Εργασία επεξεργασίας εικόνων, που αναπαριστούν τομή εγκεφάλου και τομή αδένα προστάτη
|
|
- Ἀλέξανδρος Ρόκας
- 8 χρόνια πριν
- Προβολές:
Transcript
1 Επεξεργασία Εικόνας Εργασία επεξεργασίας εικόνων, που αναπαριστούν τομή εγκεφάλου και τομή αδένα προστάτη Μπαρμπούτης Παναγιώτης
2 Α) ΦΙΛΤΡΑ ΟΞΥΝΣΗΣ Αρχικά θα μελετήσουμε την εικόνα από το MRI αρχείο της πρώτης εργασίας. Εικόνα χωρίς επεξεργασία. (Εικόνα 1) Εικόνα 1
3 1) Εικόνα με το εφαρμογή του φίλτρου του Sobel. (Εικόνα 2) Εικόνα 2 Εικόνα με το εφαρμογή του φίλτρου του Prewitt. (Εικόνα 3) Εικόνα 3
4 Οι διαφορές που παρατηρούνται στην εφαρμογή των φίλτρων του Sobel και του Prewitt είναι ελάχιστες. Και τα δύο είναι φίλτρα όξυνσης των ακμών, με μικρή διαφορά μεταξύ των μασκών τους. Οπότε και το αποτέλεσμα είναι παρόμοιο. Με μεγένθυνση των δύο εικόνων, παρατηρούμε ότι με το φίλτρο του Sobel έχουμε καλύτερο αποτέλεσμα στην όξυνση των ακμών. 2) Εικόνα με εφαρμογή του Laplacian φίλτρου, με τους 4 γείτονες. (Εικόνα 4) Εικόνα 4
5 Εικόνα με εφαρμογή του Laplacian φίλτρου, με τους 8 γείτονες. (Εικόνα 5) Εικόνα 5 Με την εφαρμογή του Laplacian φίλτρου με τους 8 γείτονες παρατηρούμε ότι έχουν χαθεί οι λεπτομέρειες και έχουν μείνει έντονες οι ακμές της εικόνας. Το φίλτρο «προσπαθεί» να κάνει ευκρινέστερη την εικόνα αλλά με αυτόν τον τρόπο στην συγκεκριμένη εικόνα χάνονται οι λεπτομέρειες. 3) Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες φαίνεται στην παρακάτω εικόνα. (Εικόνα 6)
6 Διασπορά: e+006. Εικόνα 6 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες φαίνεται στην παρακάτω εικόνα. (Εικόνα 7) Εικόνα 7
7 Διασπορά: e+006. Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας στις εικόνες που εφαρμόσαμε Laplacian φίλτρο με γείτονες 4 και 8 είναι να έχουμε ευκρινέστερες και με περισσότερη λεποτομέρεια εικόνες από τις αντίστοιχες αυτών που εφαρμόσαμε μόνο Laplacian φίλτρο. 4) Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=0,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 8) Εικόνα 8
8 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=1,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 9) Εικόνα 9
9 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=2,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 10) Εικόνα 10
10 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=0,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 11) Εικόνα 11
11 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=1,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 12) Εικόνα 12
12 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=2,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 13) Εικόνα 13 Στην εφαρμογή Laplacian φίλτρου μετά από Gaussian φίλτρο μας δίνει σαν αποτέλεσμα να αυξηθεί η λεπτομέρεια στις εικόνες σε σχέση με την εφαρμογή μόνο του Laplacian φίλτρου. Αυξημένες λεπτομέρειες έχουμε όταν το σ είναι μικρό κατά το Gaussian φίλτρο. Όσο αυξάνεται το σ, χάνονται και λεπτομέρειες. Η φωτεινότητα στο σύνολο της εικόνας αυξάνεται όσο αυξάνεται το σ κατά το Gaussian φίλτρο.
13 5) Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=0,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 14) Διασπορά: e+006 Εικόνα 14
14 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=1,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 15) Διασπορά: e+006 Εικόνα 15
15 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=2,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 16) Διασπορά: e+006 Εικόνα 16
16 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=0,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 17) Διασπορά: e+006 Εικόνα 17
17 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=1,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 18) Διασπορά: e+006 Εικόνα 18
18 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=2,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 19) Διασπορά: e+006 Εικόνα 19 6) Παρατηρούμε ότι κατά την εφαρμογή του Laplacian φίλτρου με 4 γείτονες η διασπορά είναι χαμηλή σε σύγκριση με τα αποτελέσματα της πρώτης εργασίας που πραγματοποίησα. Ενώ κατά την εφαρμογή του Laplacian φίλτρου με 8 γείτονες έχουμε την μεγαλύτερη τιμή διασποράς σε σύγκριση και πάλι με την πρώτη εργασία. Κατά την εφαρμογή του Laplacian φίλτρου μετά από το Gaussian φίλτρο παρατηρούμε ότι η
19 διασπορά μείωνεται όσο αυξάνεται το σ κάτι που το είχαμε παρατηρήσει και στην πρώτη εργασία. Η διασπορά κατά την εφαρμογή του Laplacian φίλτρου με 4 γείτονες και Gaussian με σ=2,5 είναι η χαμηλότερη τιμή που λαμβάνουμε για αυτήν την εικόνα ενώ στην εφαρμογή του Laplacian φίλτρο με 8 γείτονες έπειτα από Gaussian φίλτρο η διασπορά που λαμβάνουμε βρίσκεται σε μια μέση τιμή σε σύγκριση με τα αποτελέσματα που είχαμε λάβει κατά την πρώτη εργασία. 7) Ο κώδικας που χρησιμοποιήσαμε για την δημιουργία high boost filtering στην 3d εικόνα MRI, με συντελεστή Α=1,2 και την 6 γείτονες, φαίνεται παρακάτω καθώς και στο άρχειο matlab που επισυνάπτεται. a=1.2; img13=zeros(130,258,258); for x=1:1:128 for y=1:1:256 for z=1:1:256 img13(x+1,y+1,z+1)=img(x,y,z); end end end img14=zeros(128,256,256); for x=2:1:129 for y=2:1:257 for z=2:1:257 img14(x-1,y-1,z-1)=(-img13(x+1,y,z)-img13(x-1,y,z)- img13(x,y+1,z)-img13(x,y-1,z)-img13(x,y,z-1)- img13(x,y,z+1)+7*img13(x,y,z)); end end end for x=1:1:128 for y=1:1:256 for z=1:1:256 img14(x,y,z)=a*img(x,y,z)+img14(x,y,z); end end
20 end avw.img=img14; avw_img_write(avw, 'high_boost_6_geitones_1,2','','ieee-be'); Ο κώδικας που χρησιμοποιήσαμε για την δημιουργία high boost filtering στην 3d εικόνα MRI, με συντελεστή Β=1,2 και την 18 γείτονες, φαίνεται παρακάτω καθώς και στο άρχειο matlab που επισυνάπτεται. img15=zeros(128,256,256); for x=2:1:129 for y=2:1:257 for z=2:1:257 img15(x-1,y-1,z-1)=(-img13(x+1,y,z)-img13(x+1,y+1,z)- img13(x-1,y+1,z)-img13(x-1,y-1,z)-img13(x+1,y-1,z)-img13(x-1,y,z)- img13(x,y+1,z)-img13(x,y-1,z)-img13(x,y,z-1)-img13(x+1,y,z-1)- img13(x,y+1,z-1)-img13(x-1,y,z-1)-img13(x,y-1,z-1)-img13(x,y,z+1)- img13(x+1,y,z+1)-img13(x,y+1,z+1)-img13(x-1,y,z+1)-img13(x,y- 1,z+1)+27*img13(x,y,z)); end end end for x=1:1:128 for y=1:1:256 for z=1:1:256 img15(x,y,z)=b*img(x,y,z)+img15(x,y,z); end end end Απο τα αποτελέσματα, συμπεραίνουμε ότι με την χρήση των 18 γειτόνων χάνεται κάποιο μέρος της λεπτομέρειας. Το περίγραμμα της εικόνας καθώς και κάποια έντονα σημεία παραμένουν ευδιάκριτα και μπορούν να τμηματοποιηθούν πιο εύκολα. Ο συνδιασμός του αθροίσματος μεγαλύτερου ποσοστού της αρχικές εικόνας στην εικόνα που έχουμε εφαρμόσει το high boost filtering, μας δίνει καλύτερο οπτικό αποτέλεσμα στο συνδυασμό
21 λεπτομέρειας και ένταση φωτεινότητας συγκεκριμένων στοιχείων της εικόνας. Επίσης δημιουργήσαμε τον αλγόριθμο στο matlab για την δημιουργία high boost filtering στην 3d εικόνα MRI, με συντελεστή Β=1,2 και την 26 γείτονες, για να διαπιστωθεί η τυχόν διαφορά. Στην συνέχεια θα μελετήσουμε την εικόνα του προστάτη της πρώτης εργασίας. Εικόνα χωρίς επεξεργασία. (Εικόνα 20) Εικόνα 20
22 1) Εικόνα με το εφαρμογή του φίλτρου του Sobel. (Εικόνα 21) Εικόνα 21
23 Εικόνα με το εφαρμογή του φίλτρου του Prewitt. (Εικόνα 22) Εικόνα 22 Όπως και στην εικόνα που λάβαμε από το MRI αρχείο έτσι και εδώ οι παρατηρήσεις είναι ίδες. Οι διαφορές που παρατηρούνται στην εφαρμογή των φίλτρων του Sobel και του Prewitt είναι ελάχιστες. Και τα δύο είναι φίλτρα όξυνσης των ακμών, με μικρή διαφορά μεταξύ των μασκών τους. Οπότε και το αποτέλεσμα είναι παρόμοιο. Με μεγένθυνση των δύο εικόνων, παρατηρούμε ότι με το φίλτρο του Sobel έχουμε καλύτερο αποτέλεσμα στην όξυνση των ακμών.
24 2) Εικόνα με εφαρμογή του Laplacian φίλτρου, με τους 4 γείτονες. (Εικόνα 23) Εικόνα 23
25 Εικόνα με εφαρμογή του Laplacian φίλτρου, με τους 8 γείτονες. (Εικόνα 24) Εικόνα 24 Με την εφαρμογή του Laplacian φίλτρου με τους 8 γείτονες παρατηρούμε ότι έχουν χαθεί οι λεπτομέρειες και έχουν μείνει οι ακμές της εικόνας. Η φωτεινότητα της εικόνας έχει μειωθεί στο σύνολο της. Το φίλτρο «προσπαθεί» να κάνει ευκρινέστερη την εικόνα αλλά με αυτόν τον τρόπο στην συγκεκριμένη εικόνα χάνονται οι λεπτομέρειες.
26 3) Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρου με 4 γείτονες φαίνεται στην παρακάτω εικόνα. (Εικόνα 25) Διασπορά: e+004 Εικόνα 25
27 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρου με 8 γείτονες φαίνεται στην παρακάτω εικόνα. (Εικόνα 26) Διασπορά: e+004 Εικόνα 26 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας στις εικόνες που εφαρμόσαμε Laplacian φίλτρο με γείτονες 4 και 8 είναι να έχουμε ευκρινέστερες και με περισσότερη λεποτομέρεια εικόνες από τις αντίστοιχες αυτών που εφαρμόσαμε μόνο Laplacian φίλτρο.
28 4) Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=0,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 27) Εικόνα 27
29 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=1,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 28) Εικόνα 28
30 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=2,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 29) Εικόνα 29
31 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=0,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 30) Εικόνα 30
32 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=1,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 31) Εικόνα 31
33 Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=2,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 32) Εικόνα 32 Όπως και στην εικόνα από το MRI αρχείο που μελετήσαμε έτσι και εδώ, η εφαρμογή Laplacian φίλτρου μετά από Gaussian φίλτρο μας δίνει σαν αποτέλεσμα να αυξηθεί η λεπτομέρεια στις εικόνες σε σχέση με την εφαρμογή μόνο του Laplacian φίλτρου. Αυξημένες λεπτομέρειες έχουμε όταν το σ είναι μικρό κατά το Gaussian φίλτρο. Όσο αυξάνεται το σ, χάνονται και λεπτομέρειες και η εικόνα χάνει την ευκρίνεια της. Η φωτεινότητα στο σύνολο της
34 εικόνας αυξάνεται όσο αυξάνεται το σ κατά το Gaussian φίλτρο. 5) Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=0,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 33) Διασπορά: e+004 Εικόνα 33
35 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=1,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 34) Διασπορά: e+004 Εικόνα 34
36 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=2,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 35) Διασπορά: e+004 Εικόνα 35
37 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=0,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 36) Διασπορά: e+004 Εικόνα 36
38 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=1,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 37) Διασπορά: e+004 Εικόνα 37
39 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=2,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 38) Διασπορά: e+004 Εικόνα 38 6) Οι παρατηρήσεις και σε αυτήν την εικόνα είναι παρόμοιες με την εικόνα MRI. Παρατηρούμε ότι κατά την εφαρμογή του Laplacian φίλτρου με 4 γείτονες η διασπορά είναι χαμηλή σε σύγκριση με τα αποτελέσματα της πρώτης εργασίας που πραγματοποίησα. Ενώ κατά την εφαρμογή του Laplacian φίλτρου με 8 γείτονες έχουμε την
40 μεγαλύτερη τιμή διασποράς σε σύγκριση και πάλι με την πρώτη εργασία. Κατά την εφαρμογή του Laplacian φίλτρου μετά από το Gaussian φίλτρο παρατηρούμε ότι η διασπορά μείωνεται όσο αυξάνεται το σ κάτι που το είχαμε παρατηρήσει και στην πρώτη εργασία. Η διασπορά κατά την εφαρμογή του Laplacian φίλτρου με 4 γείτονες και Gaussian με σ=2,5 είναι η χαμηλότερη τιμή που λαμβάνουμε για αυτήν την εικόνα ενώ στην εφαρμογή του Laplacian φίλτρο με 8 γείτονες έπειτα από Gaussian φίλτρο η διασπορά που λαμβάνουμε βρίσκεται σε μια μέση τιμή σε σύγκριση με τα αποτελέσματα που είχαμε λάβει κατά την πρώτη εργασία.
41 Β) Κατάτμηση λευκής ουσίας με την βοήθεια ιστογράμματος: Το ιστόγραμμα του αρχείου MRI: OAS1_0011_MR1_mpr_n4_anon_111_t88_maske d_gfc_whited φαίνεται παρακάτω. (Εικόνα 39) Εικόνα 39 Για αρχική τιμή κατωφλίου ίση με 200 και για 10 επαναλήψεις του αλγόριθμου, Τ= Για αρχική τιμή κατωφλίου ίση με 1000 και για 10 επαναλήψεις του αλγόριθμου, Τ= Για αρχική τιμή κατωφλίου ίση με 1500 και για 10 επαναλήψεις του αλγόριθμου, Τ= Για αρχική τιμή κατωφλίου ίση με 2000 και για 10 επαναλήψεις του αλγόριθμου, Τ=
42 Για αρχική τιμή κατωφλίου ίση με 2400 και για 10 επαναλήψεις του αλγόριθμου, Τ= Παρατηρούμε ότι όσο αυξάνουμε την αρχική τιμή του κατωφλίου η τελική τιμή για 10 επαναλήψεις του αλγόριθμου τείνει στο Χρησιμοποιούμε τιμή κατωφλίου την τιμή 990 και μαυρίζουμε τις φωτεινότητες από την πάνω μεριά του κατωφλίου. Ο κώδικας που χρησιμοποιήθηκε φαίνεται παρακάτω: for x=1:1:176 for y=1:1:208 for z=1:1:176 if (b(x,y,z)<990) %Timi katwfliou end end end else b(x,y,z)=0; end %mavrisma anw tou katwfliou όπου ο b είναι ο πίνακας που περιέχει την MRI εικόνα. Στην συνέχεια χρησιμποιούμε την τιμή κατωφλίου που χρησιμοποιήσαμε και στην προηγούμενη περίπτωση (990) για να μαυρίσουμε τις τιμές που βρίσκονται κάτω από αυτήν την τιμή κατωφλίου. Ο κώδικας που χρησιμοποιήθηκε φαίνεται παρακάτω: b=img; for x=1:1:176 for y=1:1:208 for z=1:1:176
43 if (b(x,y,z)<990) %Timi katwfliou kai analogws ean theloume na maurisoume katw i anw tou katwfliou vazoume kai tin katallili entoli ws sxolio. b(x,y,z)=0; %mavrisma katw tou katwfliou end end end end όπου ο b είναι ο πίνακας που περιέχει την MRI εικόνα. Παρακάτω φαίνεται ένα sagittal slice του MRI χωρίς επεξεργασία (Εικόνα 40): Εικόνα 40
44 Παρακάτω φαίνεται ένα sagittal slice του MRI με μαυρισμένες τις τιμές άνω του κατωφλίου (990) (Εικόνα 41): Εικόνα 41 Παρακάτω φαίνεται ένα sagittal slice του MRI με μαυρισμένες τις τιμές κάτω του κατωφλίου (990) (Εικόνα 42): Εικόνα 42 Παρατηρούμε ότι εάν προσθέσουμε τις εικόνες 41 και 42 θα έχουμε σαν αποτέλεσμα να πάρουμε την εικόνα 40.
45 Στην συνέχεια θα αναπαραστήσουμε το ιστόγραμμα της εικόνας και στο ίδιο διάγραμμα θα αναπαραστήσουμε και τις δέκα τιμές του κατωφλίου που λαμβάνουμε κατά τον επαναληπτικό αλγόριθμο, έχοντας θέσει σαν αρχικό κατώφλι την τιμή (Εικόνα 43) Εικόνα 43
46 Στην συνέχεια εμφανίζουμε το ιστόγραμμα για το MRI αρχείο: OAS1_0011_MR1_mpr_n4_anon_111_t88_maske d_gfc, το οποίο φαίνεται παρακάτω (Εικόνα 44): Εικόνα 44 Κατα την εφαρμογή του επαναληπτικού αλγόριθμου για 10 επαναλήψεις λαμβάνουμε τιμή κατωφλίου ίση με T= Είναι σημαντικό να παρατηρήσουμε ότι για οποιαδήποτε αρχική τιμή κατωφλίου μεταξύ η τελικά τιμή που θα πάρουμε για 10 επαναλήψεις είναι η ίδια.
47 Στην συνέχεια θα υπολογίσουμε τα ιστογράμματα για κάθε μία ουσία από τις, υγρά του εγκεφάλου, φαιά ουσία και λευκή ουσία, και θα τα αναπαραστήσουμε γραφικά σε ένα διάγραμμα. (Εικόνα 45) Εικόνα 45 Red: Ιστόγραμμα υγρών του εγκεφάλου Green: Ιστόγραμμα φαιάς ουσίας Blue: Ιστόγραμμα λευκής ουσίας
48 Από το ιστόγραμμα του MRI, OAS1_0011_MR1_mpr_n4_anon_111_t88_maske d_gfc, που απεικονείζεται στην εικόνα 44, παρατηρούμε ότι ένα κατώφλι θα μπορούσε να οριστεί στην φωτεινότητα Ο αλγόριθμος μας υπολόγισε την τιμή κατωφλίου ίση με 504. Επομένως υπολογίζοντας τα voxels που βρίσκονται σε αυτό το διάστημα θα υπολογίσουμε αυτά που βρίσκονται στην λάθος μεριά. Τα voxels που βρίσκονται σε αυτό το διάστημα με τον αλγόριθμο που αναπτύχθηκε στο matlab υπολογίστηκαν σε στα συνολικά pixels της εικόνας. Δηλαδή το 12% περίπου των voxels βρίσκονται στην λάθος μεριά με βάση το κατώφλι που χρησιμποιήθηκε. Από το ιστόγραμμα φαίνεται ότι στο τροποποιημένο MRI αρχείο ο αλγόριθμος λειτουργεί καλύτερα σε σχέση με το μη τροποποιημένο MRI αρχείο που το 12% των voxels βρίσκονται σε λάθος μεριά. Επίσης από τα ιστογράμματα κάθε μίας από τις ουσίες στον εγκέφαλο φαίνεται ότι οι φωτεινότητες έχουν πολύ μικρή αλληλοκάλυψη μεταξύ τους, το οποίο είναι θετικό στοιχείο.
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 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 περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ. Ενότητα 2: Βελτιστοποίηση Εικόνας.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ενότητα 2: Βελτιστοποίηση Εικόνας Ιωάννης Έλληνας Τμήμα Υπολογιστικών Συστημάτων Άδειες Χρήσης Το παρόν εκπαιδευτικό
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 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 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 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 περισσότεραDigital 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 περισσότεραΑκαδημαϊκό 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 περισσότεραΕργαστήριο 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 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 περισσότεραΤηλεπισκόπηση - Φωτοερμηνεία
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Τηλεπισκόπηση - Φωτοερμηνεία Ενότητα 10: Ραδιομετρική Ενίσχυση Χωρική Επεξεργασία Δορυφορικών Εικόνων. Κωνσταντίνος Περάκης Ιωάννης Φαρασλής Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας
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 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 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 περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Σημειακή επεξεργασία και μετασχηματισμοί Κατηγορίες μετασχηματισμού εικόνων Σημειακοί μετασχηματισμοί
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 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 περισσότερα. Βάθος χρώματος: Πραγματικό χρώμα. . Βάθος χρώματος: Αποχρώσεις του γκρίζου 8bit. . Βάθος χρώματος: Αποχρώσεις του γκρίζου 1bit.
Α ΤΕΙ ΑΘΗΝΑΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ, ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΗΣ ΕΞΕΤΑΣΤΙΚΗ ΠΕΡΙΟΔΟΣ: A ΧΕΙΜΕΡΙΝΟ 2011-2012 ΕΞΕΤΑΣΕΙΣ ΣΤΟ ΜΑΘΗΜΑ: ΨΗΦΙΑΚΗ ΕΙΚΟΝΑ ΚΑΙ ΗΧΟΣ (7-2-2012) Διάρκεια εξέτασης: 2.0 ώρες (08:00 10:30)
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 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 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 περισσότεραΑΣΚΗΣΗ 3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕΛΕΤΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ. ( ) 1, αν Ι(i,j)=k hk ( ), διαφορετικά
ΑΣΚΗΣΗ 3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕΛΕΤΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ Αντικείμενο: Εξαγωγή ιστογράμματος εικόνας, απλοί μετασχηματισμοί με αυτό, ισοστάθμιση ιστογράμματος. Εφαρμογή βασικών παραθύρων με την βοήθεια του ΜΑΤLAB
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 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 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 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 περισσότεραΑνάλυση και επεξεργασία εικόνων DICOM με τη χρήση Matlab
ΑΣΚΗΣΗ 8 Ανάλυση και επεξεργασία εικόνων DICOM με τη χρήση Matlab 1. Περιγραφή του προτύπου DICOM Η ψηφιακή επεξεργασία ιατρικής εικόνας ξεκίνησε παράλληλα με την ανάπτυξη ενός προτύπου για τη μεταφορά
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 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 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 περισσότεραΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ
ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ Π. ΑΣΒΕΣΤΑΣ Επ. Καθηγητής Τμήμα Μηχανικών Βιοϊατρικής Τεχνολογίας ΤΕΙ Αθήνας Email: pasv@teiath.gr ΠΕΡΙΕΧΟΜΕΝΑ Αναπαράσταση εικόνας Ιστόγραμμα Εξισορρόπηση ιστογράμματος Κατωφλίωση
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 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 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 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 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 περισσότεραΠροηγμένες εφαρμογές των μαθηματικών στην ψηφιακή επεξεργασία σήματος με χρήση της Matlab
ATEI Κρήτης Παράρτημα Χανίων τμ. Ηλεκτρονικής Προηγμένες εφαρμογές των μαθηματικών στην ψηφιακή επεξεργασία σήματος με χρήση της Matlab Iterative Shadowgraphic Method (ISM) Παναγιώτης Αργυρέας 5/12/2010
Διαβάστε περισσότεραΜεταπτυχιακό 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 περισσότεραΑΣΚΗΣΗ 2 ΒΑΣΙΚΑ ΚΑΙ ΣΥΝΘΕΤΑ ΣΗΜΑΤΑ ΔΥΟ ΔΙΑΣΤΑΣΕΩΝ - ΕΙΚΟΝΑΣ
ΑΣΚΗΣΗ 2 ΒΑΣΙΚΑ ΚΑΙ ΣΥΝΘΕΤΑ ΣΗΜΑΤΑ ΔΥΟ ΔΙΑΣΤΑΣΕΩΝ - ΕΙΚΟΝΑΣ Αντικείμενο: Κατανόηση και αναπαράσταση των βασικών σημάτων δύο διαστάσεων και απεικόνισης αυτών σε εικόνα. Δημιουργία και επεξεργασία των διαφόρων
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 Εισαγωγή Σχηματισμός Εικόνας
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 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 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 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 περισσότεραΕπεξεργασία εικόνας για την επιφανειακή ανάλυση του ανάγλυφου του ξύλου
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Σχολή Δασολογίας και Φυσικού Περιβάλλοντος Εργαστήριο Δασικής Πληροφορικής Επεξεργασία εικόνας για την επιφανειακή ανάλυση του ανάγλυφου του ξύλου Μεταπτυχιακή Διατριβή
Διαβάστε περισσότεραΑΠΑΝΤΗΣΕΙΣ. H διαδικασία ανεύρεσης λογικών λαθών περιλαμβάνει : β- Σωστό. Διαπίστωση του είδους του λάθους γ- Σωστό δ- Λάθος
ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΤΑΞΗ ΕΠΑΛ (ΟΜΑΔΑ Α ) & ΜΑΘΗΜΑΤΩΝ ΕΙΔΙΚΟΤΗΤΑΣ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΤΕΤΑΡΤΗ 08/04/2015 - ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΔΟΜΗΜΕΝΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΣΥΝΟΛΟ ΣΕΛΙΔΩΝ: ΟΚΤΩ (8) ΘΕΜΑ Α ΑΠΑΝΤΗΣΕΙΣ Α1. Α2. α-
Διαβάστε περισσότεραΑΝΤΩΝΙΟΣ 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 περισσότεραΜΕΡΟΣ Α: Στοιχεία ψηφιακής επεξεργασίας & ανάλυσης εικόνας µε τη βοήθεια MATLAB ΚΕΦΑΛΑΙΟ 1... 2
ΜΕΡΟΣ Α: Στοιχεία ψηφιακής επεξεργασίας & ανάλυσης εικόνας µε τη βοήθεια MATLAB ΚΕΦΑΛΑΙΟ 1... 2 ΕΙΣΑΓΩΓΗ... 2 1.1 Οι Τύποι Εικόνων και η οµή τους στο MATLAB... 3 1.1.1 Ενδεικτικές (indexed) εικόνες...
Διαβάστε περισσότεραDIP_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 περισσότεραΕργαστήριο ADICV2 Labs 2-6
Εργαστήριο ADICV2 Labs 2-6 Image filtering Κώστας Μαριάς Image Filtering ADICV Kostas Marias TEI Crete 2017 2 Basic Matlab Σκοπός εργαστηρίου Θα φτιάξουμε ένα ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) σε matlab
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 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 περισσότερα7.5 Ενδιάμεσο επίπεδο επεξεργασίας εικόνας
7.5 Ενδιάμεσο επίπεδο επεξεργασίας εικόνας 7.5.1 Εισαγωγή Kάθε σύστημα επεξεργασίας εικόνας έχει ένα συγκεκριμένο σκοπό λειτουργίας. Παραδείγματος χάριν, διαφορετικές απαιτήσεις θα έχει μια βιομηχανία
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 περισσότεραΜΕΘΟΔΟΙ ΣΥΝΘΕΣΗΣ ΕΙΚΟΝΩΝ ΥΨΗΛΗΣ ΑΝΑΛΥΣΗΣ ΑΠΟ ΕΙΚΟΝΕΣ ΧΑΜΗΛΟΤΕΡΗΣ ΑΝΑΛΥΣΗΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ "ΣΥΣΤΗΜΑΤΑ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ" ΜΕΘΟΔΟΙ ΣΥΝΘΕΣΗΣ ΕΙΚΟΝΩΝ ΥΨΗΛΗΣ ΑΝΑΛΥΣΗΣ ΑΠΟ ΕΙΚΟΝΕΣ ΧΑΜΗΛΟΤΕΡΗΣ ΑΝΑΛΥΣΗΣ ΚΛΑΡΟΥΔΑΣ ΕΥΑΓΓΕΛΟΣ
Διαβάστε περισσότεραΜΗΧΑΝΙΚΗ ΟΡΑΣΗ. 3η ΕΡΓΑΣΙΑ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΠΡΟΗΓΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΑΓΩΓΗΣ ΑΥΤΟΜΑΤΙΣΜΟΥ & ΡΟΜΠΟΤΙΚΗΣ 01 ΜΗΧΑΝΙΚΗ ΟΡΑΣΗ 3η ΕΡΓΑΣΙΑ ΣΠΟΥΔΑΣΤΕΣ:
Διαβάστε περισσότεραΨηφιακή 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 περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Ψηφιακή Επεξεργασία Εικόνας Ενότητα 6 : Κωδικοποίηση & Συμπίεση εικόνας Ιωάννης Έλληνας Τμήμα Η/ΥΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό
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 περισσότεραDigital Image Processing
Digital Image Processing Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Εισαγωγικά Γενικά Πληροφορίες Στόχοι Θεωρία Εργαστήριο
Διαβάστε περισσότεραΔΙΑΡΘΡΩΣΗ 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 περισσότεραΕ π ι μ έ λ ε ι α Κ Ο Λ Λ Α Σ Α Ν Τ Ω Ν Η Σ
Ε π ι μ έ λ ε ι α Κ Ο Λ Λ Α Σ Α Ν Τ Ω Ν Η Σ Θέμα εξετάσεων 2000 Εξετάσαμε 50 μαθητές ως προς τα βιβλία που έχουν διαβάσει και διαπιστώσαμε ότι: 5 μαθητές δεν έχουν διαβάσει κανένα βιβλίο, 15 μαθητές έχουν
Διαβάστε περισσότερα27-Ιαν-2009 ΗΜΥ 429. 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό
ΗΜΥ 429 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό 1 (i) Βασική στατιστική 2 Στατιστική Vs Πιθανότητες Στατιστική: επιτρέπει μέτρηση και αναγνώριση θορύβου και
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 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 περισσότεραΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ
ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ Εξετάσεις Προσομοίωσης 06/04/2015 Θέμα Α Α1. Να γράψετε στο τετράδιο σας τον αριθμό κάθε πρότασης και δίπλα τη λέξη ΣΩΣΤΟ, αν είναι σωστή και ΛΑΘΟΣ αν
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 περισσότεραΑσκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο
Πρόβλημα ο Ασκήσεις Φροντιστηρίου 5 o Φροντιστήριο Δίνεται το παρακάτω σύνολο εκπαίδευσης: # Είσοδος Κατηγορία 0 0 0 Α 2 0 0 Α 0 Β 4 0 0 Α 5 0 Β 6 0 0 Α 7 0 Β 8 Β α) Στον παρακάτω κύβο τοποθετείστε τα
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 περισσότεραΣυστήµατα και Αλγόριθµοι Πολυµέσων
Συστήµατα και Αλγόριθµοι Πολυµέσων Ιωάννης Χαρ. Κατσαβουνίδης Οµιλία #3: Αρχές Επεξεργασίας Σηµάτων Πολυµέσων 10 Οκτωβρίου 005 Επανάλειψη (1) ειγµατοληψία επανα-δειγµατοληψία Τεχνικές φίλτρων (συνέλειξη)
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 περισσότεραΨηφιακή 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 περισσότεραΜΕΡΟΣ Α: Στοιχεία ψηφιακής επεξεργασίας & ανάλυσης εικόνας µε τη βοήθεια MATLAB ΚΕΦΑΛΑΙΟ
ΜΕΡΟΣ Α: Στοιχεία ψηφιακής επεξεργασίας & ανάλυσης εικόνας µε τη βοήθεια MATLAB ΚΕΦΑΛΑΙΟ 1... 2 ΕΙΣΑΓΩΓΗ... 2 1.1 Οι Τύποι Εικόνων και η οµή τους στο MATLAB... 3 1.1.1 Ενδεικτικές (indexed) εικόνες...
Διαβάστε περισσότερα2.0 ΒΑΣΙΚΕΣ ΓΝΩΣΕΙΣ-ΟΡΟΛΟΓΙΕΣ
2.0 ΒΑΣΙΚΕΣ ΓΝΩΣΕΙΣ-ΟΡΟΛΟΓΙΕΣ Η σάρωση ενός εγγράφου εισάγει στον υπολογιστή μια εικόνα, ενώ η εκτύπωση μεταφέρει στο χαρτί μια εικόνα από αυτόν. Για να αντιληφθούμε επομένως τα χαρακτηριστικά των σαρωτών
Διαβάστε περισσότερα«Τεχνικές επεξεργασίας για βελτιστοποίηση υπερηχογραφικών εικόνων και εξαγωγή χαρακτηριστικών, με χρήση του Matlab.»
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Τμήμα Εφαρμοσμένης Πληροφορικής, Πρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης Συστήματα Υπολογιστών «Τεχνικές επεξεργασίας για βελτιστοποίηση
Διαβάστε περισσότεραΜια εισαγωγή στο φίλτρο Kalman
1 Μια εισαγωγή στο φίλτρο Kalman Το 1960, R.E. Kalman δημόσιευσε το διάσημο έγγραφό του περιγράφοντας μια επαναλαμβανόμενη λύση στο γραμμικό πρόβλημα φιλτραρίσματος διακριτών δεδομένων. Από εκείνη τη στιγμή,
Διαβάστε περισσότεραΣκοπός. Εργαστήριο 6 Εντολές Επανάληψης
Εργαστήριο 6 Εντολές Επανάληψης Η δομή Επιλογής στη PASCAL H δομή Επανάληψης στη PASCAL. Ρεύμα Εισόδου / Εξόδου.. Ρεύμα Εισόδου / Εξόδου. To πρόγραμμα γραφικών gnuplot. Γραφικά στη PASCAL. Σκοπός 6.1 ΕΠΙΔΙΩΞΗ
Διαβάστε περισσότεραΑΕΠΠ 4o Επαναληπτικό Διαγώνισμα
ΑΕΠΠ 4o Επαναληπτικό Διαγώνισμα Ονοματεπώνυμο: ΘΕΜΑ 1 A. Να γράψετε τους κανόνες που πρέπει να ακολουθούνται στη χρήση των εμφωλευμένων βρόχων. B. Να χαρακτηρίσετε ως σωστή (Σ) ή λάθος (Λ) καθεμία από
Διαβάστε περισσότεραΜάθημα 9 ο. Κατάτμηση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 9 ο Κατάτμηση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ Εισαγωγή () Η κατάτμηση έχει ως στόχο να υποδιαιρέσει την εικόνα σε συνιστώσες περιοχές και αντικείμενα. Μία περιοχή αναμένεται να έχει ομοιογενή χαρακτηριστικά
Διαβάστε περισσότεραΤΜΗΜΑΤΟΠΟΙΗΣΗ ΟΡΘΟΠΕΔΙΚΩΝ ΔΕΔΟΜΕΝΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ ΤΜΗΜΑΤΟΠΟΙΗΣΗ ΟΡΘΟΠΕΔΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
Διαβάστε περισσότεραΑνάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα
Ανάλυση Διασποράς Έστω ότι μας δίνονται δείγματα που προέρχονται από άγνωστους πληθυσμούς. Πόσο διαφέρουν οι μέσες τιμές τους; Με άλλα λόγια: πόσο πιθανό είναι να προέρχονται από πληθυσμούς με την ίδια
Διαβάστε περισσότεραΓεωμετρικοί μετασχηματιμοί εικόνας
Γεωμετρικοί μετασχηματιμοί εικόνας Μάθημα: Υπολογιστική Οραση 1 Γεωμετρικοί Μετασχηματισμοί Ορισμός σημείου στονευκλείδιοχώρο: p=[x p,y p,z p ] T, όπου x p, y p, z p πραγματικοί αριθμοί. ΕστωΕ 3 τοσύνολοτωνp.
Διαβάστε περισσότεραΒ. Γάτος, Ψηφιακή Επεξεργασία και Αναγνώριση Εγγράφων
Κεφάλαιο 2 Δυαδική μετατροπή 2.1 Γενικά για την δυαδική μετατροπή Η δυαδική μετατροπή των εικόνων (binarizaion - hresholding) είναι το πρώτο βήμα των περισσοτέρων συστημάτων ανάλυσης και επεξεργασίας εγγράφων
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα # 15: Τμηματοποίηση σε τοπολογικά συνεκτικές περιοχές Καθηγητής Γιώργος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών Διαμέριση σε συνεκτικές
Διαβάστε περισσότεραΣυμπίεση Πολυμεσικών Δεδομένων
Συμπίεση Πολυμεσικών Δεδομένων Εισαγωγή στο πρόβλημα και επιλεγμένες εφαρμογές Παράδειγμα 2: Συμπίεση Εικόνας ΔΠΜΣ ΜΥΑ, Ιούνιος 2011 Εισαγωγή (1) Οι τεχνικές συμπίεσης βασίζονται στην απόρριψη της πλεονάζουσας
Διαβάστε περισσότεραΦύλλο εργασίας 3 - Χριστουγεννιάτικα φωτάκια (σταδιακή αύξηση και μείωση φωτεινότητας ενός LED) Το κύκλωμα σε breadboard
Φύλλο εργασίας 3 - Χριστουγεννιάτικα φωτάκια (σταδιακή αύξηση και μείωση φωτεινότητας ενός LED) Στην δραστηριότητα αυτή θα χρησιμοποιήσουμε ένα LED το οποίο θα ανάβει σταδιακά και όταν θα φτάσει στη μέγιστη
Διαβάστε περισσότεραn sin 1 n. 2 n n+1 6 n. = 1. = 1 2, = 13 4.
ΑΠΕΙΡΟΣΤΙΚΟΣ ΛΟΓΙΣΜΟΣ Ι ΟΛΟΗΜΕΡΟ ΕΡΓΑΣΤΗΡΙΟ ΠΡΟΒΛΗΜΑΤΩΝ Λύσεις ασκήσεων φυλλαδίου. Άσκηση : Εξετάστε ως προς τη σύγκλιση τη σειρά si. Λύση: Παρατηρούμε ότι si 0 άρα η σειρά δεν συγκλίνει. Συγκεκριμένα
Διαβάστε περισσότεραΒ2.5 Οθόνες. Εικόνα 46 Μια οθόνη αποτελείται από εικονοστοιχεία, το καθένα από αυτά έχει τρείς φωτεινές πηγές, για κόκκινο, πράσινο και μπλε χρώμα
Β2.5 Οθόνες Τι θα μάθουμε σήμερα: Να αναγνωρίζουμε και να αναφέρουμε τα κύρια χαρακτηριστικά μιας οθόνης (τεχνολογία, ανάλυση, μέγεθος, κόστος, κ.λπ.) Να αναγνωρίζουμε και να αναφέρουμε τις μονάδες μέτρησης
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα. Πληροφορική. Εργαστηριακή Ενότητα 6 η : Ταξινόμηση & Ομαδοποίηση Δεδομένων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Πληροφορική Εργαστηριακή Ενότητα 6 η : Ταξινόμηση & Ομαδοποίηση Δεδομένων Ι. Ψαρομήλιγκος Τμήμα Λογιστικής & Χρηματοοικονομικής
Διαβάστε περισσότεραΜάθημα 9 ο. Κατάτμηση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 9 ο Κατάτμηση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ Εισαγωγή () Η κατάτμηση έχει ως στόχο να υποδιαιρέσει την εικόνα σε συνιστώσες περιοχές και αντικείμενα. Μία περιοχή αναμένεται να έχει ομοιογενή χαρακτηριστικά
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 περισσότεραΛυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007
Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007 Πρόβλημα 1 Το πρώτο πρόβλημα λύνεται με τη μέθοδο του Δυναμικού Προγραμματισμού. Για να το λύσουμε με Δυναμικό Προγραμματισμό
Διαβάστε περισσότεραΥλοποίηση Αλγόριθμου Ανίχνευσης Ακμών σε προγραμματιζόμενη ψηφίδα Xilinx ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ Υλοποίηση Αλγόριθμου Ανίχνευσης Ακμών σε προγραμματιζόμενη ψηφίδα Xilinx ΔΙΠΛΩΜΑΤΙΚΗ
Διαβάστε περισσότεραΑλγόριθμος Ομαδοποίησης
Αλγόριθμος Ομαδοποίησης Εμπειρίες από τη μελέτη αναλλοίωτων χαρακτηριστικών και ταξινομητών για συστήματα OCR Μορφονιός Κωνσταντίνος Αθήνα, Ιανουάριος 2002 Γενικά Ένα σύστημα OCR χρησιμοποιείται για την
Διαβάστε περισσότεραΜορφοποίηση της διάταξης ψηφιακού χάρτη
Ενότητα 11 η Μορφοποίηση της διάταξης ψηφιακού χάρτη Βύρωνας Νάκος Καθηγητής Ε.Μ.Π. - bnakos@central.ntua.gr Bασίλης Κρασανάκης Υποψήφιος διδάκτορας Ε.Μ.Π. krasvas@mail.ntua.gr Β. Νάκος & Β. Κρασανάκης
Διαβάστε περισσότεραΑνάλυση και επεξεργασία εικόνων DICOM με τη χρήση Matlab
ΑΣΚΗΣΗ 8 Ανάλυση και επεξεργασία εικόνων DICOM με τη χρήση Matlab 1. Περιγραφή του προτύπου DICOM Η ψηφιακή επεξεργασία ιατρικής εικόνας ξεκίνησε παράλληλα με την ανάπτυξη ενός προτύπου για τη μεταφορά
Διαβάστε περισσότεραΚατ οίκον Εργασία 1 Σκελετοί Λύσεων
ΕΠΛ Δομές Δεδομένων και Αλγόριθμοι Σεπτέμβριος 00 Κατ οίκον Εργασία Σκελετοί Λύσεων Άσκηση Αφού ξέρουμε με ακρίβεια τον αριθμό των βασικών πράξεων που εκτελεί ο κάθε αλγόριθμος σε δεδομένα μεγέθους, θα
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 περισσότερα