο μοντέλο του αντικειμένου για παρακολούθηση. Τα μοντέλα μπορούν να δημιουργηθούν για την παρακολούθηση ολόκληρου του ανθρώπινου σώματος ή για πιο συγκεκριμένα τμήματα, όπως τα χέρια ή το πρόσωπο. Χαρακτηριστικά εξάγονται από την εικόνα και αντιστοιχούνται στη δομή και την κίνηση του μοντέλου. Όμως, αυτή η αντιστοίχηση μπορεί να είναι ένα πολύπλοκο υπολογιστικά θέμα και να απαιτεί πολύ καλή κατάτμηση του κινούμενου αντικειμένου από το φόντο. Έτσι, τέτοιες τεχνικές είναι δύσκολο να υλοποιηθούν για μη ξεκάθαρες ακολουθίες εικόνων Παρακολούθηση μη βασισμένη σε μοντέλα (Non model based tracking) Το αποκορύφωμα της παρακολούθησης της μη βασισμένης σε μοντέλα είναι ότι η δομική πληροφορία δεν είναι πάντα απαραίτητη για την παρακολούθηση ενός αντικειμένου και η πολυπλοκότητα μπορεί να ελαττωθεί με τη χρήση κάποιων άλλων μεθόδων, όπως φαίνεται στο σχήμα 2. Παρακάτω αναφερόμαστε μόνο στη μέθοδο που βασίζεται στα χαρακτηριστικά, καθώς με αυτή θα ασχοληθούμε στην εργασία αυτή. Μέθοδος που βασίζεται στα χαρακτηριστικά (Feature based tracking) : Η μέθοδος αυτή βασίζεται στην ιδέα ότι η υπολογιστική πολυπλοκότητα ελαττώνεται με την παρακολούθηση σημαντικών μόνο χαρακτηριστικών του αντικειμένου και όχι ολόκληρης της περιοχής του αντικειμένου ή του περιγράμματός του. Η μέθοδος αυτή έχει να κάνει με την εξαγωγή χαρακτηριστικών και την αντιστοίχισή τους. Παράμετροι όπως οι γωνίες, η χρωματική πληροφορία και η υφή χρησιμοποιούνται ως χαρακτηριστικά για τη παρακολούθηση. Υπάρχουν δύο προσεγγίσεις για την παρακολούθηση με βάση τα χαρακτηριστικά : η δυναμική και η [16]

20 στατική παρακολούθηση. Η παρακολούθηση ονομάζεται στατική όταν τα χαρακτηριστικά εξάγονται από κάθε καρέ εκ των προτέρων και ο αλγόριθμος υπολογίζει την βέλτιστη αντιστοιχία μεταξύ τους. Διάφορες παράμετροι όπως η είσοδος και έξοδος των χαρακτηριστικών και το κόστος των συναρτήσεων για την λείανση της τροχιάς του αντικειμένου, λαμβάνονται υπόψη στην παρακολούθηση με βάση τα χαρακτηριστικά. Στην δυναμική παρακολούθηση τα χαρακτηριστικά προσδιορίζονται στα διαδοχικά καρέ δυναμικά, εκτιμώντας την κίνησή τους σε ένα καρέ και ψάχνοντας για αυτή στο επόμενο καρέ. Ένας από τους πιο γνωστούς αλγορίθμους είναι ο KLT αλγόριθμος (Kanade Lucas Tracking algorithm). Ένα θέμα με την μέθοδο αυτή είναι αλληλεξάρτηση μεταξύ της πολυπλοκότητας των χαρακτηριστικών και της αποδοτικότητας του αλγορίθμου. Χαμηλότερου επιπέδου χαρακτηριστικά όπως οι συντεταγμένες των ακμών είναι ευκολότερο να εξαχθούν, αλλά πολύ δυσκολότερο να παρακολουθηθούν, καθώς είναι δύσκολο να καθιερωθεί μία αντιστοιχία ένα προς ένα μεταξύ τους. Υψηλότερου επιπέδου χαρακτηριστικά, όπως τρισδιάστατοι όγκοι, είναι ευκολότερο να παρακολουθηθούν, αλλά δυσκολότερο να εξαχθούν. [17]

21 Κεφάλαιο 2 ο : Διαχωρισμός του φόντου (Background subtraction) 2.1. Γενικά Η μοντελοποίηση του φόντου είναι μία από τις δημοφιλέστερες προσεγγίσεις. Η τρέχουσα εικόνα συγκρίνεται με ένα μοντέλο του φόντου το οποίο δεν περιέχει τα κινούμενα αντικείμενα. Συνήθως, αυτό το μοντέλο του φόντου ανακτάται με την πάροδο του χρόνου. Το πλεονέκτημα τέτοιων προσαρμόσιμων μεθόδων είναι ότι εξάγουν το φόντο από τις εικόνες. Συνήθως, το φόντο ορίζεται ως το πιο συχνό χρώμα στην πάροδο του χρόνου. Αυτό σημαίνει ότι τα αντικείμενα που ήταν στην σκηνή κατά την εξαγωγή του φόντου βαθμιαία θα αντικατασταθούν από το φόντο. Αυτό εξαλείφει την ανάγκη της αρχικοποίησης ενός άδειου φόντου. Επίσης, παρέχει ένα μοντέλο φόντου που προσαρμόζεται αυτόματα στις αλλαγές. Για παράδειγμα, όταν αλλάζει ο καιρός ή όταν ένα παρκαρισμένο αυτοκίνητο φεύγει από τη σκηνή. Ένα σημαντικό μειονέκτημα είναι η αλληλεξάρτηση (trade off) μεταξύ δύο αντιτιθέμενων απαιτήσεων. Από τη μία, η ενημέρωση του φόντου θα πρέπει να γίνεται γρήγορα ώστε να μπορεί να αντιμετωπίσει τις αλλαγές φωτισμού και τις αλλαγές στο φόντο, όπως αλλαγές του φωτισμού λόγω αλλαγής της ώρας ή λόγω ανοίγματος του διακόπτη σε κλειστό χώρο, αλλαγές λόγω ανθρώπων που περπατούν ή λόγω αντικειμένων που φεύγουν από τη σκηνή. Από την άλλη, η ενημέρωση θα πρέπει να γίνεται αργά, ώστε τα αντικείμενα που κινούνται αργά να μην περιλαμβάνονται στο φόντο, όπως ένας άνθρωπος που κοιμάται. Η ταχύτητα λοιπόν, της ενημέρωσης εξαρτάται από την εφαρμογή. Παρακάτω αναφέρονται πέντε αλγόριθμοι για την εξαγωγή του φόντου και παρατίθενται τα αποτελέσματα της εφαρμογής τους σε ακολουθίες βίντεο. [18]

22 2.2. Αλγόριθμος διαφοράς διαδοχικών frames Ο πιο απλός ίσως τρόπος για τον διαχωρισμό του φόντου από το κινούμενο αντικείμενο σε ασπρόμαυρο βίντεο με στατική κάμερα είναι να συγκρίνουμε ανά δύο τα frames του βίντεο παίρνοντας τη διαφορά τους. Αυτό γίνεται ως εξής : 1. Ορίζουμε έναν πίνακα με διαστάσεις ίδιες με αυτές των frames τον οποίο αρχικοποιούμε. 2. Για κάθε δύο διαδοχικά frames παίρνουμε κάθε pixel και βρίσκουμε τη διαφορά της τιμής του μεταξύ των δύο frames. 3. Ορίζουμε ένα κατώφλι (threshold) (0<τ<1). 4. Αν η διαφορά των τιμών του pixel είναι μικρότερη της τιμής του κατωφλίου, τότε βάζουμε στην αντίστοιχη θέση του πίνακα την τιμή 1, ενώ αν η διαφορά είναι μεγαλύτερη του κατωφλίου, τότε στην αντίστοιχη θέση βάζουμε την τιμή 0. Έτσι, από κάθε δύο διαδοχικά frames παίρνουμε μία ασπρόμαυρη εικόνα όπου τα μαύρα pixel αντιστοιχούν στα pixel που δεν μετακινήθηκαν, δηλαδή στο φόντο, ενώ τα άσπρα pixel αντιστοιχούν στα pixel που άλλαξαν, δηλαδή στο κινούμενο αντικείμενο. (α) (β) (γ) Εικόνα 1 : τρία διαδοχικά frames α, β, γ όπου τα μαύρα pixels αντιστοιχούν στα pixels που δεν μετακινήθηκαν, δηλαδή στο φόντο, ενώ τα άσπρα pixels αντιστοιχούν στα pixels που άλλαξαν, δηλαδή στο κινούμενο αντικείμενο. Με αυτόν τον τρόπο όμως, προκύπτουν διάφορα προβλήματα. Καταρχήν, χρειάζεται μεγάλη προσοχή στην τιμή που θα βάλουμε στο κατώφλι. Αν η τιμή είναι [19]

23 πολύ μικρή, τότε η παραμικρή κίνηση θα ανιχνευθεί, πράγμα που μπορεί να οδηγήσει σε εσφαλμένες εκτιμήσεις, διότι μπορεί να έχουμε μικρές αλλαγές στο φόντο, οι οποίες δε θέλουμε να θεωρηθούν ως κινούμενα αντικείμενα. Τέτοιες αλλαγές μπορεί να οφείλονται σε θόρυβο λόγω της κάμερας, σε αλλαγές φωτισμού, σε σκιές, σε αέρα αν είμαστε σε εξωτερικό περιβάλλον, κ.ά. Απ την άλλη, αν η τιμή του κατωφλίου είναι πολύ μεγάλη, τότε κάποιες αλλαγές μπορεί να μην ανιχνευθούν καθόλου, όπως για παράδειγμα ένα αντικείμενο που κινείται με πολύ μικρή ταχύτητα. Στα παρακάτω διαγράμματα βλέπουμε ένα αντικείμενο που κινείται γρήγορα (object 1) και ένα που κινείται αργά (object 2). Στο διάγραμμα που βρίσκεται αριστερά, το κατώφλι τα που επιλέχτηκε, καθορίστηκε με βάση την ταχύτητα των σωμάτων που κινούνται, με αποτέλεσμα το αντικείμενο που κινείται αργά να μη μπορεί ποτέ να ανιχνευθεί (τ=δx/δt). Αντίθετα, στο διάγραμμα που βρίσκεται στα δεξιά, το κατώφλι τ εξαρτάται από ένα προκαθορισμένο frame αναφοράς (τ=δx). Αυτό οδηγεί στην ανίχνευση και των δύο αντικειμένων, ανεξάρτητα από την ταχύτητά τους. (α) (β) Σχήμα 3 : Δύο αντικείμενα που κινούνται. α. Το κατώφλι καθορίστηκε με βάση την ταχύτητα των σωμάτων που κινούνται, με αποτέλεσμα το αντικείμενο που κινείται αργά να μη μπορεί ποτέ να ανιχνευθεί. β. Το κατώφλι εξαρτάται από ένα προκαθορισμένο frame αναφοράς ανεξάρτητα από την ταχύτητα των αντικειμένων. εξής : Ο αλγόριθμος υλοποιείται με βάση το αρχείο frame_difference.m και έχει ως [20]

24 Αρχικά, όλα τα frames τοποθετούνται σε έναν πίνακα a τεσσάρων διαστάσεων, όπου οι τρεις διαστάσεις είναι ο χώρος χρωμάτων RGB και η τέταρτη είναι ο αριθμός του frame. Στη συνέχεια, αφού μετατρέψουμε όλα τα frames σε γκρι κλίμακα, παίρνουμε την απόλυτη διαφορά κάθε δύο διαδοχικών frames, η οποία αποθηκεύεται σε έναν πίνακα d τριών διαστάσεων, όπου η μία διάσταση είναι ο αριθμός του frame και οι άλλες δύο ορίζουν τη θέση του κάθε pixel στο κάθε frame. Τέλος, θεωρούμε ένα κατώφλι (στο συγκεκριμένο αλγόριθμο είναι 35) και συγκρίνουμε κάθε pixel του πίνακα d με αυτό. Τα αποτελέσματα αποθηκεύονται σε έναν άλλο πίνακα B, ο οποίος αποτελείται από τα frames του τελικού βίντεο. [21]

25 Ο αλγόριθμος δίνεται παρακάτω : 1. %frame_difference.m mov=aviread('orig-1.avi'); for i=1:60 ; 6. a(:,:,:,i)=mov(i).cdata; 7. end 8. for i=1:60; 9. b(:,:,i)=rgb2gray(a(:,:,:,i)); 10. end 11. for i=1:60; 12. c(:,:,i)=double(b(:,:,i)); 13. end 14. for i=1:59; 15. d(:,:,i)=abs(c(:,:,i)-c(:,:,i+1)); 16. end 17. [m,n,l]=size(d); 18. for k=1:l 19. for i=1:m 20. for j=1:n 21. if d(i,j,k)> B(i,j,k)=255; 23. else B(i,j,k)=0; 24. end 25. end 26. end 27. End 28. y=uint8(b); Παρακάτω φαίνονται ορισμένα frames που προκύπτουν από την εκτέλεση του αλγορίθμου. [22]

26 (α) (β) (γ) (δ) Εικόνα 2 : α. Ένα frame από την ακολουθία βίντεο. β. Ανίχνευση αντικειμένου χωρίς κατώφλι γ. Ανίχνευση αντικειμένου με κατώφλι 15 δ. Ανίχνευση αντικειμένου με κατώφλι 35. (α) (β) (γ) (δ) Εικόνα 3 : α. Ένα frame από την ακολουθία βίντεο. β. Ανίχνευση αντικειμένου χωρίς κατώφλι γ. Ανίχνευση αντικειμένου με κατώφλι 15 δ. Ανίχνευση αντικειμένου με κατώφλι 35. [23]

27 Στην εικόνα 2β βλέπουμε ένα frame από τη μάσκα διαφοράς χωρίς κατώφλι, όπου δημιουργείται αχνά το περίγραμμα του ανθρώπου. Στην εικόνα 2γ όπου το κατώφλι είναι 15 βλέπουμε ότι το περίγραμμα είναι αρκετά παχύ, τόσο που δε μας χρησιμεύει και επίσης υπάρχει και κάποιος θόρυβος. Έτσι, αυξήσαμε το κατώφλι στο 35 (εικόνα 2δ) και βλέπουμε ότι το περίγραμμα είναι αρκετά ικανοποιητικό, ενώ ο θόρυβος εξαφανίστηκε. Όσον αφορά την εικόνα 3, παρατηρούμε ότι όσο αυξάνουμε το κατώφλι τόσο μειώνεται ο θόρυβος στο φόντο αλλά ταυτόχρονα χάνουμε σημεία του κινούμενου αντικειμένου, ενώ ο θόρυβος στο φόντο παραμένει έντονα και κυρίως στα χαλίκια, λόγω υφής και λόγω αστάθειας της κάμερας. Επίσης, παρατηρούμε ότι στα τμήματα του παντελονιού του ανθρώπου που βρίσκεται πάνω στα χαλίκια έχουμε αρκετή απώλεια πληροφορίας λόγω μικρής αντίθεσης στη φωτεινότητα παντελονιού φόντου Αλγόριθμος με μάσκες διαφοράς Για την αποφυγή λοιπόν, όσο το δυνατόν περισσότερων σφαλμάτων, προτείνεται μια βελτιστοποιημένη μέθοδος, στην οποία το κριτήριο για το αν έχουμε κίνηση ή όχι, δεν προέρχεται απ ευθείας απ την διαφορά των διαδοχικών frames, αλλά από τη σύγκριση του κάθε frame με ένα φόντο, το οποίο διατηρούμε σε μια μνήμη και το οποίο συνεχώς ενημερώνεται [3]. Ο προτεινόμενος αλγόριθμος τμηματοποίησης εικόνας στηρίζεται σε πέντε βασικά βήματα, τα οποία φαίνονται και στο σχήμα 4: 1. Υπολογίζουμε τη μάσκα διαφοράς των frames με βάση την κατωφλιοποίηση της διαφοράς των διαδοχικών frames. 2. Αποθηκεύουμε στη μνήμη το προς σύγκριση αξιόπιστο φόντο με βάση τα pixels που δε μετακινήθηκαν για αρκετό χρονικό διάστημα σύμφωνα με τη μάσκα διαφοράς αρκετών παλιότερων frames. [24]

28 3. Δημιουργούμε τη μάσκα της διαφοράς του φόντου συγκρίνοντας το τρέχον frame με το αποθηκευμένο φόντο της μνήμης. 4. Δημιουργούμε μια αρχική μάσκα αντικειμένου από τη μάσκα διαφοράς των frames και από τη μάσκα της διαφοράς του φόντου. 5. Αφαιρούμε τις περιοχές θορύβου και φιλτράρουμε την εικόνα που προκύπτει για την λείανση των ακμών, ώστε να πάρουμε την τελική εικόνα. Σχήμα 4 : αλγόριθμος τμηματοποίησης εικόνας με μάσκες διαφοράς Αναλυτικότερα στον αλγόριθμο γίνονται τα εξής : [25]

29 1. Διαφορά των frames (frame difference) Η κατωφλιοποίηση της διαφοράς δύο διαδοχικών frames είναι η βασική σκέψη για την τμηματοποίηση εικόνας προκειμένου να ανιχνευθούν αλλαγές. Όμως, καθώς η συμπεριφορά και τα χαρακτηριστικά διαφέρουν πολύ μεταξύ των κινούμενων αντικειμένων η ποιότητα του αποτελέσματος της τμηματοποίησης εξαρτάται σε μεγάλο βαθμό από τον θόρυβο του φόντου, το είδος κίνησης του αντικειμένου και την αντίθεση μεταξύ του κινουμένου αντικειμένου και του φόντου. Έτσι, είναι πολύ δύσκολο να έχουμε αξιόπιστη πληροφορία για το κινούμενο αντικείμενο. Έτσι, λοιπόν, αντί να προσπαθούμε να αντλήσουμε περισσότερη πληροφορία από το τμήμα της εικόνας που αλλάζει, επικεντρωνόμαστε στο στατικό φόντο, του οποίου τα χαρακτηριστικά είναι γνωστά και περισσότερο αξιόπιστα. Επίσης, χρησιμοποιούμε τη συμπεριφορά του κινούμενου αντικειμένου που έχει καταχωρηθεί για αρκετό χρονικό διάστημα και δεν βασιζόμαστε απλά στη διαφορά δύο διαδοχικών frames. Σε αυτό το στάδιο υπολογίζεται η μάσκα διαφοράς των frames με κατωφλιοποίηση της διαφοράς δύο διαδοχικών frames. Αυτή η διαφορά στέλνεται στο βήμα της καταγραφής του φόντου, στο οποίο κατασκευάζεται το αξιόπιστο φόντο από τη συσσωρευμένη πληροφορία της μάσκας διαφοράς αρκετών διαδοχικών frames. Η τιμή του κατωφλίου υπολογίζεται ως εξής : α=prob( FD >TH H 0) (1) όπου το FD είναι η διαφορά των frames (frames difference), Η 0 είναι η υπόθεση ότι δεν υπάρχει καμία αλλαγή στο τρέχον pixel, ΤΗ είναι η τιμή του κατωφλίου (threshold value) και α είναι η στάθμη αξιοπιστίας. Δηλαδή, αν ο θόρυβος της κάμερας (που υπολογίζεται από την τυπική απόκλιση σ 2 ) είναι μικρός, τότε το αντικείμενο που βρίσκεται στο προσκήνιο είναι εύκολο να διαχωριστεί από το φόντο, οπότε μπορούμε να χρησιμοποιήσουμε μια υψηλότερη τιμή για το α. Διαφορετικά, αν ο θόρυβος είναι μεγάλος θα πρέπει να χρησιμοποιηθεί μια χαμηλότερη στάθμη αξιοπιστίας. [26]

30 2. Καταχώρηση του φόντου στη μνήμη (Background Registration) Ο σκοπός της καταχώρησης του φόντου είναι να δημιουργήσουμε ένα αξιόπιστο φόντο από την βίντεο ακολουθία. Μία κατά προσέγγιση πληροφορία φόντου δεν είναι χρήσιμη για την ανίχνευση κινουμένων αντικειμένων, και ακόμα χειρότερα θα προκαλέσει σφάλματα στα επόμενα αποτελέσματα τμηματοποίησης, εωσότου το φόντο διορθωθεί. Έτσι λοιπόν, πληροφορία η οποία δεν είμαστε σίγουροι ότι ανήκει στο φόντο απορρίπτεται και αφήνουμε άδεια την αντίστοιχη περιοχή στη μνήμη (buffer). Σε αυτό το στάδιο της καταγραφής του φόντου, διατηρούμε στη μνήμη έναν στατικό πίνακα όπου καταγράφονται οι διαφορές των frames. Αν ένα pixel φαίνεται ότι αλλάζει στη μάσκα διαφοράς των frames, τότε η αντίστοιχη τιμή του στον στατικό πίνακα είναι μηδέν, διαφορετικά, αν το pixel δεν αλλάζει, η αντίστοιχη τιμή του είναι ένα. Έτσι, ουσιαστικά, οι τιμές στον στατικό πίνακα δείχνουν ποια pixel δεν αλλάζουν και για πόσα διαδοχικά frames συμβαίνει αυτό. Αν λοιπόν, το άθροισμα των τιμών ενός pixel στον στατικό πίνακα υπερβεί μια προκαθορισμένη τιμή, έστω L, τότε η τιμή του pixel στο τρέχον frame αντιγράφεται στο αντίστοιχο pixel στον buffer του φόντου. Τέλος, η τιμή στην μάσκα καταγραφής του φόντου δείχνει αν υπάρχει ή όχι πληροφορία φόντου από το αντίστοιχο pixel. Έτσι, αν ένα νέο pixel προστεθεί στον buffer του φόντου, τότε η αντίστοιχη τιμή στη μάσκα καταγραφής του φόντου αλλάζει από μη υπάρχουσα σε υπάρχουσα. 3. Διαφορά των φόντων (Background Difference) Σε αυτό το στάδιο δημιουργείται η μάσκα διαφοράς των φόντων με κατωφλιοποίηση της διαφοράς μεταξύ του τρέχοντος frame και της πληροφορίας φόντου που έχει αποθηκευτεί στον buffer φόντου. Αυτό το στάδιο είναι παρόμοιο με [27]

31 τη δημιουργία της μάσκας διαφοράς των frames. Η τιμή του κατωφλίου προσδιορίζεται κι εδώ με βάση την εξίσωση (1). 4. Ανίχνευση αντικειμένων (Object Detection) Το στάδιο ανίχνευσης αντικειμένων δημιουργεί την αρχική μάσκα αντικειμένου από τη μάσκα διαφοράς των frames και τη μάσκα διαφοράς frame φόντου. Οι τρεις αυτές μάσκες για κάθε pixel είναι απαραίτητες πληροφορίες για τη διεξαγωγή του αλγορίθμου. Στον παρακάτω πίνακα φαίνονται τα κριτήρια για την ανίχνευση κινουμένου αντικειμένου. BD (background difference)είναι η απόλυτη τιμή της διαφοράς μεταξύ του τρέχοντος frame και της πληροφορίας του φόντου που είναι αποθηκευμένη στον buffer. FD (frame difference) είναι η απόλυτη τιμή της διαφοράς των frames. Τo πεδίο ΟΜ δείχνει αν ένα pixel περιλαμβάνεται ή όχι στην μάσκα αντικειμένου. Τέλος, τα ΤΗ BD (threshold background difference) και TH FD (threshold frame difference) είναι οι τιμές των κατωφλίων για τη δημιουργία της μάσκας διαφοράς του φόντου και της μάσκας διαφοράς των frames, αντίστοιχα. Πίνακας 1 : κριτήρια για την ανίχνευση κινουμένου αντικειμένου 5. Μετα επεξεργασία (Post Processing) [28]

32 Μετά από το στάδιο ανίχνευσης αντικειμένου, δημιουργείται μια αρχική μάσκα αντικειμένου. Παρόλ αυτά, λόγω θορύβου της κάμερας και αμελητέων κινήσεων, υπάρχουν κάποιες περιοχές θορύβου στην αρχική μάσκα αντικειμένου. Επίσης, το περίγραμμα του αντικειμένου δεν είναι αρκετά εξομαλυμένο. Έτσι, υπάρχει ένα στάδιο μετά επεξεργασίας για τη μείωση αυτών των περιοχών θορύβου και για τη λείανση του περιγράμματος. Η μείωση των περιοχών θορύβου στηρίζεται στην παρατήρηση ότι οι περιοχές θορύβου τείνουν να είναι μικρότερες από την περιοχή του αντικειμένου. Πρώτα, εφαρμόζεται ο κλασσικός αλγόριθμος των συνδεδεμένων συστατικών (connected component algorithm) στην αρχική μάσκα αντικειμένου για να σημειωθούν οι απομονωμένες περιοχές. Στη συνέχεια, υπολογίζεται η έκταση κάθε περιοχής. Περιοχές με έκταση μικρότερη από κάποια τιμή κατωφλίου εξαλείφονται από την μάσκα αντικειμένου. Έτσι, διατηρείται το σχήμα του αντικειμένου, ενώ μικρές περιοχές θορύβου αφαιρούνται. Εφόσον υπάρχουν δύο ήδη θορύβου, θόρυβος στο φόντο και θόρυβος στο προσκήνιο, χρειάζονται δύο περάσματα σε αυτό το στάδιο. Το πρώτο πέρασμα αφαιρεί μικρές μαύρες περιοχές (περιοχές φόντου), οι οποίες είναι περιοχές θορύβου στο προσκήνιο ή τρύπες στη μάσκα ανίχνευσης αλλαγών. Το δεύτερο πέρασμα αφαιρεί μικρές άσπρες περιοχές (περιοχές στο προσκήνιο), οι οποίες είναι περιοχές θορύβου στο φόντο ή λανθασμένες περιοχές αλλαγών στη μάσκα ανίχνευσης αλλαγών. Μετά την αφαίρεση των περιοχών θορύβου, εφαρμόζονται στη μάσκα αντικειμένου οι μορφολογικές πράξεις (morphological operations) ανοίγματος και κλεισίματος (open and close operations) με ένα 3x3 δομικό στοιχείο (structural element). Το μικρό δομικό στοιχείο επιλέγεται για τη λείανση του περιγράμματος του αντικειμένου, χωρίς να επηρεάζει τις λεπτομέρειες της πληροφορίας του σχήματος του αντικειμένου. Οι μορφολογικές πράξεις είναι η βάση για την απομάκρυνση του θορύβου μετά τον διαχωρισμό του φόντου και την κατωφλιοποίηση. Πιο συγκεκριμένα, οι μορφολογικές τεχνικές που συνήθως χρησιμοποιούνται, αποτελούνται από δύο βασικές πράξεις : την διεύρυνση (dilation) και τη διάβρωση (erosion) [4]. Η διεύρυνση [29]

33 επεκτείνει το προσκήνιο της εικόνας, προσθέτοντας ένα pixel στο προσκήνιο αν οποιοδήποτε από τα γειτονικά του pixel εντός μιας συγκεκριμένης γειτονιάς ακτίνας r (η οποία λέγεται δομικό στοιχείο structuring element) ανήκει ήδη στο προσκήνιο. Η διάβρωση επεκτείνει το φόντο, μετακινώντας ένα pixel από το προσκήνιο αν ένα από τα γειτονικά του pixel ανήκει ήδη στο φόντο. Αυτές οι δύο πράξεις μπορούν να συνδυαστούν. Μία διεύρυνση ακολουθούμενη από μία πανομοιότυπη διάβρωση λέγεται κλείσιμο (closing), και γεμίζει τις τρύπες του προσκηνίου που είναι μικρότερες από την διάμετρο της γειτονιάς. Παρομοίως, μία διάβρωση ακολουθούμενη από μία πανομοιότυπη διεύρυνση λέγεται άνοιγμα (opening), και χρησιμοποιείται για την εξάλειψη απομονωμένων pixel του προσκηνίου. Ο θόρυβος στην εικόνα που προκύπτει από την αφαίρεση του φόντου, κάνει ορισμένα pixel του προσκηνίου να μοιάζουν με αυτά του φόντου και αντίστροφα. Μία πράξη ανοίγματος ακολουθούμενη από μία πράξη κλεισίματος αντιμετωπίζει τις πηγές του λάθους : το κλείσιμο γεμίζει τα pixel του προσκηνίου που λείπουν (υποθέτοντας ότι αρκετά από τα γειτονικά pixel έχουν προσδιοριστεί σωστά), και το άνοιγμα αφαιρεί άσχετα pixel του προσκηνίου που είναι περικυκλωμένα από pixel του φόντου. Ιδιαίτερη προσοχή πρέπει να δοθεί στην επιλογή της ακτίνας r. Αν η ακτίνα είναι πολύ μικρή, τότε μεγαλύτερες ομάδες pixel θορύβου θα μείνουν αδιόρθωτες. Αν απ την άλλη η ακτίνα είναι πολύ μικρή, τότε κάποια σωστά pixel των αντικειμένων του προσκηνίου θα χαθούν. Σε ιδιαίτερα θορυβώδεις εικόνες φόντου, τα λανθασμένα pixel φόντου μπορεί να είναι τόσο πολλά και τόσο κοντά το ένα στο άλλο, ώστε η πράξη κλεισίματος να γεμίσει τα κενά ανάμεσά τους. Η αύξηση του κατωφλίου για τον αρχικό διαχωρισμό φόντου προσκηνίου οδηγεί στην αποφυγή αυτού του ανεπιθύμητου αποτελέσματος, διότι μεγαλώνοντας την τιμή του κατωφλίου τα pixel του προσκηνίου που ταξινομούνται ως pixel του φόντου είναι περισσότερα από τα pixel του φόντου που τα ταξινομούνται ως pixel του προσκηνίου. Έτσι, εφαρμόζοντας υπό αυτές τις συνθήκες την πράξη κλεισίματος θα κλείσουν τα κενά ανάμεσα σε σωστά εκτιμημένα pixel του προσκηνίου. [30]

34 Μετά λοιπόν, από την κατάλληλη επιλογή κατωφλίου και την εφαρμογή της ανοιχτής και κλειστής πράξης έχουμε την τελική μάσκα αντικειμένου. Στο παρακάτω βήμα φαίνονται εικόνες από διάφορα στάδια του αλγορίθμου. (α) (β) (γ) (δ) Εικόνα 4 : (α) Αυθεντική εικόνα. (β) Μάσκα διαφοράς των frames. (γ) Μάσκα μετά το φιλτράρισμα για την αφαίρεση μικρών περιοχών θορύβου. (δ) Τελική μάσκα αντικειμένου μετά την εφαρμογή της ανοιχτής κλειστής πράξης. Ο αλγόριθμος αυτός υλοποιείται με βάση τα αρχεία : 1. a_frame_dif_thres.m 2. b_back_reg_mask.m 3. c_back_dif_mask.m 4. d_object_detection.m και e_object_segment_rgb.m 5. Δεν υλοποιήθηκε [31]

35 1. a_frame_dif_thres.m 1. % a_frame_dif_thres.m mov=aviread('orig-1.avi'); for i=1:60 ; 6. a(:,:,:,i)=mov(i).cdata; 7. end 8. for i=1:60; 9. b(:,:,i)=rgb2gray(a(:,:,:,i)); 10. end 11. for i=1:60; 12. c(:,:,i)=double(b(:,:,i)); 13. end for i=1:59; 16. d(:,:,i)=abs(c(:,:,i)-c(:,:,i+1)); 17. end THFD=25; 20. [m,n,l]=size(d); 21. for k=1:l; 22. for i=1:m; 23. for j=1:n; 24. if d(i,j,k)>thfd 25. frame_dif(i,j,k)=0; 26. else frame_dif(i,j,k)=255/255; 27. end 28. end 29. end 30. end 31. y=uint8(frame_dif); [32]

36 Σε αυτό το πρώτο βήμα, βρίσκουμε αρχικά την απόλυτη διαφορά κάθε δύο διαδοχικών frames και τα αποτελέσματα αποθηκεύονται στον πίνακα d. Στη συνέχεια ορίζουμε ένα κατώφλι THFD (στον παραπάνω αλγόριθμο THFD=25) και συγκρίνουμε με αυτό το κάθε pixel του πίνακα d. Αν η τιμή του pixel είναι μεγαλύτερη του κατωφλίου, τότε η αντίστοιχη θέση του pixel σε έναν άλλο πίνακα frame_dif γίνεται μαύρη (τιμή 0), διαφορετικά γίνεται άσπρη (τιμή 255). 2. b_back_reg_mask.m 1. % b_back_reg_mask.m [m,n,k]=size(frame_dif); flag_back=zeros(m,n); 6. back_reg1=zeros(m,n); 7. temp(:,:)=frame_dif(:,:,1); 8. for x=1:m 9. for y=1:n 10. for i=2:k 11. temp(x,y)=temp(x,y)+frame_dif(x,y,i); if temp(x,y)>4 14. back_reg1(x,y)=b(x,y,i); 15. flag_back(x,y)=255; 16. break end 19. end 20. end 21. end 22. back_reg=uint8(back_reg1); [33]

37 Σε αυτό το βήμα αρχικοποιούμε τρεις πίνακες, τους flag_back και back_reg1 και temp, οι οποίοι είναι δύο διαστάσεων. Ο temp είναι ένας στατικός πίνακας όπου καταγράφονται οι διαφορές των frames. Δηλαδή, για κάθε pixel προσθέτουμε διαδοχικά την τιμή που έχει αυτό σε κάθε frame. Αν το άθροισμα να ξεπεράσει κάποια προκαθορισμένη τιμή, την οποία επιλέγουμε πειραματικά, τότε η τιμή του pixel στο τρέχον frame (b(x,y,i)) αντιγράφεται στο αντίστοιχο pixel στον buffer του φόντου, δηλαδή στον πίνακα back_reg1 που είναι επίσης στατικός. Διαφορετικά, η αντίστοιχη θέση στον πίνακα flag_back γίνεται άσπρη (τιμή 255), πράγμα που σημαίνει ότι το συγκεκριμένο pixel δε ξέρουμε αν ανήκει στο φόντο. Μ αυτόν τον τρόπο δημιουργείται η μάσκα καταγραφής του φόντου. [34]

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης

Μεταπτυχιακό 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 περισσότερα

ΠΑΝΕΠΙΤΗΜΙΟ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ

ΠΑΝΕΠΙΤΗΜΙΟ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΠΑΝΕΠΙΤΗΜΙΟ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ 1 ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Κατασκευή εφαρμογής ανίχνευσης κινούμενων αντικειμένων ή αντικειμένων που εναποτέθηκαν με χρήση όρασης

Διαβάστε περισσότερα

Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση

Κατάτµηση 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 περισσότερα

Ενδεικτική πολυ-εργασία 1 - εφαρμογή στην υπολογιστική όραση

Ενδεικτική πολυ-εργασία 1 - εφαρμογή στην υπολογιστική όραση Ενδεικτική πολυ-εργασία 1 - εφαρμογή στην υπολογιστική όραση Εντοπισμός ενός σήματος STOP σε μια εικόνα. Περιγράψτε τη διαδικασία με την οποία μπορώ να εντοπίσω απλά σε μια εικόνα την ύπαρξη του παρακάτω

Διαβάστε περισσότερα

Ακαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΕΣ 3: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Ακαδημαϊκό Έτος 7 8, Χειμερινό Εξάμηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Το παρόν

Διαβάστε περισσότερα

Μια «ανώδυνη» εισαγωγή στο μάθημα (και στο MATLAB )

Μια «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 περισσότερα

710 -Μάθηση - Απόδοση

710 -Μάθηση - Απόδοση 710 -Μάθηση - Απόδοση Διάλεξη 6η Ποιοτική αξιολόγηση της Κινητικής Συμπεριφοράς Παρατήρηση III Η διάλεξη αυτή περιλαμβάνει: Διαδικασία της παρατήρησης & της αξιολόγησης Στόχοι και περιεχόμενο παρατήρησης

Διαβάστε περισσότερα

Εργαστήριο Προγραμματισμού και τεχνολογίας Ευφυών συστημάτων (intelligence)

Εργαστήριο Προγραμματισμού και τεχνολογίας Ευφυών συστημάτων (intelligence) Εργαστήριο Προγραμματισμού και τεχνολογίας Ευφυών συστημάτων (intelligence) http://www.intelligence.tuc.gr Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Το εργαστήριο Ένα από τα 3 εργαστήρια του

Διαβάστε περισσότερα

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Μαθηματική μορφολογία Μαθηματική μορφολογία Γενικά Παρέχει εργαλεία για την επεξεργασία εικόνας

Διαβάστε περισσότερα

710 -Μάθηση - Απόδοση

710 -Μάθηση - Απόδοση 710 -Μάθηση - Απόδοση Διάλεξη 6η Ποιοτική αξιολόγηση της Κινητικής Παρατήρηση Αξιολόγηση & Διάγνωση Η διάλεξη αυτή περιλαμβάνει: Διαδικασία της παρατήρησης & της αξιολόγησης Στόχοι και περιεχόμενο παρατήρησης

Διαβάστε περισσότερα

Ειδικά 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 Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Εκτίµηση Κίνησης Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα

Διαβάστε περισσότερα

Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση 24/6/2013. Τηλεπισκόπηση. Κ. Ποϊραζίδης ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ

Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση 24/6/2013. Τηλεπισκόπηση. Κ. Ποϊραζίδης ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ Κ. Ποϊραζίδης Η ταξινόμηση εικόνας αναφέρεται στην ερμηνεία με χρήση υπολογιστή των τηλεπισκοπικών εικόνων. Παρόλο που ορισμένες διαδικασίες έχουν τη δυνατότητα να συμπεριλάβουν πληροφορίες

Διαβάστε περισσότερα

Ειδικές Επιστηµονικές Εργασίες

Ειδικές Επιστηµονικές Εργασίες Ειδικές Επιστηµονικές Εργασίες 2005-2006 1. Ανίχνευση προσώπων από ακολουθίες video και παρακολούθηση (face detection & tracking) Η ανίχνευση προσώπου (face detection) αποτελεί το 1 ο βήµα σε ένα αυτόµατο

Διαβάστε περισσότερα

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση

Μετάδοση 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 περισσότερα

ΑΝΤΩΝΙΟΣ ΛΥΡΩΝΗΣ ΧΑΝΙΑ 2011. Σκοπός Εργασίας Εντοπισμός πλίνθων σε σειρά ορθοφωτογραφιών και εξαγωγή δισδιάστατης αποτύπωσης των τειχών.

ΑΝΤΩΝΙΟΣ ΛΥΡΩΝΗΣ ΧΑΝΙΑ 2011. Σκοπός Εργασίας Εντοπισμός πλίνθων σε σειρά ορθοφωτογραφιών και εξαγωγή δισδιάστατης αποτύπωσης των τειχών. 1 ΑΝΤΩΝΙΟΣ ΛΥΡΩΝΗΣ ΧΑΝΙΑ 2011 2 Σκοπός Εργασίας Εντοπισμός πλίνθων σε σειρά ορθοφωτογραφιών και εξαγωγή δισδιάστατης αποτύπωσης των τειχών. Ενδεδειγμένες και αξιόπιστες μέθοδοι αποτύπωσης Εμπειρικές Τοπογραφικές

Διαβάστε περισσότερα

Digital Image Processing

Digital Image Processing Digital Image Processing Μορφολογική Επεξεργασία Εικόνας Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Μορφολογική Επεξεργασία

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας. Παρουσίαση Νο. 1. Εισαγωγή

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας. Παρουσίαση Νο. 1. Εισαγωγή Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ακαδημαϊκό Έτος 2015-16 Παρουσίαση Νο. 1 Εισαγωγή Τι είναι η εικόνα; Οτιδήποτε μπορούμε να δούμε ή να απεικονίσουμε Π.χ. Μια εικόνα τοπίου αλλά και η απεικόνιση

Διαβάστε περισσότερα

Οδηγίες σχεδίασης στο περιβάλλον Blender

Οδηγίες σχεδίασης στο περιβάλλον Blender Οδηγίες σχεδίασης στο περιβάλλον Blender Στον πραγματικό κόσμο, αντιλαμβανόμαστε τα αντικείμενα σε τρεις κατευθύνσεις ή διαστάσεις. Τυπικά λέμε ότι διαθέτουν ύψος, πλάτος και βάθος. Όταν θέλουμε να αναπαραστήσουμε

Διαβάστε περισσότερα

Ε.Α.Υ. Υπολογιστική Όραση. Κατάτμηση Εικόνας

Ε.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 περισσότερα

Κατάτµηση εικόνας σε οµοιόµορφες περιοχές

Κατάτµηση εικόνας σε οµοιόµορφες περιοχές KEΣ 03 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Κατάτµηση εικόνας σε οµοιόµορφες περιοχές ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Εισαγωγή Κατάτµηση µε πολυκατωφλίωση Ανάπτυξη

Διαβάστε περισσότερα

ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «ΕΝΤΟΠΙΣΜΟΣ ΑΝΤΙΚΕΙΜΕΝΩΝ ΑΠΟ ΠΟΛΛΑΠΛΕΣ ΚΑΜΕΡΕΣ»

ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «ΕΝΤΟΠΙΣΜΟΣ ΑΝΤΙΚΕΙΜΕΝΩΝ ΑΠΟ ΠΟΛΛΑΠΛΕΣ ΚΑΜΕΡΕΣ» Πολυτεχνείο Κρήτης Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «ΕΝΤΟΠΙΣΜΟΣ ΑΝΤΙΚΕΙΜΕΝΩΝ ΑΠΟ ΠΟΛΛΑΠΛΕΣ ΚΑΜΕΡΕΣ» Φοιτήτρια: Αναστασία Πεντάρη ΑΜ: 2005030009 Επιτροπή: Ζερβάκης

Διαβάστε περισσότερα

Μάθημα: Μηχανική Όραση

Μάθημα: 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 περισσότερα

Κατακερματισμός (Hashing)

Κατακερματισμός (Hashing) Κατακερματισμός (Hashing) O κατακερματισμός είναι μια τεχνική οργάνωσης ενός αρχείου. Είναι αρκετά δημοφιλής μέθοδος για την οργάνωση αρχείων Βάσεων Δεδομένων, καθώς βοηθάει σημαντικά στην γρήγορη αναζήτηση

Διαβάστε περισσότερα

DIP_05 Τμηματοποίηση εικόνας. ΤΕΙ Κρήτης

DIP_05 Τμηματοποίηση εικόνας. ΤΕΙ Κρήτης DIP_05 Τμηματοποίηση εικόνας ΤΕΙ Κρήτης ΤΜΗΜΑΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Τμηματοποίηση εικόνας είναι η διαδικασία με την οποία διαχωρίζεται μία εικόνα σε κατάλληλες περιοχές ή αντικείμενα. Για την τμηματοποίηση

Διαβάστε περισσότερα

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης

Μεταπτυχιακό 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 περισσότερα

ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ

ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ ΕΠΙΜΟΡΦΩΣΗ ΤΩΝ ΕΚΠΑΙΔΕΥΤΙΚΩΝ ΓΙΑ ΤΗΝ ΑΞΙΟΠΟΙΗΣΗ ΚΑΙ ΕΦΑΡΜΟΓΗ ΤΩΝ ΤΠΕ ΣΤΗ ΔΙΔΑΚΤΙΚΗ ΠΡΑΞΗ ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ ΟΡΙΟ ΣΥΝΑΡΤΗΣΗΣ ΕΞ ΑΡΙΣΤΕΡΩΝ ΚΑΙ ΕΚ ΔΕΞΙΩΝ ΣΥΓΓΡΑΦΕΑΣ: ΚΟΥΤΙΔΗΣ ΙΩΑΝΝΗΣ

Διαβάστε περισσότερα

Κεφάλαιο 9. Έλεγχοι υποθέσεων

Κεφάλαιο 9. Έλεγχοι υποθέσεων Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές

Διαβάστε περισσότερα

Ψηφιακή 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 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 περισσότερα

Τεράστιες ανάγκες σε αποθηκευτικό χώρο

Τεράστιες ανάγκες σε αποθηκευτικό χώρο ΣΥΜΠΙΕΣΗ Τεράστιες ανάγκες σε αποθηκευτικό χώρο Παράδειγμα: CD-ROM έχει χωρητικότητα 650MB, χωρά 75 λεπτά ασυμπίεστου στερεοφωνικού ήχου, αλλά 30 sec ασυμπίεστου βίντεο. Μαγνητικοί δίσκοι χωρητικότητας

Διαβάστε περισσότερα

ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ

ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ 1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού

Διαβάστε περισσότερα

Άσκηση 11 Υπολογισμός συντελεστών κινητικής και στατικής τριβής

Άσκηση 11 Υπολογισμός συντελεστών κινητικής και στατικής τριβής Άσκηση 11 Υπολογισμός συντελεστών κινητικής και στατικής τριβής Σύνοψη Σκοπός της συγκεκριμένης άσκησης είναι: Να υπολογιστεί ο συντελεστής κινητικής τριβής μ κ. Να υπολογιστεί ο συντελεστής στατικής τριβής

Διαβάστε περισσότερα

MPEG-7 : Περιγραφή πολυμεσικού περιεχομένου

MPEG-7 : Περιγραφή πολυμεσικού περιεχομένου MPEG-7 : Περιγραφή πολυμεσικού περιεχομένου Εξαγωγή μεταδεδομένων / περιγραφών Χαμηλού επιπέδου περιγραφείς Συντακτικός και σημασιολογικός ορισμός Ανάκτηση πολυμεσικών τεκμηρίων XML / OWL Δημοσίευση 2002

Διαβάστε περισσότερα

1. Τι είναι η Κινηματική; Ποια κίνηση ονομάζεται ευθύγραμμη;

1. Τι είναι η Κινηματική; Ποια κίνηση ονομάζεται ευθύγραμμη; ΚΕΦΑΛΑΙΟ 2 ο ΚΙΝΗΣΗ 2.1 Περιγραφή της Κίνησης 1. Τι είναι η Κινηματική; Ποια κίνηση ονομάζεται ευθύγραμμη; Κινηματική είναι ο κλάδος της Φυσικής που έχει ως αντικείμενο τη μελέτη της κίνησης. Στην Κινηματική

Διαβάστε περισσότερα

ΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ

ΙΑΤΡΙΚΗ 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 περισσότερα

DIP_01 Εισαγωγήστην ψηφιακήεικόνα. ΤΕΙ Κρήτης

DIP_01 Εισαγωγήστην ψηφιακήεικόνα. ΤΕΙ Κρήτης DIP_01 Εισαγωγήστην ψηφιακήεικόνα ΤΕΙ Κρήτης Ψηφιακήεικόνα Ψηφιακή εικόνα = αναλογική εικόνα µετά από δειγµατοληψία στο χώρο (x και y διευθύνσεις) Αναπαριστάνεται από έναν ή περισσότερους 2 πίνακες Μπορεί

Διαβάστε περισσότερα

Προβλήματα, αλγόριθμοι, ψευδοκώδικας

Προβλήματα, αλγόριθμοι, ψευδοκώδικας Προβλήματα, αλγόριθμοι, ψευδοκώδικας October 11, 2011 Στο μάθημα Αλγοριθμική και Δομές Δεδομένων θα ασχοληθούμε με ένα μέρος της διαδικασίας επίλυσης υπολογιστικών προβλημάτων. Συγκεκριμένα θα δούμε τι

Διαβάστε περισσότερα

Κίνηση ΚΕΦΑΛΑΙΟ 2 Β ΓΥΜΝΑΣΙΟΥ

Κίνηση ΚΕΦΑΛΑΙΟ 2 Β ΓΥΜΝΑΣΙΟΥ Κίνηση ΚΕΦΑΛΑΙΟ 2 Β ΓΥΜΝΑΣΙΟΥ 2.1 Περιγραφή της Κίνησης 1. Τι είναι η Κινηματική; Ποια κίνηση ονομάζεται ευθύγραμμη; Κινηματική είναι ο κλάδος της Φυσικής που έχει ως αντικείμενο τη μελέτη της κίνησης.

Διαβάστε περισσότερα

Ακαδηµαϊκό Έτος , Χειµερινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδηµαϊκό 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 περισσότερα

Σ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

Σ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Σ ΤΑΤ Ι Σ Τ Ι Κ Η i ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Κατανομή Δειγματοληψίας του Δειγματικού Μέσου Ο Δειγματικός Μέσος X είναι μια Τυχαία Μεταβλητή. Καθώς η επιλογή και χρήση διαφορετικών δειγμάτων από έναν

Διαβάστε περισσότερα

Γραφικά Υπολογιστών: Μέθοδοι Ανίχνευσης Επιφανειών (Surface Detection Methods)

Γραφικά Υπολογιστών: Μέθοδοι Ανίχνευσης Επιφανειών (Surface Detection Methods) 1 ΤΕΙ Θεσσαλονίκης Τμήμα Πληροφορικής Γραφικά Υπολογιστών: Μέθοδοι Ανίχνευσης Επιφανειών (Surface Detection Methods) Πασχάλης Ράπτης http://aetos.it.teithe.gr/~praptis praptis@it.teithe.gr 2 Περιεχόμενα

Διαβάστε περισσότερα

DIP_01 Εισαγωγή στην ψηφιακή εικόνα. ΤΕΙ Κρήτης

DIP_01 Εισαγωγή στην ψηφιακή εικόνα. ΤΕΙ Κρήτης DIP_01 Εισαγωγή στην ψηφιακή εικόνα ΤΕΙ Κρήτης Πληροφορίες Μαθήματος ιαλέξεις Πέμπτη 12:15 15:00 Αιθουσα Γ7 ιδάσκων:. Κοσμόπουλος Γραφείο: Κ23-0-15 (ισόγειο( κλειστού γυμναστηρίου) Ωρες γραφείου Τε 16:00

Διαβάστε περισσότερα

E [ -x ^2 z] = E[x z]

E [ -x ^2 z] = E[x z] 1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ

Ψηφιακή 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 περισσότερα

Α. Θα καλεί υποπρόγραμμα INPUT που θα διαβάζει τις τιμές του πίνακα MAP.

Α. Θα καλεί υποπρόγραμμα INPUT που θα διαβάζει τις τιμές του πίνακα MAP. Διαγώνισμα νάπτυξης Εφαρμογών Γ Λυκείου Θέμα Το GIS είναι ένα υπολογιστικό σύστημα το οποίο χρησιμοποιείται για την συλλογή, αποθήκευση και ανάλυση δεδομένων και πληροφοριών με γεωγραφική διάσταση. Ένα

Διαβάστε περισσότερα

Η διαδικασία Παραγωγής Συνθετικής Εικόνας (Rendering)

Η διαδικασία Παραγωγής Συνθετικής Εικόνας (Rendering) Υφή Η διαδικασία Παραγωγής Συνθετικής Εικόνας (Rendering) Θέσεις αντικειμένων και φωτεινών πηγών Θέση παρατηρητή 3D Μοντέλα 3Δ Μετασχ/σμοί Μοντέλου 3Δ Μετασχ/σμός Παρατήρησης Απομάκρυνση Πίσω Επιφανειών

Διαβάστε περισσότερα

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1

Μάθημα 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 περισσότερα

ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ

ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΣΕΡΡΩΝ Τμήμα ΠΛΗΡΟΦΟΡΙΚΗΣ & ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ

Διαβάστε περισσότερα

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1

Μάθημα 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 περισσότερα

ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ

ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΑ ΤΕΙ 2.2.2.3ζ ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΓΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ Εγχειρίδιο χρήσης λογισμικού ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΥΠΕΥΘΥΝΟΣ: ΣΤΡΟΥΘΟΠΟΥΛΟΣ ΧΑΡΑΛΑΜΠΟΣ ΣΕΡΡΕΣ, ΜΑΙΟΣ 2007 ΠΕΡΙΕΧΟΜΕΝΑ

Διαβάστε περισσότερα

E[ (x- ) ]= trace[(x-x)(x- ) ]

E[ (x- ) ]= trace[(x-x)(x- ) ] 1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού

Διαβάστε περισσότερα

Κατακερματισμός. 4/3/2009 Μ.Χατζόπουλος 1

Κατακερματισμός. 4/3/2009 Μ.Χατζόπουλος 1 Κατακερματισμός 4/3/2009 Μ.Χατζόπουλος 1 H ιδέα που βρίσκεται πίσω από την τεχνική του κατακερματισμού είναι να δίνεται μια συνάρτησης h, που λέγεται συνάρτηση κατακερματισμού ή παραγωγής τυχαίων τιμών

Διαβάστε περισσότερα

Ειδικά 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 Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Σύνθεση Πανοράµατος Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή

Διαβάστε περισσότερα

Προηγµένη ιασύνδεση µε τοπεριβάλλον

Προηγµένη ιασύνδεση µε τοπεριβάλλον Προηγµένη ιασύνδεση µε τοπεριβάλλον! Επεξεργασία φυσικής γλώσσας # Κατανόηση φυσικής γλώσσας # Παραγωγή φυσικής γλώσσας! Τεχνητή όραση! Ροµποτική Κατανόηση Φυσικής Γλώσσας! Αναγνώριση οµιλίας (Speech recognition)!

Διαβάστε περισσότερα

Digital Image Processing

Digital Image Processing Digital Image Processing Intensity Transformations Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Image Enhancement: είναι

Διαβάστε περισσότερα

Digital Image Processing

Digital 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 περισσότερα

Μάθημα 10 ο. Περιγραφή Σχήματος ΤΜΗΥΠ / ΕΕΣΤ 1

Μάθημα 10 ο. Περιγραφή Σχήματος ΤΜΗΥΠ / ΕΕΣΤ 1 Μάθημα 10 ο Περιγραφή Σχήματος ΤΜΗΥΠ / ΕΕΣΤ 1 Εισαγωγή (1) Η περιγραφή μίας περιοχής μπορεί να γίνει: Με βάση τα εξωτερικά χαρακτηριστικά (ακμές, όρια). Αυτή η περιγραφή προτιμάται όταν μας ενδιαφέρουν

Διαβάστε περισσότερα

ΚΑΤΑΓΡΑΦΗ ΤΟΥ ΙΧΝΟΥΣ ΤΗΣ ΟΠΤΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ: ΜΙΑ ΜΕΘΟΔΟΣ ΔΙΕΡΕΥΝΗΣΗΣ ΤΗΣ ΕΠΙΛΕΚΤΙΚΟΤΗΤΑΣ ΤΗΣ ΟΠΗΣ ΩΣ ΒΑΣΙΚΟΥ ΧΑΡΑΚΤΗΡΙΣΤΙΚΟΥ ΤΟΥ ΣΧΗΜΑΤΟΣ

ΚΑΤΑΓΡΑΦΗ ΤΟΥ ΙΧΝΟΥΣ ΤΗΣ ΟΠΤΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ: ΜΙΑ ΜΕΘΟΔΟΣ ΔΙΕΡΕΥΝΗΣΗΣ ΤΗΣ ΕΠΙΛΕΚΤΙΚΟΤΗΤΑΣ ΤΗΣ ΟΠΗΣ ΩΣ ΒΑΣΙΚΟΥ ΧΑΡΑΚΤΗΡΙΣΤΙΚΟΥ ΤΟΥ ΣΧΗΜΑΤΟΣ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΧΑΡΤΟΓΡΑΦΙΑΣ ΚΑΤΑΓΡΑΦΗ ΤΟΥ ΙΧΝΟΥΣ ΤΗΣ ΟΠΤΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ: ΜΙΑ ΜΕΘΟΔΟΣ ΔΙΕΡΕΥΝΗΣΗΣ ΤΗΣ ΕΠΙΛΕΚΤΙΚΟΤΗΤΑΣ

Διαβάστε περισσότερα

Σχεδιασμός και κατασκευή εφαρμογής ταξινόμησης αντικειμένων σε γραμμή μεταφοράς προϊόντων με χρήση όρασης μηχανής

Σχεδιασμός και κατασκευή εφαρμογής ταξινόμησης αντικειμένων σε γραμμή μεταφοράς προϊόντων με χρήση όρασης μηχανής Πανεπιστήμιο Δυτικής Μακεδονίας Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Σχεδιασμός και κατασκευή εφαρμογής ταξινόμησης αντικειμένων σε γραμμή μεταφοράς προϊόντων με χρήση όρασης μηχανής Λοΐζου

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Εισαγωγή στην κατάτμηση εικόνας Τεχνικές

Διαβάστε περισσότερα

1. Ποια μεγέθη ονομάζονται μονόμετρα και ποια διανυσματικά;

1. Ποια μεγέθη ονομάζονται μονόμετρα και ποια διανυσματικά; ΚΕΦΑΛΑΙΟ 2 ο ΚΙΝΗΣΗ 2.1 Περιγραφή της Κίνησης 1. Ποια μεγέθη ονομάζονται μονόμετρα και ποια διανυσματικά; Μονόμετρα ονομάζονται τα μεγέθη τα οποία, για να τα προσδιορίσουμε πλήρως, αρκεί να γνωρίζουμε

Διαβάστε περισσότερα

ΡΟΜΠΟΤΙΚΗ ΟΡΑΣΗ. Όταν ένα ρομπότ κινείται σε άγνωστο χώρο ή σε χώρο που μπορεί να αλλάξει η διάταξή του τότε εμφανίζεται η ανάγκη της όρασης μηχανής.

ΡΟΜΠΟΤΙΚΗ ΟΡΑΣΗ. Όταν ένα ρομπότ κινείται σε άγνωστο χώρο ή σε χώρο που μπορεί να αλλάξει η διάταξή του τότε εμφανίζεται η ανάγκη της όρασης μηχανής. ΡΟΜΠΟΤΙΚΗ ΟΡΑΣΗ Όταν ένα ρομπότ κινείται σε άγνωστο χώρο ή σε χώρο που μπορεί να αλλάξει η διάταξή του τότε εμφανίζεται η ανάγκη της όρασης μηχανής. Αισθητήρες που χρησιμοποιούνται για να αντιλαμβάνεται

Διαβάστε περισσότερα

5.1.1 Περιγραφή των συστατικών τμημάτων ενός γραφήματος

5.1.1 Περιγραφή των συστατικών τμημάτων ενός γραφήματος 5. Γραφήματα 5.1 Εισαγωγή 5.1.1 Περιγραφή των συστατικών τμημάτων ενός γραφήματος Το Discoverer παρέχει μεγάλες δυνατότητες στη δημιουργία γραφημάτων, καθιστώντας δυνατή τη διαμόρφωση κάθε συστατικού μέρους

Διαβάστε περισσότερα

MPEG-4 : Διαδραστικές εφαρμογές πολυμέσων

MPEG-4 : Διαδραστικές εφαρμογές πολυμέσων MPEG-4 : Διαδραστικές εφαρμογές πολυμέσων Συμπίεση οπτικοακουστικών δεδομένων για το Διαδίκτυο Οπτικοί δίσκοι Ψηφιακή τηλεόραση (επίγεια, δορυφορική) Συμβατότητα με MPEG-1 και MPEG-2 Συνθετική σκηνή Εισαγωγή

Διαβάστε περισσότερα

ΕΣΔ 200: ΔΗΜΙΟΥΡΓΙΑ ΠΕΡΙΕΧΟΜΕΝΟΥ ΙΙ. Ακαδημαϊκό Έτος 2011 2012, Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης

ΕΣΔ 200: ΔΗΜΙΟΥΡΓΙΑ ΠΕΡΙΕΧΟΜΕΝΟΥ ΙΙ. Ακαδημαϊκό Έτος 2011 2012, Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ, ΤΜΗΜΑ ΕΠΙΚΟΙΝΩΝΙΑΣ & ΣΠΟΥΔΩΝ ΔΙΑΔΙΚΤΥΟΥ ΕΣΔ 200: ΔΗΜΙΟΥΡΓΙΑ ΠΕΡΙΕΧΟΜΕΝΟΥ ΙΙ Ακαδημαϊκό Έτος 2011 2012, Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ

Διαβάστε περισσότερα

1 ο Εργαστήριο Συντεταγμένες, Χρώματα, Σχήματα

1 ο Εργαστήριο Συντεταγμένες, Χρώματα, Σχήματα 1 ο Εργαστήριο Συντεταγμένες, Χρώματα, Σχήματα 1. Σύστημα Συντεταγμένων Το σύστημα συντεταγμένων που έχουμε συνηθίσει από το σχολείο τοποθετούσε το σημείο (0,0) στο σημείο τομής των δυο αξόνων Χ και Υ.

Διαβάστε περισσότερα

ΧΡΗΣΗ ΝΕΩΝ ΟΠΤΙΚΩΝ ΚΑΙ ΨΗΦΙΑΚΩΝ ΜΕΘΟΔΩΝ ΓΙΑ ΤΗΝ ΑΝΤΙΓΡΑΦΗ ΤΡΙΣΔΙΑΣΤΑΤΩΝ ΑΝΤΙΚΕΙΜΕΝΩΝ ΣΤΕΦΑΝΙΑ ΧΛΟΥΒΕΡΑΚΗ 2014

ΧΡΗΣΗ ΝΕΩΝ ΟΠΤΙΚΩΝ ΚΑΙ ΨΗΦΙΑΚΩΝ ΜΕΘΟΔΩΝ ΓΙΑ ΤΗΝ ΑΝΤΙΓΡΑΦΗ ΤΡΙΣΔΙΑΣΤΑΤΩΝ ΑΝΤΙΚΕΙΜΕΝΩΝ ΣΤΕΦΑΝΙΑ ΧΛΟΥΒΕΡΑΚΗ 2014 ΧΡΗΣΗ ΝΕΩΝ ΟΠΤΙΚΩΝ ΚΑΙ ΨΗΦΙΑΚΩΝ ΜΕΘΟΔΩΝ ΓΙΑ ΤΗΝ ΑΝΤΙΓΡΑΦΗ ΤΡΙΣΔΙΑΣΤΑΤΩΝ ΑΝΤΙΚΕΙΜΕΝΩΝ ΣΤΕΦΑΝΙΑ ΧΛΟΥΒΕΡΑΚΗ 2014 ΧΡΗΣΗ ΝΕΩΝ ΟΠΤΙΚΩΝ ΚΑΙ ΨΗΦΙΑΚΩΝ ΜΕΘΟΔΩΝ ΓΙΑ ΤΗΝ ΑΝΤΙΓΡΑΦΗ ΤΡΙΣΔΙΑΣΤΑΤΩΝ ΑΝΤΙΚΕΙΜΕΝΩΝ Η χρήση

Διαβάστε περισσότερα

Παρουσίαση Νο. 5 Βελτίωση εικόνας

Παρουσίαση 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 περισσότερα

Υπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου

Υπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου Ανάλυση Εικόνων Εικόνα : μορφή πληροφορίας Ανάλυση : εξαγωγή γνώσης Υπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου Θέματα ειδίκευσης Υπολογιστική Όραση

Διαβάστε περισσότερα

Μεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων»

Μεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων» Μεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων» Οδηγίες: Σχετικά με την παράδοση της εργασίας θα πρέπει: Το κείμενο

Διαβάστε περισσότερα

Εισαγωγή, Βασικές Έννοιες, Οφέλη και Κίνδυνοι

Εισαγωγή, Βασικές Έννοιες, Οφέλη και Κίνδυνοι Εισαγωγή, Βασικές Έννοιες, Οφέλη και Κίνδυνοι Ευθύμιος Ταμπούρης tambouris@uom.gr Επιστημονική Επιχειρηματική Χρήση των Η/Υ Η επιστημονική κοινότητα ασχολείται με τη λύση πολύπλοκων μαθηματικών προβλημάτων

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΑΡΧΕΣ ΤΗΣ ΕΠΙΣΤΗΜΗΣ ΤΩΝ Η/Υ

ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΑΡΧΕΣ ΤΗΣ ΕΠΙΣΤΗΜΗΣ ΤΩΝ Η/Υ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΑΡΧΕΣ ΤΗΣ ΕΠΙΣΤΗΜΗΣ ΤΩΝ Η/Υ ΜΕΡΛΙΑΟΥΝΤΑΣ ΣΤΕΦΑΝΟΣ, ΠΕ19 ΚΕΦΑΛΑΙΟ 3 Αλγόριθμοι 3. Αλγόριθμοι 2 3. Αλγόριθμοι 3.1 Η έννοια του αλγορίθμου 3.2 Χαρακτηριστικά αλγορίθμου 3.3 Ανάλυση αλγορίθμων

Διαβάστε περισσότερα

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium iv Στατιστική Συμπερασματολογία Ι Σημειακές Εκτιμήσεις Διαστήματα Εμπιστοσύνης Στατιστική Συμπερασματολογία (Statistical Inference) Το πεδίο της Στατιστικής Συμπερασματολογία,

Διαβάστε περισσότερα

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Εισαγωγή Τι είναι η εικόνα; Μια οπτική αναπαράσταση με την μορφή μιας συνάρτησης f(x, y) όπου η

Διαβάστε περισσότερα

Εικόνα. Τεχνολογία Πολυμέσων και Πολυμεσικές Επικοινωνίες 05-1

Εικόνα. Τεχνολογία Πολυμέσων και Πολυμεσικές Επικοινωνίες 05-1 Εικόνα Εισαγωγή Ψηφιακή αναπαράσταση Κωδικοποίηση των χρωμάτων Συσκευές εισόδου και εξόδου Βάθος χρώματος και ανάλυση Συμβολική αναπαράσταση Μετάδοση εικόνας Σύνθεση εικόνας Ανάλυση εικόνας Τεχνολογία

Διαβάστε περισσότερα

ιαφάνειες μαθήματος "Φωτογραμμετρία ΙΙΙ" (0) Γ. Καρράς_12/2011

ιαφάνειες μαθήματος Φωτογραμμετρία ΙΙΙ (0) Γ. Καρράς_12/2011 Ιστορική Εξέλιξη Φωτογραμμετρίας 1525 Dürer νόμοι προοπτικής 1759 Lambert εμπροσθοτομία 1839 Daguerre φωτογραφία 1851 Laussedat μετρογραφία 1858 Meydenbauer φωτογραμμετρία 1897 Scheimpflug θεωρία αναγωγής

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας. Παρουσίαση 12 η. Θεωρία Χρώματος και Επεξεργασία Έγχρωμων Εικόνων

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας. Παρουσίαση 12 η. Θεωρία Χρώματος και Επεξεργασία Έγχρωμων Εικόνων Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Παρουσίαση 12 η Θεωρία Χρώματος και Επεξεργασία Έγχρωμων Εικόνων Εισαγωγή (1) Το χρώμα είναι ένας πολύ σημαντικός παράγοντας περιγραφής, που συχνά απλουστεύει κατά

Διαβάστε περισσότερα

Ανάκτηση πολυμεσικού περιεχομένου

Ανάκτηση πολυμεσικού περιεχομένου Ανάκτηση πολυμεσικού περιεχομένου Ανίχνευση / αναγνώριση προσώπων Ανίχνευση / ανάγνωση κειμένου Ανίχνευση αντικειμένων Οπτικές λέξεις Δεικτοδότηση Σχέσεις ομοιότητας Κατηγοριοποίηση ειδών μουσικής Διάκριση

Διαβάστε περισσότερα

Είδη Διορθωτών: Υπάρχουν πολλών ειδών διορθωτές. Μία βασική ταξινόμησή τους είναι οι «Ειδικοί Διορθωτές» και οι «Κλασσικοί Διορθωτές».

Είδη Διορθωτών: Υπάρχουν πολλών ειδών διορθωτές. Μία βασική ταξινόμησή τους είναι οι «Ειδικοί Διορθωτές» και οι «Κλασσικοί Διορθωτές». ΔΙΟΡΘΩΣΗ ΣΑΕ Είδη Διορθωτών: Οι Διορθωτές έχουν την δική τους (Σ.Μ). Ενσωματώνονται στον βρόχο του ΣΑΕ και δρουν πάνω στην αρχική Σ.Μ κατά τρόπο ώστε να της προσδώσουν την επιθυμητή συμπεριφορά, την οποία

Διαβάστε περισσότερα

ΚΕΣ 03: Αναγνώριση Προτύπων και Ανάλυση Εικόνας. KEΣ 03 Αναγνώριση Προτύπων και Ανάλυση Εικόνας. Κατάτµηση Εικόνων:

ΚΕΣ 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 περισσότερα

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης

Μεταπτυχιακό 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 περισσότερα

5ο Μάθημα Αλγόριθμοι Σχεδίασης Βασικών Σχημάτων

5ο Μάθημα Αλγόριθμοι Σχεδίασης Βασικών Σχημάτων 5ο Μάθημα Αλγόριθμοι Σχεδίασης Βασικών Σχημάτων Γραφικα Τμήμα Πληροφορικής Πανεπιστήμιο Θεσσαλίας Ακ Έτος 2016-17 Εισαγωγή Ευθεία Κύκλος Έλλειψη Σύνοψη του σημερινού μαθήματος 1 Εισαγωγή 2 Ευθεία 3 Κύκλος

Διαβάστε περισσότερα

MPEG-4: Διαδραστικές εφαρμογές πολυμέσων

MPEG-4: Διαδραστικές εφαρμογές πολυμέσων MPEG-4: Διαδραστικές εφαρμογές πολυμέσων Γιώργος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών http://www.csd.uoc.gr/~tziritas Άνοιξη 2016 1 Εισαγωγή Δημοσίευση 1998 (Intern. Telecom. Union) Επικοινωνίες με πολυμέσα,

Διαβάστε περισσότερα

5. Απλή Ταξινόμηση. ομές εδομένων. Χρήστος ουλκερίδης. Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων

5. Απλή Ταξινόμηση. ομές εδομένων. Χρήστος ουλκερίδης. Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων 5. Απλή Ταξινόμηση 2 ομές εδομένων 4 5 Χρήστος ουλκερίδης Τμήμα Ψηφιακών Συστημάτων 11/11/2016 Εισαγωγή Η

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 8 «ΑΠΟΤΕΛΕΣΜΑΤΑ»

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 8 «ΑΠΟΤΕΛΕΣΜΑΤΑ» ΠΕΡΙΕΧΟΜΕΝΑ I.ΤΟ ΝΕΟ ΑΝΑΒΑΘΜΙΣΜΕΝΟ ΠΕΡΙΒΑΛΛΟΝ ΤΟΥ SCADA Pro 3 II.ΑΝΑΛΥΤΙΚΗ ΠΕΡΙΓΡΑΦΗ ΤΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΡΓΑΣΙΑΣ 4 1. Αποτελέσματα 4 1.1 Διαγράμματα Παραμορφώσεις 5 1.2 Βοηθητικά 17 2 I. ΤΟ ΝΕΟ ΑΝΑΒΑΘΜΙΣΜΕΝΟ

Διαβάστε περισσότερα

Κεφάλαιο 9. Έλεγχοι υποθέσεων

Κεφάλαιο 9. Έλεγχοι υποθέσεων Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές

Διαβάστε περισσότερα

Εργαστήριο «Τεχνολογία Πολιτισμικού Λογισμικού» Ενότητα. Επεξεργασία πινάκων

Εργαστήριο «Τεχνολογία Πολιτισμικού Λογισμικού» Ενότητα. Επεξεργασία πινάκων Ενότητα 4 Επεξεργασία πινάκων 36 37 4.1 Προσθήκη πεδίων Για να εισάγετε ένα πεδίο σε ένα πίνακα που υπάρχει ήδη στη βάση δεδομένων σας, βάζετε τον κέρσορα του ποντικιού στο πεδίο πάνω από το οποίο θέλετε

Διαβάστε περισσότερα

Κεφάλαιο 8. Οπτικοποίηση Απαλοιφή

Κεφάλαιο 8. Οπτικοποίηση Απαλοιφή Κεφάλαιο 8. Οπτικοποίηση Απαλοιφή Oι οπτικές επιδράσεις, που μπορεί να προκαλέσει μια εικόνα στους χρήστες, αποτελούν ένα από τα σπουδαιότερα αποτελέσματα των λειτουργιών γραφικών με Η/Υ. Τον όρο της οπτικοποίησης

Διαβάστε περισσότερα

Φυσική Β Γυμνασίου - Κεφάλαιο 2: Κινήσεις ΚΕΦΑΛΑΙΟ 2: ΚΙΝΗΣΕΙΣ. Φυσική Β Γυμνασίου

Φυσική Β Γυμνασίου - Κεφάλαιο 2: Κινήσεις ΚΕΦΑΛΑΙΟ 2: ΚΙΝΗΣΕΙΣ. Φυσική Β Γυμνασίου ΚΕΦΑΛΑΙΟ 2: ΚΙΝΗΣΕΙΣ Φυσική Β Γυμνασίου Εισαγωγή Τα πάντα γύρω μας κινούνται. Στο διάστημα όλα τα ουράνια σώματα κινούνται. Στο μικρόκοσμο συμβαίνουν κινήσεις που δεν μπορούμε να τις αντιληφθούμε άμεσα.

Διαβάστε περισσότερα

Κεφάλαιο 6: Προσομοίωση ενός συστήματος αναμονής

Κεφάλαιο 6: Προσομοίωση ενός συστήματος αναμονής Κεφάλαιο 6: Προσομοίωση ενός συστήματος αναμονής Τεχνικές Εκτίμησης Υπολογιστικών Συστημάτων Γιάννης Γαροφαλάκης Αν. Καθηγητής ιατύπωση του προβλήματος (1) Τα συστήματα αναμονής (queueing systems), βρίσκονται

Διαβάστε περισσότερα

Συγγραφή κώδικα, δοκιμασία, επαλήθευση. Γιάννης Σμαραγδάκης

Συγγραφή κώδικα, δοκιμασία, επαλήθευση. Γιάννης Σμαραγδάκης Συγγραφή κώδικα, δοκιμασία, επαλήθευση Γιάννης Σμαραγδάκης Προδιαγραφή απαιτήσεων Σχεδιασμός συνεπείς σχέσεις Υψηλό επίπεδο συνεπείς σχέσεις Χαμηλό επίπεδο συνεπείς σχέσεις Πλάνο δοκιμών Κώδικας Συγγραφή

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών

ΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών 44 Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών Διδακτικοί στόχοι Σκοπός του κεφαλαίου είναι οι μαθητές να κατανοήσουν τα βήματα που ακολουθούνται κατά την ανάπτυξη μιας εφαρμογής.

Διαβάστε περισσότερα

Οδηγός ποιότητας χρωμάτων

Οδηγός ποιότητας χρωμάτων Σελίδα 1 από 6 Οδηγός ποιότητας χρωμάτων Ο οδηγός ποιότητας χρωμάτων βοηθά τους χρήστες να κατανοήσουν πώς μπορούν να χρησιμοποιηθούν οι λειτουργίες που διατίθενται για τη ρύθμιση και προσαρμογή της έγχρωμης

Διαβάστε περισσότερα

3 ο Εργαστήριο Μεταβλητές, Τελεστές

3 ο Εργαστήριο Μεταβλητές, Τελεστές 3 ο Εργαστήριο Μεταβλητές, Τελεστές Μια μεταβλητή έχει ένα όνομα και ουσιαστικά είναι ένας δείκτης σε μια συγκεκριμένη θέση στη μνήμη του υπολογιστή. Στη θέση μνήμης στην οποία δείχνει μια μεταβλητή αποθηκεύονται

Διαβάστε περισσότερα

ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ

ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος

Διαβάστε περισσότερα

Κινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού

Κινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού Κινητά Δίκτυα Επικοινωνιών Συμπληρωματικό υλικό Προσαρμοστική Ισοστάθμιση Καναλιού Προσαρμοστικοί Ισοσταθμιστές Για να υπολογίσουμε τους συντελεστές του ισοσταθμιστή MMSE, απαιτείται να λύσουμε ένα γραμμικό

Διαβάστε περισσότερα

Επεξεργασία Χαρτογραφικής Εικόνας

Επεξεργασία Χαρτογραφικής Εικόνας Επεξεργασία Χαρτογραφικής Εικόνας Διδάσκων: Αναγνωστόπουλος Χρήστος Κώδικες μετρήσεων αντικειμένων σε εικόνα Χρωματικά μοντέλα: Munsell, HSB/HSV, CIE-LAB Κώδικες μετρήσεων αντικειμένων σε εικόνες Η βασική

Διαβάστε περισσότερα

Οπτική Μοντελοποίηση Ανθρώπινου Προσώπου με Εφαρμογές σε Αναγνώριση

Οπτική Μοντελοποίηση Ανθρώπινου Προσώπου με Εφαρμογές σε Αναγνώριση Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Τομέας Σημάτων Ελέγχου και Ρομποτικής Οπτική Μοντελοποίηση Ανθρώπινου Προσώπου με Εφαρμογές σε Αναγνώριση Επιβλέπων: καθ. Πέτρος Μαραγκός Ορισμός

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη ΙΙ. Ενότητα 4: Αντίληψη. Μουστάκας Κωνσταντίνος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών

Τεχνητή Νοημοσύνη ΙΙ. Ενότητα 4: Αντίληψη. Μουστάκας Κωνσταντίνος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τεχνητή Νοημοσύνη ΙΙ Ενότητα 4: Αντίληψη Μουστάκας Κωνσταντίνος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Αντίληψη 2 Περιεχόμενα ενότητας Αντίληψη 3 Αντίληψη

Διαβάστε περισσότερα

1. Τι είναι η Κινηματική; Ποια κίνηση ονομάζεται ευθύγραμμη;

1. Τι είναι η Κινηματική; Ποια κίνηση ονομάζεται ευθύγραμμη; ΚΕΦΑΛΑΙΟ 2 ο ΚΙΝΗΣΗ 2.1 Περιγραφή της Κίνησης 1. Τι είναι η Κινηματική; Ποια κίνηση ονομάζεται ευθύγραμμη; Κινηματική είναι ο κλάδος της Φυσικής που έχει ως αντικείμενο τη μελέτη της κίνησης. Στην Κινηματική

Διαβάστε περισσότερα

Photoshop CS6. Πλάνο Μαθημάτων. 1. Εισαγωγή στη Χρωματική Θεωρία, την Ψηφιακή εικόνα και Γνωριμία με το Περιβάλλον του

Photoshop CS6. Πλάνο Μαθημάτων. 1. Εισαγωγή στη Χρωματική Θεωρία, την Ψηφιακή εικόνα και Γνωριμία με το Περιβάλλον του Photoshop CS6 Πλάνο Μαθημάτων 1. Εισαγωγή στη Χρωματική Θεωρία, την Ψηφιακή εικόνα και Γνωριμία με το Περιβάλλον του Photoshop CS6. Στο μάθημα αυτό ο εκπαιδευόμενος θα κατανοήσει βασικές έννοιες που έχουν

Διαβάστε περισσότερα