ιπλωµατική Εργασία του φοιτητή του Τµήµατος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστηµίου Πατρών

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ιπλωµατική Εργασία του φοιτητή του Τµήµατος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστηµίου Πατρών"

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ TΜΗΜΑ HΛΕΚΤΡΟΛΟΓΩΝ MΗΧΑΝΙΚΩΝ ΚΑΙ TΕΧΝΟΛΟΓΙΑΣ YΠΟΛΟΓΙΣΤΩΝ TΟΜΕΑΣ TΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΕΝΣΥΡΜΑΤΗΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΣ ιπλωµατική Εργασία του φοιτητή του Τµήµατος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστηµίου Πατρών Ευάγγελου Σκόδρα Α.Μ ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΠΟΡΕΥΟΜΕΝΟΥ ΟΧΗΜΑΤΟΣ ΜΕ ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Επιβλέπων Ευάγγελος ερµατάς ΠΑΤΡΑ 2009

2 2 ΠΙΣΤΟΠΟΙΗΣΗ Πιστοποιείται ότι η διπλωµατική εργασία µε θέµα: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΠΟΡΕΥΟΜΕΝΟΥ ΟΧΗΜΑΤΟΣ ΜΕ ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ του Φοιτητή του Τµήµατος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών: Ευάγγελου Σκόδρα Α.Μ: 5866 παρουσιάστηκε δηµόσια και εξετάστηκε στο Τµήµα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών στις 20/03/2009 Ο Επιβλέπων Ο ιευθυντής του Τοµέα Ευάγγελος ερµατάς Νικόλαος Φακωτάκης

3 3 ΑΡΙΘΜΟΣ ΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ: Τίτλος: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΠΟΡΕΥΟΜΕΝΟΥ ΟΧΗΜΑΤΟΣ ΜΕ ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Φοιτητής: Επιβλέπων: Σκόδρας Ευάγγελος ερµατάς Ευάγγελος Περίληψη Η ανάπτυξη ενός ενσωµατωµένου στο όχηµα, συστήµατος υποβοήθησης του οδηγού για αποφυγή συγκρούσεων µε άλλα οχήµατα, βρίσκεται τελευταία στο επίκεντρο του ενδιαφέροντος. Στα συστήµατα αυτά η αξιοπιστία αποτελεί ένα πολύ σηµαντικό παράγοντα. Στην παρούσα εργασία αναπτύσσεται ένα σύστηµα αναγνώρισης προπορευόµενου οχήµατος βασισµένο σε εικόνες οι οποίες λαµβάνονται από βιντεοκάµερα που έχει ενσωµατωθεί στο όχηµα. Η µεθοδολογία την οποία επιλέξαµε να εργαστούµε περιλαµβάνει τον εντοπισµό των κόκκινων εικονοστοιχείων στην εικόνα και τη δηµιουργία της αντίστοιχης δυαδικής εικόνας. Στη συνέχεια, µε µορφολογική επεξεργασία της δυαδικής εικόνας εντοπίζουµε τις περιοχές που αντιστοιχούν στα πιθανά φανάρια του οχήµατος. Με βάση τα σηµεία των πιθανών φαναριών καθορίζουµε την περιοχή στην οποία περικλείεται το όχηµα. Για την επιβεβαίωση της ύπαρξης οχήµατος στην περιοχή αυτή, εκτελούµε έναν έλεγχο συµµετρίας βασιζόµενοι στην οµοιότητα των υποεικόνων και συνεχίζουµε µε τον προσεγγιστικό υπολογισµό της απόστασής του. Τέλος, παρουσιάζουµε τα αποτελέσµατα της µεθόδου, τα συµπεράσµατα που προέκυψαν και προτείνουµε κατευθύνσεις για µελλοντικές βελτιώσεις.

4 4 ΕΥΧΑΡΙΣΤΙΕΣ Η ιπλωµατική Εργασία αυτή εκπονήθηκε κατά το ακαδηµαϊκό έτος στη διάρκεια της φοίτησής µου στο πέµπτο έτος σπουδών του Τµήµατος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών του Πανεπιστηµίου Πατρών. Από τη θέση αυτή θα ήθελα να ευχαριστήσω όλους όσους συνέβαλαν στην ολοκλήρωσή της: Τον Αναπληρωτή Καθηγητή του Τµήµατος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών κ. Ευάγγελο ερµατά για την ενθάρρυνση στην ενασχόλησή µου µε το θέµα αυτό και την υποστήριξή του. Τον µεταπτυχιακό φοιτητή του Τµήµατος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Γεώργιο Σιόγκα για την πολύτιµη βοήθεια και την καθοδήγησή του σε όλη τη διάρκεια της εκπόνησής της.

5 5 ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΗ... 7 ΙΑΡΘΡΩΣΗ ΕΡΓΑΣΙΑΣ... 9 ΚΕΦΑΛΑΙΟ ΑΝΑΣΚΟΠΗΣΗ ΜΕΘΟ ΩΝ ΑΝΑΓΝΩΡΙΣΗΣ ΟΧΗΜΑΤΩΝ ΚΑΙ ΕΠΙΛΟΓΗ ΜΕΘΟ ΟΥ ΠΡΟΣΕΓΓΙΣΗΣ ΕΙΣΑΓΩΓΗ ΑΝΑΣΚΟΠΗΣΗ ΜΕΘΟ ΩΝ ΑΝΑΓΝΩΡΙΣΗΣ ΟΧΗΜΑΤΩΝ Α. Μέθοδοι βασισµένοι στην υπάρχουσα γνώση Β. Μέθοδοι βασισµένοι στην κίνηση Γ. Μέθοδοι βασισµένες σε πρότυπα Μέθοδοι βασισµένες στην εµφάνιση ΣΤΟΙΧΕΙΑ ΠΟΥ ΠΡΕΠΕΙ ΝΑ ΧΑΡΑΚΤΗΡΙΖΟΥΝ ΤΟ ΣΥΣΤΗΜΑ ΑΝΑΓΝΩΡΙΣΗΣ ΠΡΟΠΟΡΕΥΟΜΕΝΩΝ ΟΧΗΜΑΤΩΝ ΜΕΘΟ ΟΛΟΓΙΑ ΠΡΟΣΕΓΓΙΣΗΣ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΑΝΑΓΝΩΡΙΣΗΣ ΠΡΟΠΟΡΕΥΟΜΕΝΩΝ ΟΧΗΜΑΤΩΝ ΠΡΟΕΠΕΞΕΡΓΙΑ ΕΙΚΟΝΩΝ ΚΕΦΑΛΑΙΟ ΑΝΑΠΑΡΑΣΤΑΣΗ ΕΓΧΡΩΜΗΣ ΨΗΦΙΑΚΗΣ ΕΙΚΟΝΑΣ ΕΙΣΑΓΩΓΗ ΧΡΩΜΑΤΙΚΟΙ ΧΩΡΟΙ Χρωµατικός χώρος RGB Χρωµατικός χώρος HSV Χρωµατικοί χώροι HSI και HLS Χρωµατικό µοντέλο CMY Χρωµατικός χώρος XYZ Χρωµατικοί χώροι L*a*b* και L*u*v* ΠΕΡΙΛΗΨΗ ΚΕΦΑΛΑΙΟΥ ΚΕΦΑΛΑΙΟ ΕΝΤΟΠΙΣΜΟΣ ΚΟΚΚΙΝΩΝ ΕΙΚΟΝΟΣΤΟΙΧΕΙΩΝ ΣΤΗΝ ΕΙΚΟΝΑ ΕΙΣΑΓΩΓΗ ΕΠΙΛΟΓΗ ΧΡΩΜΑΤΙΚΟΥ ΧΩΡΟΥ ΥΛΟΠΟΙΗΣΗ ΑΛΓΟΡΙΘΜΟΥ ΠΡΟΒΛΗΜΑΤΑ - ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟ ΜΟΡΦΟΛΟΓΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΥΑ ΙΚΩΝ ΕΙΚΟΝΩΝ... 53

6 6 4.1 ΕΙΣΑΓΩΓΗ ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΥΑ ΙΚΩΝ ΕΙΚΟΝΩΝ ΕΥΡΕΣΗ ΟΜΟΙΩΝ ΑΝΤΙΚΕΙΜΕΝΩΝ ΠΡΟΤΑΣΗ ΜΕΛΛΟΝΤΙΚΗΣ ΒΕΛΤΙΩΣΗΣ ΚΕΦΑΛΑΙΟ ΕΥΡΕΣΗ ΟΡΙΩΝ ΟΧΗΜΑΤΩΝ ΕΙΣΑΓΩΓΗ ΥΛΟΠΟΙΗΣΗ ΑΛΓΟΡΙΘΜΟΥ ΠΛΑΪΝΑ ΟΡΙΑ ΟΧΗΜΑΤΟΣ ΠΑΝΩ ΚΑΙ ΚΑΤΩ ΟΡΙΑ ΟΧΗΜΑΤΟΣ ΠΡΟΤΑΣΗ ΜΕΛΛΟΝΤΙΚΗΣ ΒΕΛΤΙΩΣΗΣ Ανίχνευση ακµών (edge detection) Μετασχηµατισµός Hough (Hough Transform) Χρήση µετασχηµατισµού Hough στην εφαρµογή µας ΚΕΦΑΛΑΙΟ ΕΛΕΓΧΟΣ ΣΥΜΜΕΤΡΙΑΣ ΜΕ ΟΜΟΙΟΤΗΤΑ ΕΙΚΟΝΩΝ ΕΙΣΑΓΩΓΗ ΈΛΕΓΧΟΣ ΣΥΜΜΕΤΡΙΑΣ ΜΕΘΟ ΟΙ ΥΠΟΛΟΓΙΣΜΟΥ ΟΜΟΙΟΤΗΤΑΣ ΕΙΚΟΝΩΝ Προεπεξεργασία εικόνων Μέσο απόλυτο σφάλµα Ιστόγραµµα ψηφιακής εικόνας Μέση απόλυτη διαφορά των ιστογραµµάτων Συσχέτιση σε δυο διαστάσεις Συνδυασµός µεθόδων ΕΚΤΙΜΗΣΗ ΑΠΟΣΤΑΣΗΣ ΠΡΟΠΟΡΕΥΟΜΕΝΟΥ ΟΧΗΜΑΤΟΣ ΚΕΦΑΛΑΙΟ ΠΕΙΡΑΜΑΤΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΥΜΠΕΡΑΣΜΑΤΑ - ΠΡΟΤΑΣΕΙΣ ΒΕΛΤΙΩΣΗΣ ΕΙΣΑΓΩΓΗ ΠΕΙΡΑΜΑΤΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΥΜΠΕΡΑΣΜΑΤΑ Α ΥΝΑΜΙΕΣ ΑΛΓΟΡΙΘΜΟΥ ΠΡΟΤΑΣΕΙΣ ΜΕΛΛΟΝΤΙΚΗΣ ΕΞΕΛΙΞΗΣ... 94

7 7 ΕΙΣΑΓΩΓΗ Κάθε λεπτό, κατά µέσο όρο, τουλάχιστον ένας άνθρωπος χάνει τη ζωή του σε ένα αυτοκινητιστικό δυστύχηµα. Επίσης, τουλάχιστον 10 εκατοµµύρια από αυτούς τραυµατίζονται σοβαρά. Εκτιµάται ότι τα έξοδα νοσηλείας, οι ζηµιές που προκαλούνται και τα διάφορα άλλα έξοδα που προκύπτουν, αυξάνουν κατά 1%-3% το παγκόσµιο ακαθάριστο προϊόν. Με στόχο τη µείωση των τραυµατισµών και της σοβαρότητας των συγκρούσεων, η πρόβλεψη µίας πιθανής σύγκρουσης προσελκύει όλο και περισσότερο το ενδιαφέρον στους κατασκευαστές οχηµάτων και τους ερευνητές. Τα στατιστικά στοιχεία των αυτοκινηστικών δυστυχηµάτων δείχνουν ότι οι σηµαντικότεροι κίνδυνοι προέρχονται από τα άλλα οχήµατα. Μία από τις σηµαντικότερες αιτίες πρόκλησης αυτοκινητιστικών ατυχηµάτων έχει να κάνει µε την προσωρινή απόσπαση της προσοχής του οδηγού λόγω διαφόρων εξωτερικών παραγόντων. Η ανάπτυξη ενός ενσωµατωµένου στο όχηµα συστήµατος υποβοήθησης του οδηγού που να τον προειδοποιεί για πιθανές συγκρούσεις µε άλλα οχήµατα βρίσκεται στο κέντρο του ενδιαφέροντος. Στα συστήµατα αυτά ο αξιόπιστος εντοπισµός οχηµάτων αποτελεί το µείζον θέµα.

8 8 Ο εντοπισµός και η παρακολούθηση των οχηµάτων βρίσκει πολλές εφαρµογές στις εξής περιπτώσεις: 1. κίνηση µε µεγάλη ταχύτητα στους αυτοκινητόδροµους, 2. κίνηση στην πόλη µε χαµηλές ταχύτητες και µικρές αποστάσεις µεταξύ των οχηµάτων, 3. αυτόµατη πλοήγηση του οχήµατος η οποία θα στηρίζεται αποκλειστικά στην οπτική πληροφορία που λαµβάνεται από το περιβάλλον. Οι λόγοι που οδήγησαν στη ραγδαία αύξηση της έρευνας στο πεδίο αυτό είναι εκτός από τις υλικές ζηµιές που προκαλούνται και τις ανθρώπινες ζωές που χάνονται στα αυτοκινητιστικά ατυχήµατα, η διαθεσιµότητα προηγµένων τεχνολογιών που αναπτύσσονται εδώ και 30 χρόνια στην µηχανική όραση. Επίσης, η αλµατώδης αύξηση στις ταχύτητες επεξεργασίας των υπολογιστικών συστηµάτων κατέστησε δυνατή την όλη επεξεργασία σε πραγµατικό χρόνο. Η εργασία αυτή έχει ως στόχο την ανάπτυξη συστήµατος αναγνώρισης προπορευόµενων οχηµάτων, σε εικόνες από ψηφιακές βιντεοσκοπήσεις που λαµβάνονται από κινούµενο αυτοκίνητο. Το σύστηµα αυτό µπορεί να αποτελέσει το πρώτο στάδιο ενός ενσωµατωµένου συστήµατος εντοπισµού και παρακολούθησης, προπορευόµενων οχηµάτων µε σκοπό την υποβοήθηση του οδηγού.

9 9 ιάρθρωση εργασίας Η παρούσα εργασία αποτελείται από επτά κεφάλαια, µε την εξής δοµή: Στο κεφάλαιο 1 γίνεται αναφορά στις διάφορες µεθόδους αναγνώρισης που υπάρχουν και αναλύεται ο τρόπος µε τον οποίο προσεγγίσαµε εµείς το πρόβληµα. Τέλος παρατίθενται τα στοιχεία που πρέπει να χαρακτηρίζουν το σύστηµα το οποίο θα υλοποιηθεί. Στο κεφάλαιο 2 γίνεται αναφορά στους χρωµατικούς χώρους που χρησιµοποιούνται για την αναπαράσταση έγχρωµων ψηφιακών εικόνων. Αναλύονται τα πλεονεκτήµατα και µειονεκτήµατα του καθενός, καθώς και οι εφαρµογές για τις οποίες προτιµάται κάθε χώρος. Στο κεφάλαιο 3 αναλύονται τα στάδια εντοπισµού των κόκκινων εικονοστοιχείων στα καρέ της βιντεοσκόπησης (RGB εικόνες ), από όπου προκύπτει µία δυαδική εικόνα όπου τα «1» αντιπροσωπεύουν τα κόκκινα εικονοστοιχεία. Παρουσιάζονται τα αποτελέσµατα εφαρµογής του αλγορίθµου καθώς και διάφορα προβλήµατα που προέκυψαν. Στο κεφάλαιο 4 γίνεται µορφολογική επεξεργασία της δυαδικής εικόνας που προέκυψε κατά το στάδιο εντοπισµού των κόκκινων εικονοστοιχείων, µε σκοπό τον εντοπισµό πίσω φαναριών οχηµάτων. Στο κεφάλαιο 5 µε βάση τη θέση των πιθανών φαναριών ορίζονται τα όρια των περιοχών ενδιαφέροντος γύρω από αυτά. Οι περιοχές ενδιαφέροντος περικλείουν τα πιθανά οχήµατα στην εικόνα. Επίσης, παρουσιάζεται αναλυτικά µία πρόταση µελλοντικής βελτίωσης του αλγορίθµου η οποία θα ορίζει δυναµικά τα όρια των περιοχών αυτών.

10 10 Στο κεφάλαιο 6 γίνεται έλεγχος συµµετρίας στις περιοχές ενδιαφέροντος που ορίσαµε στο κεφάλαιο 5 βασιζόµενοι στην οµοιότητα των επιµέρους εικόνων. Παρουσιάζονται οι µέθοδοι που χρησιµοποιούνται και µερικά από τα αποτελέσµατα εφαρµογής τους. Στο κεφάλαιο 7 γίνεται παρουσίαση και ανάλυση των πειραµατικών αποτελεσµάτων του συστήµατος αναγνώρισης προπορευόµενων οχηµάτων που υλοποιήσαµε. ίνονται παραδείγµατα της λειτουργίας κάθε σταδίου τόσο σε ευνοϊκές όσο και σε αντίξοες συνθήκες καταγραφής. Σχολιάζεται η απόδοση του συστήµατος και αναλύονται οι αδυναµίες του. Τέλος, προτείνονται λύσεις για µελλοντική βελτίωση τις λειτουργίας του συστήµατος αλλά και για διαφορετικές προσεγγίσεις του προβλήµατος.

11 11 ΚΕΦΑΛΑΙΟ 1 ΑΝΑΣΚΟΠΗΣΗ ΜΕΘΟ ΩΝ ΑΝΑΓΝΩΡΙΣΗΣ ΟΧΗΜΑΤΩΝ ΚΑΙ ΕΠΙΛΟΓΗ ΜΕΘΟ ΟΥ ΠΡΟΣΕΓΓΙΣΗΣ 1.1 Εισαγωγή Στο κεφάλαιο αυτό θα παρουσιάσουµε τις σηµαντικότερες µεθόδους οι οποίες χρησιµοποιούνται για την αναγνώριση προπορευόµενων οχηµάτων. Έγινε προσπάθεια η παρουσίαση αυτή να γίνει µε λιτό, κατανοητό τρόπο, χωρίς να εµβαθύνουµε πολύ στις λεπτοµέρειες, αλλά µε στόχο να συµπεριλάβουµε τις σηµαντικότερες αρχές στις οποίες βασίζονται. Επίσης δίνουµε µια γενική εικόνα ορισµένων προσεγγίσεων του προβλήµατος µέσα από διαφορετικές εργασίες. Τέλος αναλύουµε τους στόχους της δικής µας εργασίας και περιγράφουµε συνοπτικά τη µεθοδολογία την οποία ακολουθήσαµε.

12 Ανασκόπηση µεθόδων αναγνώρισης οχηµάτων Στο εδάφιο αυτό παρουσιάζονται µερικές από τις µεθόδους που χρησιµοποιούνται για την αναγνώριση οχηµάτων και οι οποίες χωρίζονται σε τέσσσερις µεγάλες κατηγορίες: Α. Μέθοδοι βασισµένοι στην υπάρχουσα γνώση Οι µέθοδοι αυτές χρησιµοποιούν a-priori γνώση για να ελέγξουν την ύπαρξη οχηµάτων σε µια εικόνα. Μερικές από τις πιο αντιπροσωπευτικές προσεγγίσεις χρησιµοποιούν πληροφορία για τη συµµετρία, το χρώµα, τις σκιές, τα γεωµετρικά χαρακτηριστικά (π.χ γωνίες, οριζόντιες/κάθετες ακµές), την υφή και τα φώτα των οχηµάτων. 1) Συµµετρία: Η συµµετρία αποτελεί µία απο τις υπογραφές των αντικειµένων που έχουν φτιαχτεί απ τον άνθρωπο και είναι ένα ισχυρότατο χαρακτηριστικό που χρησιµοποιείται στον εντοπισµό και αναγνώριση αντικειµένων. Εικόνες οχηµάτων που έχουν ληφθεί απο την µπροστινή ή την πίσω όψη είναι γενικά συµµετρικές ως προς τον κάθετο άξονα. Η παρατήρηση αυτή χρησιµοποιείται ως βάση για την αναγνώριση αντικειµένων σε αρκετές µελέτες. Ένα σηµαντικό ζήτηµα που προκύπτει όταν υπολογίζεται η συµµετρία απο τις εικόνες φωτεινοτήτων (grey), είναι η παρουσία οµογενών περιοχών. Σε αυτές τις περιοχές, ο υπολογισµός της συµµετρίας είναι ευαίσθητος στον θόρυβο. Στην εργασία [10] η πληροφορία για τις ακµές χρησιµοποιήθηκε στον υπολογισµό της συµµετρίας ώστε να φιλτραριστούν οι οµογενείς περιοχές (σχήµα 1.1 )

13 13 Σχήµα 1.1: Υπολογισµός συµµετρίας. (α) συµµετρία εικόνας φωτεινοτήτων (grey-level), (b) συµµετρία ακµών,(c) συµµετρία οριζοντίων ακµών, (d) συµµετρία καθέτων ακµών, (e) συνολική συµµετρία 2) Χρώµα: Παρόλο που λίγα υπάρχοντα συστήµατα χρησιµοποιούν µόνο την χρωµατική πληροφορία γαι την αναγνώριση οχηµάτων, αποτελεί ένα πολύ χρήσιµο χαρακτηριστικό για εντοπισµό εµποδίων, ακολούθηση λωρίδων στους δρόµους κτλ. ιάφορα πρωτότυπα συστήµα εξετάζουν την χρησιµοποίηση της χρωµατικής πληροφορίας ως ένα χαρακτηριστικό στοιχέιο για την ακολούθηση λωρίδων (και κατ επέκταση δρόµων) είτε για την τµηµατοποίηση (διαχωρισµό) οχηµάτων απο το περιβάλλον. Με βάση τον RGB χρωµατικό χώρο εργάστηκε ο Buluswar et al. [11] ο οποίος χρησιµοποίησε µία µή παραµετρική, βασισµένη σε εκπαίδευση, προσέγγιση για την τµηµατοποίηση και εντοπισµό αντικειµένων. Ένα πολυπαραµετρικό δέντρο απόφασης (multivariate decision tree) χρησιµοποιήθηκε για να µοντελοποιήσει το αντικείµενο στον RGB χρωµατικό χώρο από έναν αριθµό παραδειγµάτων εκπαίδευσης. Η δυσκολία να εκτιµηθεί

14 14 η διαφορά δυο χρωµάτων από την απόστασή τους στον RGB χρωµατικό χώρο ώθησε τον Guo et al. [12] να διαλέξει τον L*a*b χρωµατικό χώρο. Ο L*a*b χρωµατικός χώρος παρουσιάζει το πλεονέκτηµα οτι αντιστοιχεί τις διαφορές µεταξύ των χρωµάτων σε ίσες Ευκλείδειες αποστάσεις µεταξύ τους. 3) Σκιές: Η πληροφορία σχετικά µε τις σκιές στηρίχθηκε στο γεγονός ότι στις εικόνες φωτεινότητας, η περιοχή κάτω από τα οχήµατα είναι σαφώς πιό σκοτεινή από οποιαδήποτε άλλη περιοχή σε ένα ασφαλτοστρωµένο δρόµο. Μια πρώτη προσπάθεια να γίνει εκµετάλλευση αυτής της παρατήρησης γίνεται στην εργασία [13], αν και δεν υπήρξε κάποιος µεθοδικός τρόπος να επιλεχθούν οι κατάλληλες τιµές των κατωφλίων. Η ένταση της φωτεινότητας της σκιάς εξαρτάται από την φωτεινότητα της εικόνας, η οποία µε την σειρά της εξαρτάται απο τις καιρικές συνθήκες. Για το λόγο αυτό, οι τιµές των κατωφλίων δεν µπορούν να είναι σταθερές. Για την τµηµατοποίηση τις σκιασµένης περιοχής χρειάζονται ένα µέγιστο και ένα ελάχιστο όριο. Συνεπώς, γίνεται φανερό ότι είναι δύσκολο να βρεθεί το ελάχιστο όριο για µια σκιασµένη περιοχή. Το µέγιστο όριο µπορεί να εκτιµηθεί αναλύοντας την εικόνα φωτεινοτήτων (grey-level) του ελεύθερου χώρου οδήγησης του δρόµου δηλαδή ακριβώς µπροστά απο το προπορευόµενο όχηµα. Ο Tzomakas et al. στην εργασία του [14] ακολούθησε την ίδια ιδέα ώστε να προσδιορίσει τις τιµές των κατωφλίων. Συγκεκριµένα, θεώρησε µια κανονική κατανοµή για την ένταση του ελεύθερου χώρου οδήγησης. Η µέση τιµή και η απόκλιση της κατανοµής υπολογίστηκαν µε το κριτήριο της µέγιστης πιθανοφάνειας. Το µέγιστο όριο των σκιασµένων περιοχών ορίστηκε ώς το όριο όπου οι τιµές φωτεινότητας του δρόµου έφθιναν στο µηδέν, απο τα δεξιά της µέσης τιµής, το οποίο προσεγγίστηκε ως m-3σ όπου m είναι η µέση τιµή και σ η τυπική απόκλιση. Τα αποτελέσµατα του αλγορίθµου αυτού παρουσιάζονται

15 15 στην εικόνα 1.2. Ας σηµειωθεί ότι η υπόθεση της κατανοµής για τα εικονοστοιχεία του δρόµου δεν είναι πάντα αληθής. Εικόνα 1.2 : Ελεύθερος χώρος οδήγησης, το αντίστοιχο ιστόγραµµα και οι κατωφλιωµένες εικόνες 4) Γωνίες: Εκµεταλλευόµενος το γεγονός ότι τα οχήµατα έχουν κατά κανόνα ορθογώνιο σχήµα µε τέσσερις γωνίες (πάνω-αριστερή, πάνωδεξιά, κάτω-αριστερή και κάτω-δεξιά), ο Bertozzi πρότεινε µία µέθοδο βασισµένη στις γωνίες για να εντοπίσει τις πιθανές θέσεις οχηµάτων. Τέσσερα πρότυπα (templates), καθένα απο τα οποία ανταποκρίνεται σε µία απο τις τέσσερις γωνίες, χρησιµοποιούνται για να ανιχνεύσουν όλες τις γωνίες στην εικόνα. Ακολούθως, εφαρµόζεται µια µέθοδος που να βρίσκει τις γωνίες που ταιριάζουν µεταξύ τους (π.χ µία σωστά ανιχνευµένη πάνω-αριστερή γωνία πρέπει να έχει µία κάτω-δεξιά γωνία µε την οποία να ταιριάζει). 5) Οριζόντιες/κάθετες ακµές: ιαφορετικές όψεις ενός οχήµατος, ειδικά η µπροστινή και πίσω όψη, περιέχουν πολλές οριζόντιες και κάθετες δοµές όπως το πίσω τζάµι, οι προφυλακτήρες κτλ. Η χρησιµοποίηση των οριζοντίων και καθέτων ακµών έχει αποδειχθεί

16 16 ένα ισχυρό χαρακτηριστικό για την ύπαρξη οχήµατος σε µια εικόνα. Στην εργασία [15] οι κάθετες και οριζόντιες ακµές εξάγονται ξεχωριστά χρησιµοποιώντας τη Sobel µάσκα. Στη συνέχεια δύο φίλτρα εξαναγκασµού εφαρµόζονται στις ακµές αυτές για να διαχωριστούν τα οχήµατα από το περιβάλλον. Τα φίλτρα αυτά δηµιουργούνται µε βάση προηγούµενη γνώση για τα οχήµατα. Στη συνέχεια, εφαρµόζεται µία προσέγγιση πολλαπλών σταδίων η οποία συνδυάζει υποδειγµατοληψία της εικόνας και λείανση, ώστε να εξάγει µε περισσότερη αξιοπιστία τις πιθανές θέσεις ύπαρξης οχηµάτων. Χρησιµοποιούνται τρία επίπεδα ανάλυσης, (360 x 248), (180 x 124), και (90 x 62). Σε κάθε επίπεδο γίνεται επεξεργασία της εικόνας ως εξής: α) κατωδιαβατό φιλτράρισµα της εικόνας, (β) εντοπισµός καθέτων ακµών, (γ) εντοπισµός οριζοντίων ακµών, (δ) ανίχνευση τοπικών µεγίστων και ελαχίστων (local maxima and local minima). Οι κορυφές και οι πεδιάδες που προκύπτουν δίνουν σηµαντική πληροφορία για την ύπαρξη οχηµάτων στην εικόνα. Ξεκινώντας απο το πιό χοντρικό στάδιο εντοπίζονται όλα τα τοπικά µέγιστα στο στάδιο αυτό. Παρόλο που στην εικόνα χαµηλής ανάλυσης έχουν εξαλειφθεί οι λεπτοµέρειες οι κύριες οριζόντιες και κάθετες δοµές έχουν διατηρηθεί. Μετά τον εντοπισµό των τοπικών µεγίστων στο χοντρικό στάδιο τα τοπικά αυτά µέγιστα ανιχνεύονται στο επόµενο πιό λεπτοµερές στάδιο. Τα αποτελέσµατα αυτού του σταδίου τελικώς ανιχνεύονται στο τελευταίο στάδιο (το πιο λεπτοµερές) όπου και προκύπτουν οι υποθέσεις για την ύπαρξη οχηµάτων. Παράδειγµα της διαδικασίας αυτής φαίνεται στο σχήµα 1.3:

17 17 Σχήµα 1.3 : Προσέγγιση πολλαπλών σταδίων στις εικόνες ανάλυσης (90 x 62), (180 x 124) και (360 x 248), αντίστοιχα. α) Κατωδιαβατό φιλτράρισµα της εικόνας, (β) εντοπισµός καθέτων ακµών, (γ) εντοπισµός οριζοντίων ακµών, (δ) ανίχνευση τοπικών µεγίστων και ελαχίστων 6) Υφή: Η παρουσία ενός οχήµατος σε µια εικόνα προκαλεί τοπικές αλλαγές στην ένταση της φωτεινότητας. Λόγω της οµοιότητας που παρουσιάζουν τα οχήµατα µεταξύ τους, η αλλαγή της έντασης της φωτεινότητας ακολουθεί ένα συγκεκριµένο πρότυπο υφής (texture). Η πληροφορία αυτή της υφής χρησιµοποιείται ως υπόδειγµα για να περιοριστεί το εύρος των περιοχών στις οποίες ψάχνουµε για πιθανά οχήµατα. Αρχικά, χρησιµοποιήθηκε η εντροπία ως ένα µέτρο της αναγνώρισης της υφής. Για κάθε εικονοστοιχείο της εικόνας, επιλέγεται ένα µικρό παράθυρο γύρω από αυτό και η εντροπία του παραθύρου εκλαµβάνεται ως η εντροπία του εικονοστοιχείου. Μόνο οι περιοχές µε υψηλή εντροπία επιλέγονται για περαιτέρω επεξεργασία.

18 18 7) Φανάρια οχηµάτων: Οι περισσότερες από τις µεθόδους που παρουσιάστηκαν παραπάνω είναι ακατάλληλες για εντοπισµό οχηµάτων το βράδυ είναι αδύνατο να εντοπίσεις σκιές, οριζόντιες/κάθετες ακµές ή γωνίες σε εικόνες που έχουν ληφθεί βραδυνές ώρες. Ένα εξέχον οπτικό χαρακτηριστικό κατα τη διάρκεια της νύκτας είναι τα φώτα των αυτοκινήτων. Ο Cucchiara et al. [16] στην εργασία του χρησιµοποίησε µορφολογική ανάλυση για να εντοπίσει τα ζευγάρια των φαναριών σε µια περιορισµένη περιοχή ενδιαφέροντος. Ο µορφολογικός αυτός επεξεργαστής λάµβανε επίσης υπ όψιν του το σχήµα, το µέγεθος καθώς και την ελάχιστη απόσταση µεταξύ των οχηµάτων. Β. Μέθοδοι βασισµένοι στην κίνηση Όλες οι µέθοδοι που περιγράφτηκαν µέχρι τώρα χρησιµοποιούν χωρικά χαρακτηριστικά για τον διαχωρισµό µεταξύ των οχηµάτων και του περιβάλλοντος. Ένα άλλο χαρακτηριστικό το οποίο µπορεί να χρησιµοποιηθεί για τον εντοπισµό των οχηµάτων είναι η σχετική κίνηση η οποία υπολογίζεται µέσω της οπτικής ροής (optical flow). Ας αναπαραστήσουµε την ένταση της φωτεινότητας σε ένα σηµείο (x, y) σε συνάρτηση µε το χρόνο t ως Ε(x, y, t). Τα εικοστοιχεία στην εικόνα µοιάζουν να κινούνται λόγω της σχετικής κίνησης µεταξύ της κάµερας και της σκηνής. Το διάνυσµα πεδίου o(x,y) της κίνησης αυτής είναι γνωστό ως οπτική ροή. Η οπτική ροή µπορεί να προσφέρει σηµαντική πληροφορία για τον εντοπισµό οχηµάτων (βλέπε σχήµα 1.4). Τα οχήµατα που κινούνται στο αντίθετο ρεύµα του δρόµου σχηµατίζουν µία αποκλίνουσα ροή, η οποία µπορεί να διαχωριστεί ποσοτικά από τη ροή που δηµιουργείται από την ιδιοκίνηση του οχήµατος. Από την άλλη πλευρά, τα µπροστινά οχήµατα που εκκινούν ή αυτά που προσπερνάνε δηµιουργούν µια συγκλίνουσα ροή.

19 19 Για να εκµεταλλευτούµε τις παρατηρήσεις αυτές στην εύρεση εµποδίων, η εικόνα διαιρείται πρώτα σε µικρές υποεικόνες σε καθεµία απο τις οποίες υπολογίζεται µια µέση ταχύτητα. Οι υποεικόνες µε µεγάλη διαφορά ταχύτητας από τη γενική εκτίµηση της ταχύτητας σηµειώνονται ως πιθανά εµπόδια. Σχήµα 1.4: Σύγκριση οπτικών ροών υπολογισµένων µε διαφορετικούς αλγορίθµους. (α) Καρέ βιντεοσκόπησης, (b) η θεωρητική οπτική ροή υπολογισµένη σε µια επίπεδη επιφάνεια, (c) οπτική ροή υπολογισµένη µε τη µέθοδο της πρώτης παραγώγου, (d) οπτική ροή υπολογισµένη µε τη µέθοδο της δεύτερης παραγώγου, (e) οπτική ροή υπολογισµένη χρησιµοποιώντας πολυβάθµιες διαφορικές τεχνικές, (f) οπτική ροή υπολογισµένη µε µεθόδους συσχέτισης

20 20 Γ. Μέθοδοι βασισµένες σε πρότυπα Οι µέθοδοι που είναι βασισµένες σε πρότυπα χρησιµοποιούν προκαθορισµένα πρότυπα οχηµάτων και εκτελούν συσχέτιση µεταξύ της εικόνας και του προτύπου. Μερικά από τα πρότυπα αναπαριστούν τα οχήµατα µε λεπτοµέρεια, ενώ άλλα χρησιµοποιούν µικρότερη λεπτοµέρεια. Αναφέρεται ότι λόγω της φύσης της µεθόδου οι περισσότερες εργασίες στην βιβλιογραφία παρουσιάζουν ποσοτικά αποτελέσµατα και επιδεικνύουν την απόδοση των συστηµάτων µέσω παραδειγµάτων. Παράδειγµα µιας εργασίας είναι αυτή του Parodi et al. [17] ο οποίος προτείνει προσέγγιση βασισµένη στην παρουσία πινακίδων και πίσω τζαµιών οχηµάτων. Τα πρότυπα αυτά λογίζονται ως µή λεπτοµερειακά. Στην εργασία του δεν παρουσιάζονται καθόλου ποσοτικά αποτελέσµατα. Ο Handmann [18] πρότεινε ένα πρότυπο βασισµένο στην παρατήρηση οτι η µπροστινή και πίσω όψη των οχηµάτων έχουν ενα σχήµα U (π.χ µια οριζόντια ακµή, δύο κάθετες ακµές και δύο γωνίες που ενώνουν την οριζόντια µε τις κάθετες ακµές). Υπέθετε δηλαδή την ύπαρξη οχήµατος όταν έβρισκε στην εικόνα κάποιο σχήµα U.. Μέθοδοι βασισµένες στην εµφάνιση Οι µέθοδοι αυτές χρησιµοποιούνται κυρίως για την επιβεβαίωση ύπαρξης οχήµατος στις περιοχές ενδιαφέροντος. Χρησιµοπούν δύο κατηγορίες ταξινόµησης, όχηµα και µή όχηµα. Η κατασκευή ενός αξιόπιστου συστήµατος αναγνώρισης προτύπων προϋποθέτει την εύρεση του βέλτιστου κατωφλίου απόφασης µεταξύ των κατηγοριών στις οποίες ταξινοµούνται. εδοµένης της ποικιλίας των οχηµάτων που υπάρχουν, αντιλαµβανόµαστε ότι η εύρεση του κατωφλίου αυτού δεν είναι απλή. Μια εφικτή προσέγγιση είναι να ορίσουµε το κατώφλι απόφασης µε εκπαίδευση, χρησιµοποιώντας

21 21 ορισµένα χαρακτηριστικά παραδείγµατα. Τα παραδείγµατα αυτά που χρησιµοποιούνται προς εκπαίδευση θα πρέπει να αντιπροσωπεύουν την µεγάλη ποικιλία των οχηµάτων. Συνήθως γίνεται και εκπαίδευση για τα µή οχήµατα ώστε να βελτιωθεί η απόδοση της µεθόδου. Έτσι συγκεντρώνουµε ένα µεγάλο αριθµό εικόνων που θα χρησιµοποιηθούν για εκπαίδευση, οι οποίες αντιπροσωπεύουν γενικά ή ειδικά χαρακτηριστικά. Ακολούθως ορίζεται το κατώφλι απόφασης εκπαιδεύοντας έναν ταξινοµητή είτε µοντελοποιώντας την κατανοµή πιθανότητας των χαρακτηριστικών σε κάθε κατηγορία. 1.3 Στοιχεία που πρέπει να χαρακτηρίζουν το σύστηµα αναγνώρισης προπορευόµενων οχηµάτων Ένα σύστηµα αναγνώρισης προπορευόµενων οχηµάτων, θα πρέπει όπως είναι προφανές να πληροί κάποιες προδιαγραφές οι οποίες το καθιστούν κατάλληλο για µελλοντική χρήση σε πραγµατικές εφαρµογές. Έτσι, µπορούµε να συνοψίσουµε τις κυριότερες από αυτές, οι οποίες είναι: Η ταχύτητα απόκρισης του συστήµατος: Η αναγνώριση θα πρέπει να γίνεται σε πραγµατικό χρόνο. Η αξιοπιστία του συστήµατος: Η αναγνώριση θα πρέπει να χαρακτηρίζεται από υψηλή αξιοπιστία και θα πρέπει να ελαχιστοποιείται η πιθανότητα αποτυχίας αναγνώρισης οχηµάτων, ειδικά σε κρίσιµες στιγµές (π.χ κατα τη διαδικασία πέδησης του προπορευόµενου οχήµατος). Η ελαχιστοποίηση εσφαλµένων αναγνωρίσεων: Αυτές αφορούν την λανθασµένη αναγνώριση του περιβάλλοντος ως όχηµα.

22 Μεθοδολογία προσέγγισης του προβλήµατος αναγνώρισης προπορευόµενων οχηµάτων Η µεθοδολογία µε βάση την οποία εργαστήκαµε χρησιµοποιεί ένα συνδυασµό των µεθόδων βασισµένων στην υπάρχουσα γνώση και εκµεταλλεύεται µερικά από τα κυρίαρχα χαρακτηριστικά των οχηµάτων. Αρχικά, θεωρούµε ως δεδοµένο ότι υπάρχει κάποιο όχηµα στις εικόνες που εξετάζουµε. Το πρώτο στάδιο της εργασίας µας αφορά στην αναζήτηση των πίσω (κόκκινων) φαναριών, τα οποία υπάρχουν σε όλα ανεξαρτήτως τα οχήµατα. Η αναζήτηση αυτή βασίστηκε στην εύρεση των κόκκινων εικονοστοιχείων στην εικόνα, µέσα στα οποία περιλαµβάνονται και τα κόκκινα πίσω φανάρια του οχήµατος. Η πληροφορία η οποία µας είναι απαραίτητη για τη συνέχεια, είναι αν κάθε εικονοστοιχείο της αρχικής εικόνας είναι κόκκινο ή όχι. Για το λόγο αυτό δηµιουργούµε µια δυαδική (binary) εικόνα όπου τα κόκκινα εικονοστοιχεία της αρχικής εικόνας έχουν την τιµή 1 ενώ όλα τα υπόλοιπα την τιµή 0. Στο δεύτερο στάδιο της εργασίας µας κάνουµε µορφολογική επεξεργασία στη δυαδική εικόνα ώστε να απορρίψουµε τα αντικείµενα 1 τα οποία δεν πληρούν ορισµένα χαρακτηριστικά χώρου και κρατάµε ώς πιθανά φανάρια µόνο αυτά τα οποία είναι όµοια µεταξύ τους. Ακολούθως, στο επόµενο στάδιο, µε βάση τα κέντρα των πιθανών φαναριών που εντοπίσαµε, κατασκευάζουµε (στην αρχική εικόνα) ένα ορθογώνιο παραλληλόγραµµο γύρω απο αυτά, το οποίο περικλείει τα πιθανά οχήµατα που θέλουµε να εντοπίσουµε. Η επιβεβαίωση ύπαρξης κάποιου οχήµατος στις περιοχές (ορθογώνια παραλληλόγραµµα) που δηµιουργούνται, γίνεται µε έλεγχο συµµετρίας στις περιοχές αυτές, ως προς τον κάθετο άξονα που περνάει απο το κέντρο τους. Ο έλεγχος συµµετρίας πραγµατοποιείται χωρίζοντας το ορθογώνιο παραλληλόγραµµο σε δυό υποεικόνες σύµφωνα µε τον άξονα συµµετρίας, και εξετάζοντας την οµοιότητα των υποεικόνων αυτών. Για τις υποεικόνες στις οποίες ο 1 Αντικείµενο στην δυαδική εικόνα είναι µια περιοχή από 1, ενώ όλα τα 0 αποτελούν το υπόβαθρο της εικόνας.

23 23 συντελεστής οµοιότητας πληρεί τις προϋποθέσεις που θέτουµε, θεωρούµε ότι υπάρχει όχηµα στη θέση εκείνη. Τέλος, για τα οχήµατα τα οποία εντοπίζονται, υπολογίζεται προσεγγιστικά η απόσταση τους. Η µεθολογία που χρησιµοποιούµε παρουσιάζεται στο διάγραµµα ροής του σχήµατος 1.5. Σχήµα 1.5. Στάδια εντοπισµού προπορευόµενου οχήµατος

24 Προεπεξεργία εικόνων Πρίν ξεκινήσουµε την ανάλυση, αναφερόµαστε στην προεπεξεργασία στην οποία υποβλήθηκαν οι εικόνες µας (τα καρέ τις βιντεοσκόπησης) προτού περάσουν στα στάδια εντοπισµού του προπορευόµενου οχήµατος. Κατ αρχάς αφαιρούµε την περιοχή του ταµπλώ του αυτοκινήτου, η οποία, χωρίς να προσφέρει σηµαντική πληροφορία, οδηγεί στην αύξηση του χρόνου επεξεργασίας της εικόνας. Επίσης, κάνουµε µια µικρή περιστροφή στις εικόνες που είναι απαραίτητο λόγω ατελούς τοποθέτησης της κάµερας, ώστε τα οχήµατα να βρίσκοντα οριζόντια. Βέβαια, αν και αυτό µειώνει την ποιότητα της εικόνας λόγω παρεµβολής (interpolation), κρίνεται απαραίτητο διότι το χαρακτηριστικό αυτό χρησιµοποιείται στα επόµενα στάδια της εργασίας. Το στάδιο αυτό της προεπεξεργασίας είναι πολύ σηµαντικό γιατί διευκολύνει το έργο της ανίχνευσης και µειώνει την πολυπλοκότητα. Τέλος, αναφέρουµε ότι στο ολοκληρωµένο στάδιο δεν θα είναι απαραίτητη η παραπάνω προεπεξεργασία, διότι η κάµερα θα είναι ενσωµατωµένη στο όχηµα και ρυθµισµένη κατάλληλα.

25 25 ΚΕΦΑΛΑΙΟ 2 ΑΝΑΠΑΡΑΣΤΑΣΗ ΕΓΧΡΩΜΗΣ ΨΗΦΙΑΚΗΣ ΕΙΚΟΝΑΣ 2.1 Εισαγωγή Στην αυτόµατη ανάλυση εικόνας, όπως στην περίπτωσή µας, το χρώµα αποτελεί ένα πολύ ισχυρό χαρακτηριστικό όσον αφορά την περιγραφή, και απλοποιεί την αναγνώριση αντικειµένων και την εξαγωγή τους απο µια σκηνή που περιέχει διαφόρων ειδών αντικείµενα. Η χρωµατική πληροφορία είναι ένα απ τα βασικότερα στοιχεία που θα αξιοποιήσουµε, οπότε είµαστε υποχρεωµένοι να χρησιµοποιήσουµε έγχρωµες εικόνες, έστω και αν αυτό αυξάνει την πολυπλοκότητα του προβληµατός µας. Στο κεφάλαιο αυτό θα εξετάσουµε τον τρόπο αναπαράστασης έγχρωµων ψηφιακών εικόνων, ο οποίος βασίζεται στην χρήση χρωµατικών χώρων.

26 Χρωµατικοί χώροι Με τον όρο χρωµατικός χώρος εννοούµε ενα µοντέλο που χρησιµοποιείται για την αναπαράσταση του χρώµατος µε τη µορφή τιµών έντασης. Ο χρωµατικός χώρος ορίζει τον τρόπο µε τον οποίο αναπαρίσταται η χρωµατική πληροφορία. Σκοπός του είναι να διευκολύνεται ο ορισµός των χρωµάτων στα πλαίσια της τυποποίησης. Στην ουσία, ένα χρωµατικό µοντέλο είναι ένα τρισδιάστατο σύστηµα συντεταγµένων και ένα υποσύστηµα µέσα σε αυτό όπου κάθε χρώµα αναπαρίσταται από ένα σηµείο. Σήµερα, τα περισσότερα µοντέλα είναι προσαρµοσµένα στα φυσικά εξαρτήµατα υπολογιστικών συστηµάτων (π.χ. οθόνες και εκτυπωτές) ή σε εφαρµογές όπου είναι επιθυµητή η διαχείρηση των χρωµάτων (π.χ. graphic animation). Στην πρώτη κατηγορία ανήκουν το µοντέλο RGB (Red, Green, Blue) για έγχρωµες οθόνες και κάµερες, το µοντέλο CMY (Cyan, Magenta, Yellow) για έγχρωµους εκτυπωτές και το µοντέλο YIQ (luminance, Inphase, Quadrature) που είναι το πρότυπο για την τηλεοπτική µετάδοση. Στη δεύτερη κατηγορία έχουµε το µοντέλο HSI (Hue, Saturation, Intensity) και το HSV (Hue, Saturation, Value). Στη συνέχεια παρουσιάζουµε τους ευρύτερα χρησιµοποιούµενους χρωµατικούς χώρους και τα χαρακτηριστικά τους Χρωµατικός χώρος RGB Στον χρωµατικό χώρο RGB το κάθε χρώµα εκφράζεται συναρτήσει των τριών βασικών χρωµάτων, του κόκκινου, του πράσινου και του µπλέ και βασίζεται σε ένα καρτεσιανό σύστηµα συντεταγµένων. Κάθε χρώµα µπορεί να αναπαρασταθεί από µια µίξη συγκεκριµένων τιµών έντασης σε καθεµία από τις παραπάνω χρωµατικές συνιστώσες. Οι διάφορες χρωµατικές αποχρώσεις µπορούν να αναπαρασταθούν σε σύστηµα τριών διαστάσεων αν φανταστούµε ότι κάθε άξονας αντιστοιχεί σε µια χρωµατική συνιστώσα.

27 27 Εποµένως ο RGB χώρος µπορεί να αναπαρασταθεί απο ένα κύβο, όπως φαίνεται στο σχήµε 2.1. (α) (β) Σχήµα 2.1: (α) Σχηµατική απεικόνηση του RGB χρωµατικού κύβου, (β) Χρωµατική απεικόνηση του RGB χρωµατικού κύβου. Στο σχήµα 2.1(α) φαίνονται τα κύρια χρώµατα (κόκκινο, πράσινο, µπλέ) που βρίσκονται πάνω στους άξονες. Το κυανό, το µατζέντα και το κίτρινο βρίσκονται στις άλλες τρείς κορυφές, ενώ το µαύρο είναι στην αρχή των αξόνων και το άσπρο στην απώτατη κορυφή απ την αρχή. Τα επίπεδα του γκρί είναι οι τιµές που εκφράζει το ευθύγραµµο τµήµα απο την αρχή των αξόνων (µαύρο) µέχρι το άσπρο. Ένα οποιοδήποτε άλλο σηµείο µέσα ή πάνω στον κύβο εκφράζει κάποιο χρώµα. Το σχήµα 2.1(β) δίνει τη χρωµατική κατανοµή στον κύβο RGB. Στο matlab η αναπαράσταση µιας RGB εικόνας διαστάσεων Μ x Ν γίνεται µε έναν πίνακα τριών διαστάσεων M x N x 3 που περιέχει pixel χρώµατος. Κάθε pixel είναι µια τριπλέτα χρωµάτων που Αντιστοιχεί στις συνιστώσες του κόκκινου, του πράσινου και του µπλέ για το συγκεκριµένο σηµείο. Μια RGB εικόνα, δηλαδή, µπορεί να αναπαρασταθεί ως µια στοίβα απο τρείς gray-scale εικόνες οι οποίες όταν τροφοδοτηθούν στις εισόδους για κόκκινο, πράσινο και µπλέ µιας έγχρωµης οθόνης παράγουν µια έγχρωµη εικόνα. Οι

28 28 τρείς επιµέρους εικόνες που αποτελούν την RGB εικόνα αναφέρονται ως χρωµατικές συνιστώσες. Σχήµα 2.2: Σχηµατική απεικόνιση των pixel σε µια RGB εικόνα που σχηµατίζονται απο τα αντίστοιχα pixel των τριών χρωµατικών συνιστωσών (α) (β) (γ) (δ) Σχήµα 2.3: Οι χρωµατικές συνιστώσες του µοντέλου RGB (α) Αρχική εικόνα, (β) Κόκκινη συνιστώσα, (γ) Πράσινη συνιστώσα, (δ) Μπλέ συνιστώσα

29 Χρωµατικός χώρος HSV Το χρωµατικό µοντέλο HSV (Hue, Saturation, Value) εκµεταλλεύεται τον τρόπο που οι άνθρωποι αντιλαµβάνονται το χρώµα. Συγκεκριµένα συνηθίζεται να περιγράφουµε τις διάφορες σκηνές, όχι σε συνθήκες κόκκινου, πράσινου και µπλε, αλλά ως απόχρωση, καθαρότητα και ένταση. Βλέπουµε τα πράγµατα ως χρώµατα ή αποχρώσεις, οι οποίες έχουν είτε µια ξεπλυµένη όψη, είτε βαθύ και έντονο χαρακτήρα. Το Hue (απόχρωση) είναι το χρώµα που γίνεται αντιληπτό λόγω του µήκους κύµατος. Το Saturation (καθαρότητα) είναι ο βαθµός καθαρότητας του χρώµατος, δηλαδή το κατά πόσο το χρώµα έχει πρόσµιξη λευκού µέσα. Το Value (τιµή) αναφέρεται στο βαθµό µίξης ενός καθαρού χρώµατος µε το µαύρο. Το σύνολο των τριών αυτών ιδιοτήτων µπορεί να παράγει οποιοδήποτε χρώµα βρίσκεται στη φύση. Η τρισδιάστατη αναπαράσταση του HSV προκύπτει από τον κύβο RGB. Αν κοιτάξουµε στον RGB κύβο κατά µήκος της διαγωνίου του γκρί, µπορούµα να δούµε ένα εξάγωνο, το οποίο είναι το HSV εξάγωνο. Η απόχρωση δίνεται από τη γωνία µε τον οριζόντιο άξονα µε το κόκκινο στις 0, το κίτρινο στις 60, το πράσινο στις 120, το κυανό στις 180, το µπλέ στις 240 και το µατζέντα στις 300. Να σηµειωθεί οτι τα συµπληρωµατικά χρώµατα έχουν 180 διαφορά. Η χρωµατική καθαρότητα κυµαίνεται µεταξύ 0.0 S 1.0 και είναι ο λόγος της καθαρότητας µιας συγκεκριµένης απόχρωσης προς τη µέγιστη καθαρότητα (S=1). Όταν S=0 βρισκόµαστε στην κλίµακα του γκρί, δηλαδή στη διαγώνιο του RGB κύβου. Για την επιλογή ενός χρώµατος διαλέγουµε αρχικά µια καθαρή απόχρωση (καθορίζουµε δηλαδή την τιµή του H και θέτουµε S=V=1). Στη συνέχεια προσθέτοντας µαύρο µειώνουµε την τιµή του V και προσθέτοντας άσπρο µειώνουµε το S.

30 30 (α) (β) Σχήµα 2.4: Σχηµατική αναπαράσταση του χρωµατικού χώρου HSV (α) HSV εξάγωνο, (β) Χρωµατική άποψη του HSV εξαγώνου Ο µετασχηµατισµός απο RGB σε HSV είναι µη γραµµικός αλλά αντιστρεπτός. Ο ψευδοκώδικας µετασχηµατισµού απο RGB σε HSV και αντίστροφα φαίνεται παρακάτω: Max = max(r,g,b); Min = min(r,g,b); Delta = Max - Min; V = Max; If (Max==0) S = 0; else S = (Max - Min)/Max; if (Max == Min) H = 0; else if (R==Max & G>=B) H = 60 (G-B)/Delta; elseif (R(i,j)==Max & G(i,j)<B(i,j)) H = (G-B)/Delta; elseif (G==Max) H = 60 (2 + (B-R)/Delta); else H = 60 (4 + (R-G)/Delta); H i = mod6( floor(h/60) ) f = H/60 floor(h/60) p = V (1 - S) q = V (1 - f S) t = V (1 - (1-f) S) (R, G, B) = (V, t, p) if H i =0 (q, V, p) if H i =1 (p, V, t) if H i =2 (p, q, V) if H i =3 (t, p, V) if H i =4 (V, p, q) if H i =5 Ψευδοκώδικας µετασχηµατισµού HSV RGB Ψευδοκώδικας µετασχηµατισµού RGB HSV

31 31 Το HSV παρουσιάζει δυο βασικά πλεονεκτήµατα. Πρώτον η τιµή V είναι ανεξάρτητη από το χρώµα και δεύτερον η απόχρωση H και η χρωµατική καθαρότητα S είναι στενά συσχετισµένες µε τον τρόπο αντίληψης του χρώµατος από το ανθρώπινο µάτι. Αυτά τα χαρακτηριστικά καθιστούν το µοντέλο HSV ιδανικό εργαλείο για την ανάτυξη αλγορίθµων επεξεργασίας εικόνας βασισµένων στην αίσθηση χρώµατος από το ανθρώπινο οπτικό σύστηµα. (α) (β) (γ) (δ) Σχήµα 2.5: Οι χρωµατικές συνιστώσες του µοντέλου HSV, (α) Αρχική εικόνα, (β) Απόχρωση (hue), (γ) Καθαρότητα (Saturation), (δ) Τιµή (Value) Σχήµα 2.6: Αναλυτική αναπαράσταση του εξαγώνου HSV και χρωµατική αποψή του

32 Χρωµατικοί χώροι HSI και HLS Το χρωµατικό µοντέλο HLS αποτελείται από τις παραµέτρους απόχρωση (Hue), φωτεινότητα (Lightness) και καθαρότητα (Saturation). Ο ρόλος κάθε συνιστώσας αλλάζει ελαφρά σε σχέση µε τον χώρο HSV. Ο τόνος έχει µεν την ίδια έννοια, αλλά εδώ µία γωνία 0 αντιστοιχεί σε µπλε χρώµα, ενώ το κόκκινο χρώµα βρίσκεται σε γωνία 120. Όπως συµβαίνει και στο HSV µοντέλο, τα συµπληρωµατικά χρώµατα απέχουν γωνία 180. Η καθαρότητα στο HLS µοντέλο υποδηλώνει την αγνότητα του τόνου. Όταν η καθαρότητα µειώνεται, ο τόνος γίνεται πιο γκρι. Μηδενική τιµή καθαρότητας σηµαίνει απόχρωση του γκρι. Τέλος, η φωτεινότητα υποδηλώνει το ποσό µαύρου ή λευκού που περιέχεται σε ένα χρώµα. Αυξανόµενη φωτεινότητα προσθέτει λευκό στον τόνο, ενώ αντίστοιχα όσο µειώνεται η φωτεινότητα προστίθεται µαύρο στον τόνο. Η µορφή του µοντέλου HLS φαίνεται στο σχήµα 2.7. (α) (β) Σχήµα 2.7: Σχηµατική αναπαράσταση του χρωµατικού χώρου HLS (α) HLS δωδεκάεδρο, (β) HLS διαµορφωµένος ως διπλός κώνος

33 33 Το χρωµατικό µοντέλο HSI αποτελείται απο τις παραµέτρους απόχρωση (Hue), καθαρότητα (Saturation) και φωτεινότητα (Intensity). Οι παράµετροι του χρώµατος στο µοντέλο HSI ορίζονται στην επιφάνεια του τριγώνου που φαίνεται στο σχήµα 2.8(α). Η απόχρωση H ενός χρώµατος O είναι η γωνία που σχηµατίζεται µεταξύ του άξονα του κόκκινου µε το ευθύγραµµο τµήµα που ενώνει την αρχή (άσπρο) µε το σηµείο O. Όταν δηλαδή H=0, το χρώµα είναι κόκκινο, όταν H=60 το χρώµα είναι κίτρινο κτλ. Η χρωµατική καθαρότητα S του χρώµατος στο σηµείο O είναι η απόσταση της ευθείας που ενώνει την αρχή µε το σηµείο O. είχνει δηλαδή το βαθµό στον οποίο το χρώµα αυτό είναι αναµιγµένο µε το άσπρο. Όσο µεγαλύτερη είναι η απόσταση απο την αρχή τόσο µεγαλύτερη είναι και η χρωµατική καθαρότητα του χρώµατος. Η ένταση στο µοντέλο HSI ορίζεται σε σχέση µε τη θέση που κατέχει πάνω σε µια γραµµή που διαπερνά το κέντρο (άσπρο). Εντάσεις που τοποθετούνται κάτω απο την επιφάνεια του τριγώνου τείνουν στο µαύρο όσο αποµακρύνονται, ενώ τείνουν στο άσπρο εντάσεις που είναι πάνω απο την επιφάνεια. Συνδυάζοντας την απόχρωση, την χρωµατική καθαρότητα και την ένταση σε έναν τρισδιάστατο χώρο, καταλήγουµε σε µια δοµή µε µορφή πυραµίδας, όπως φαίνεται στο σχήµα 2.8(β). Οποιοδήποτε σηµείο βρίσκεται πάνω στην εξωτερική επιφάνεια της δοµής του µοντέλου, αντιστοιχεί σε χρώµα µε πλήρη χρωµατική καθαρότητα (εξαιρούνται το άσπρο όπου S=0 και το µαύρο όπου η παράµετρος S δεν ορίζεται). Η ένταση I εξαρτάται απο τη θέση της κάθετης προβολής του σηµείου πάνω στον κάθετο άξονα.

34 34 (α) (β) Σχήµα 2.8: Σχηµατική αναπαράσταση του χρωµατικού χώρου HIS, (α) Το τρίγωνο για τα χρώµατα στο σύστηµα HIS, (β) Η συνολική δοµή του µοντέλου HSI Χρωµατικό µοντέλο CMY Το χρωµατικό µοντέλο CMY (Cyan, Magenta, Yellow) σχετίζεται µε το RGB, γιατί πρόκειται στην ουσία για συµπληρωµατικά µοντέλα µε τις ίδιες βασικές αρχές και ιδιότητες. Όπως έχουµε αναφέρει, το RGB χρησιµοποιείται στις οθόνες των υπολογιστών, των οποίων η επιφάνεια στην οποία αναπαράγονται τα χρώµατα, είναι µαύρη. Γι αυτό και η αρχή των αξόνων (0, 0, 0) στο RGB είναι το µαύρο. ηλαδή ξεκινώντας από το µαύρο και προσθέτοντας κατάλληλες ποσότητες κόκκινου, πράσινου και µπλέ, λαµβάνουµε όλα τα χρώµατα. Το CMY επινοήθηκε για τις ανάγκες των εκτυπωτών στους οποίους και χρησιµοποιείται. Η διαφορά µε το RGB είναι ότι στο CMY η επιφάνεια που αναπαράγονται τα χρώµατα είναι το χαρτί, το

35 35 οποίο είναι άσπρο, σε αντίθεση µε τη µαύρη οθόνη των υπολογιστών. Έτσι, οποιαδήποτε αναπαραγωγή χρωµάτων ξεκινάει έχοντας ως βάση το λευκό. (α) (α) (β) (β) Σχήµα 2.9: (α) Αθροιστική πρόσµιξη χρωµάτων στο RGB µοντέλο, (β) Αφαιρετική πρόσµιξη χρωµάτων στο CMY µοντέλο Στη θεωρία είναι δυνατό να δηµιουργήσουµε κάθε χρωµατική απόχρωση χρησιµοποιώντας τα RGB και CMY µοντέλα χρώµατος. Στην πράξη όµως, τα τρία βασικά χρώµατα γαλάζιο, µώβ και κίτρινο δεν υπάρχουν διαθέσιµα ως αµιγή χρώµατα, αλλά είναι πάντοτε λερωµένα µε µια συγκεκριµένη αναλογία χρώµατος από τα άλλα βασικά χρώµατα. Το αποτέλεσµα είναι ότι δεν είναι δυνατό να τυπωθεί καθαρό µαύρο και περιορίζεται ο αριθµός των ικανών για εκτύπωση χρωµάτων. Με σκοπό να υπερπηδηθεί αυτό το πρόβληµα, το χρωµατικό µοντέλο CMY έχει επεκταθεί για να σχηµατίσει το µοντέλο CMYK. Η διαφορά µεταξύ των δύο αυτών µοντέλων είναι ελάχιστη. Στην πράξη όµως το αποτέλεσµα είναι σηµαντικό. Επιπρόσθετα στα τρία βασικά χρώµατα γαλάζιο, µώβ και κίτρινο, το µοντέλο χρωµάτων CMYK επίσης περιέχει και το µαύρο.

36 36 Οι χρωµατικοί χώροι που παρουσιάστηκαν ως τώρα, είναι µοντέλα που µπορούν να παρουσιάσουν διάφορες µορφές, που εξαρτώνται από τις συσκευές που τους χρησιµοποιούν, δηλαδή οι οθόνες και οι σαρωτές όσον αφορά το RGB και οι εκτυπωτές, τα µελάνια και το χαρτί όσον αφορά το CMYK µοντέλο. Αυτή τους η εξάρτηση είναι που οδήγησε στην ανάπτυξη χρωµατικών χώρων που να είναι ανεξάρτητοι από τις συσκευές και κατά συνέπεια να θεωρούνται ως αληθινές εκφράσεις των χρωµάτων, όπως αυτά γίνονται αντιληπτά από το ανθρώπινο µάτι. Οι ανεξάρτητοι των συσκευών χρωµατικοί χώροι ήταν το αποτέλεσµα δουλειάς που έγινε το 1931 από την ιεθνή Επιτροπή Φωτισµού (Commission Internationale d'eclairage - CIE) και γι αυτό ονοµάζονται επίσης και χρωµατικοί χώροι βασισµένοι στην CIE. Στη συνέχεια θα παρουσιάσουµε κάποιους τέτοιους χρωµατικούς χώρους Χρωµατικός χώρος XYZ Ο χρωµατικός χώρος ΧΥΖ, είναι ο θεµελιώδης χρωµατικός χώρος που βασίζεται στην CIE. Ο χώρος αυτός χρησιµοποιεί 3 υποθετικές βασικές συνιστώσες, η πρόσµιξη των οποίων εκφράζει τα διάφορα χρώµατα. Η χρήση τριών συνιστωσών έχει να κάνει µε την φυσική λειτουργία της όρασης. Μετά από πειραµατισµούς, η CIE κατέληξε σε ένα σύνολο θεµελιωδών µεγεθών ΧΥΖ, τα οποία συµφωνούν µε τον τρόπο που συµπεριφέρεται ο αµφιβληστροειδής στη διεργασία της όρασης. Η CIE κατέληξε στα θεµελιώδη µεγέθη, έτσι ώστε κάθε τιµή του ορατού φωτός να αντιστοιχεί σε µια θετική ανάµιξη των Χ, Υ και Ζ και µε τρόπο τέτοιο που το Υ να συσχετίζεται περίπου στην εµφανή φωτεινότητα ενός χρώµατος. Γενικά, οι συνιστώσες Χ, Υ, Ζ που χρησιµοποιούνται για την περιγραφή ενός χρώµατος εκφράζονται ως εκατοστιαίες αναλογίες που µεταβάλλονται από το 0% έως, σε µερικές περιπτώσεις, ελάχιστα πάνω από το 100%.

37 37 Σχήµα 2.10: Γραφική αναπαράσταση της CIE XYZ δοµής Χρωµατικοί χώροι L*a*b* και L*u*v* Ένα από τα επιθυµητά χαρακτηριστικά ενός χρωµατικού συστήµατος είναι η οπτική ευαισθησία για µικρές χρωµατικές µεταβολές. ηλαδή, µια µικρή χρωµατική αλλαγή πρέπει να γίνεται άµεσα αντιληπτή. Οι χρωµατικοί χώροι που ικανοποιούν την ιδιότητα αυτή καλούνται αντιληπτά οµοιόµορφοι χρωµατικοί χώροι (perceptually uniform color spaces). Χρωµατικοί χώροι όπως οι CIE-XYZ και RGB απέχουν πολύ απ το να ικανοποιούν την ιδιότητα αυτή. Για το λόγο αυτό η CIE καθιέρωσε ως οµοιόµορφους τους χρωµατικούς χώρους CIELUV (L*u*v*) και CIELAB (L*a*b*). Και τα δύο µοντέλα έχουν σχεδιαστεί για να αντιστοιχίσουν την αντιληπτή χρωµατική διαφορά σε ποσοτική απόσταση στον χρωµατικό χώρο. Τα δυό αυτά χρωµατικά συστήµατα έχουν µικρή διαφορά µεταξύ τους, παρουσιάζουν εξίσου καλή χρωµατική οµοιοµορφία και παρέχουν πολύ καλή δυνατότητα

38 38 για τη µέτρηση της χρωµατικής διαφοράς µεταξύ δυο σηµείων. Βασίζονται στην αντιληπτή φωτεινότητα L* καθώς και σε δύο άλλες συνιστώσες χρώµατος που καθορίζουν την ανάµειξη κόκκινου-πράσινου και κίτρινου- µπλέ αντίστοιχα. Τα χρωµατικά διαγράµµατα για τους δύο αυτούς χώρους φαίνονται στο σχήµα (β) (α) (γ) Σχήµα 2.11: (α) Ο χρωµατικός χώρος L*a*b* (β) Ο κύβος RGB αφού έχει µετατραπεί στο L*u*v* σύστηµα ιδωµένος απο τον άξονα V και (γ) ιδωµένος απο τον άξονα U Οι L*a*b* και L*u*v* αποτελούν µή γραµµικούς, αλλά αντιστρεπτούς µετασχηµατισµούς χρώµατος που καθορίζονται ως εξής: Η φωτεινότητα L* κυµαίνεται µεταξύ 0 και 100 και ορίζεται απ τη σχέση:

39 39 Y L* = 116 f( )-16 Y όπου n 1/3 > r αν r f() r = r+ 16 /116 av r και Y n η φωτεινότητα του καθαρού άσπρου στο διάγραµµα CIE. Με γραµµικό µετασχηµατισµό απο τον χώρο RGB στον XYΖ προκύπτει: X R Y G = Z B Οι τιµές των X n, Y n και Z n αντιστοιχούν στις συντεταγµένες του λεγόµενου λευκού σηµείου αναφοράς (white point reference), όπου στο πρότυπο D65 (CIE Standard Illuminants) έχουν τις τιµές X n = 0.95, Y n = 1 και Z n = Οι χρωµατικές συνιστώσες u* και v* προσδιορίζονται απο τις σχέσεις 4X 4X n u* = 13L X + 15Y + 3Z X + 15Y + 3Z n n n 9Y 9Yn v* = 13L X + 15Y + 3Z X + 15Y + 3Z n n n Αντίστοιχα, για το L*a*b* σύστηµα (το οποίο είναι και πολύ περισσότερο καθιερωµένο σε σχέση µε το L*u*v*), έχουµε

40 40 X Y a* = 500 f f Xn Yn Y Z b* = 200 f f Yn Zn (α) (β) (γ) (δ) Σχήµα 2.12: Οι χρωµατικές συνιστώσες του µοντέλου L*a*b*, (α) Αρχική εικόνα, (β) L*συνιστώσα, (γ) a* συνιστώσα, (δ) b* συνιστώσα Ως εδώ έχουµε παρουσιάσει µερικούς από τους πιο σηµαντικούς και ευρέως χρησιµοποιούµένους χρωµατικούς χώρους, µε ιδιαίτερη έµφαση στους πιό χρήσιµους για την περίπτωση µας. Υπάρχουν βεβαίως και άλλοι, όπως για παράδειγµα ο YCbCr, o YIQ και o YUV, οι οποίοι χρησιµοποιούνται κυρίως στη συµπίεση (compression) εικόνας και video, αλλά δεν στοχεύουµε σε µία εξαντλητική καταγραφή του θέµατος.

41 Περίληψη κεφαλαίου Στο κεφάλαιο αυτό έγινε παρουσίαση των κυριότερων χρωµατικών χώρων που χρησιµοποιούνται για την επεξεργασία έγχρωµης ψηφιακής εικόνας. Κάθε χρωµατικός χώρος παρουσιάζει τα δικά του χαρακτηριστικά, πλεονεκτήµατα και µειονεκτήµατα και κανένας δεν αποτελεί ιδανική επιλογή για όλες τις εφαρµογές. Η επιλογή που θα κάνουµε πρέπει να βασίζεται στις ιδιαιτερότητες που παρουσιάζει η εκάστοτε εφαρµογή που επιθυµούµε να αναπτύξουµε. Μία σωστή επιλογή παίζει σηµαντικό ρόλο, όπως θα δούµε και στα επόµενα κεφάλαια, στην κατά το δυνατόν καλύτερη αξιοποίηση της χρωµατικής πληροφορίας.

42 42 ΚΕΦΑΛΑΙΟ 3 ΕΝΤΟΠΙΣΜΟΣ ΚΟΚΚΙΝΩΝ ΕΙΚΟΝΟΣΤΟΙΧΕΙΩΝ ΣΤΗΝ ΕΙΚΟΝΑ 3.1 Εισαγωγή Το πρώτο στάδιο της επεξεργασίας αφορά στον εντοπισµό των κόκκινων εικονοστοιχείων (pixels) στην εικόνα. Αν υπάρχει κάποιο όχηµα στην εικόνα, τότε στα κόκκινα εικονοστοιχεία θα συµπεριλαµβάνονται και τα κόκκινα πίσω φανάρια του. Εξυπακούεται ότι οι εικόνες που επεξεργαζόµαστε είναι RGB και οτι όσο πιο µεγάλο βάθος χρώµατος και ανάλυση έχουν οι εικόνες, τόσο καλύτερα αποτελέσµατα προκύπτουν, σε βάρος βέβαια της πολυπλοκότητας και του χρόνου επεξεργασίας. Με βάση τα αποτελέσµατα θα προσπαθήσουµε µετέπειτα στην εργασία µας να βρούµε την καλύτερη ισορροπία µεταξύ των δύο παραπάνω συνιστωσών αφού αποτελούν σηµαντικό παράγοντα στην επιλογή της κάµερας που θα χρησιµοποιήσουµε.

43 Επιλογή χρωµατικού χώρου Η πρώτη φάση αφορά στην επιλογή του χρωµατικού χώρου που θα χρησιµοποιήσουµε. Είδαµε στο Κεφάλαιο 2 µερικούς από τους ευρύτερα χρησιµοποιούµενους χρωµατικούς χώρους και αναλύσαµε τα χαρακτηριστικά τους. Για την εφαρµογή που αναπτύσσουµε χρειαζόµαστε ένα χώρο που να έχει µεγάλη διακριτική ικανότητα µεταξύ των χρωµάτων µιας και αυτά παίζουν σηµαντικό ρόλο στην αναγνώριση. Επίσης, επιθυµούµε να παρουσιάζει ανθεκτικότητα στις µεταβολές των συνθηκών κάτω από τις οποίες έχει ληφθεί η βιντεοσκόπηση (συνθήκες φωτισµού, σκιάσεις κτλ) και στο µέτρο που αυτό είναι δυνατό να µην παρουσιάζει µεγάλη πολυπλοκότητα η οποία αυξάνει το χρόνο επεξεργασίας. Σύµφωνα µε τις προδιαγραφές που θέσαµε παραπάνω και µετά από αρκετές δοκιµές καταλήξαµε στο συµπέρασµα ότι το καλύτερο για την εφαρµογή µας είναι ένας συνδυασµός των χρωµατικών χώρων RGB και HSV καθώς από µόνος του κανένας απ τους δύο δεν οδηγεί σε αξιόπιστα αποτελέσµατα. Ο RGB χρωµατικός χώρος εγγυάται ότι δεν υπάρχει διαστρέβλωση στην αρχική χρωµατική πληροφορία. Έχει όµως το µειονέκτηµα ότι οι συνιστώσες του είναι άµεσα συσχετισµένες, γεγονός που κάνει δύσκολη την εκτίµηση της απόστασης δύο χρωµάτων από την απόσταση τους στον χρωµατικό χώρο RGB. Επίσης, είναι ευαίσθητος σε αλλαγές του φωτισµού, δηλαδή κάθε καιρική αλλαγή ακόµα και η βιντεοσκόπηση σε διαφορετικές ώρες της µέρας συµβάλλουν στην αλλαγή των χρωµατικών πληροφοριών που τους δίνει µία είκονα RGB. Χρησιµοποιώντας µόνο µία συνιστώσα δεν θα µπορούσαµε να έχουµε αξιόπιστα αποτελέσµατα, αφού και στην µέγιστη τιµή της να είναι η κόκκινη συνιστώσα το τελικό χρώµα εξαρτάται και απο τις τιµές των άλλων δύο συνιστωσών. Για παράδειγµα αν οι άλλες δύο έχουν και αυτές τη µέγιστη τιµή, τότε το χρώµα είναι άσπρο. Το παραπάνω πρόβληµα αντιµετωπίζεται χρησιµοποιώντας τις αναλογίες των τριών συνιστωσών κάθε εικονοστοιχείου, οι οποίες κατωφλιώνονται κατάλληλα,

44 44 καθώς και την ελάχιστη διαφορά (απόσταση) που θα πρέπει να έχουν µεταξύ τους. Ρυθµίζουµε δηλαδή το ποσό του κόκκινου που περιέχεται σε κάθε εικονοστοιχείο, το οποίο σε συνδυασµό µε την κατωφλίωση στον HSV χρωµατικό χώρο, µας δίνει τα επιθηµητά αποτελέσµατα. Ο χρωµατικός χώρος HSV καθώς και οι παραλλαγές του (HIS και HLS) είναι ο πιο δηµοφιλής χώρος για εφαρµογές που σχετίζονται µε την εύρεση έγχρωµων εικονοστοιχείων. Η επιλογή αυτή παρουσιάζει αρκετές αρετές που τον καθιστούν επικρατέστερο σε σχέση µε τους άλλους χώρους. Κατ αρχάς ο HSV είναι πολύ ανθεκτικός στην µεταβολή των καιρικών συνθηκών γιατί δεν επηρεάζεται σηµαντικά η χρωµατική πληροφορία από τις διαφορές στην φωτεινότητα της σκηνής και τις φωτοσκιάσεις. Επίσης, η κάθε συνιστώσα του µας δίνει διαφορετικό είδος πληροφορίας και όπως έχει προαναφερθεί, εκµεταλλεύεται τον τρόπο που οι άνθρωποι αντιλαµβάνονται το χρώµα. Τα παραπάνω χαρακτηριστικά καθιστούν τον HSV τον πιο ελέγξιµο από τους υπόλοιπους χρωµατικούς χώρους και εποµένως ιδανικό για την εφαρµογή µας. Ο αµέσως καλύτερος χρωµατικός χώρος τον οποίο δοκιµάσαµε είναι ο L*a*b. Ο L*a*b έχει το πολύ βασικό πλεονέκτηµα ότι αντιστοιχεί τις χρωµατικές αποστάσεις σε ευκλείδειες αποστάσεις γεγονός που τον κάνει να έχει υψηλή διακριτική ικανότητα µεταξύ των χρωµάτων. Τα κύρια µειονεκτήµατα του είναι ότι ο µετασχηµατισµός της εικόνας από RGB σε L*a*b αυξάνει πολύ την πολυπλοκότητα, καθώς και ότι η ελεγξιµότητα του είναι σχετικά περιορισµένη. Πιο συγκεκριµένα το πρόβληµα της ελεγξιµότητας το αντιµετωπίσαµε κατά την κατωφλίωση κάποιων εικόνων όπου λανθασµένα αναγνώριζε σηµεία του δρόµου ως κόκκινα και τα οποία δεν µπορούσαν να αφαιρεθούν µε κατωφλίωση στον L*a*b. Το φαινόµενο αυτό φαίνεται στην εικόνα 3.1.

45 45 (α) (β) Εικόνα 3.1: Εντοπισµός κόκκινων εικονοστοιχείων µε βάση τον χρωµατικό χώρο L*a*b. (α) Αρχική εικόνα, (β) Το αποτέλεσµα της ανάλυσης της αρχικής εικόνας. Με λευκό σηµειώνονται οι περιοχές κόκκινου χρώµατος. Στο σηµείο αυτό ας αναφερθεί ότι στον HSV χρωµατικό χώρο το πρόβληµα λύθηκε εύκολα ρυθµίζοντας κατάλληλα τα επίπεδα κατωφλίωσης στο Saturation και το Value (εναλλακτικά µπορεί να αντιµετωπιστεί µε τη χρήση φίλτρων). Οι παραπάνω λόγοι µας έκαναν να απορρίψουµε τον L*a*b για την εφαρµογή µας, χωρίς βέβαια να αποκλείσουµε την χρησιµοποίηση του σε κάποια µελλοντική βελτίωση της. Οι λοιποί χρωµατικοί χώροι (CMY, XYZ), που περιγράφτηκαν στοκκεφάλαιο 2 κυρίως για λόγους πληρότητας είναι ακατάλληλοι για την εφαρµογή µας και απορίφθηκαν εξ αρχής.

46 Υλοποίηση αλγορίθµου Στόχος του αλγορίθµου που υλοποιήθηκε είναι ο χοντρικός εντοπισµός των κόκκινων εικονοστοιχείων στην εικόνα. Μετά από ορισµένους πειραµατισµούς π.χ. εξισορρόπηση ιστογράµµατος ώστε να αυξηθεί η φωτεινότητα σε εικόνες µε χαµηλό φωτισµό, διαπιστώσαµε ότι δεν χρειάζεται κάποια προεπεξεργασία στην εικόνα και ότι το βέλτιστο αποτέλεσµα επιτυγχάνεται διατηρώντας αναλλοίωτη την αρχική εικόνα και κατ επέκταση τη χρωµατική της πληροφορία. Η κατωφλίαση που χρησιµοποιήθηκε στον RGB και HSV χρωµατικό χώρο είναι εµπειρική ενώ οι τιµές της διορθώθηκαν µε βάση τα πειραµατικά αποτελέσµατα σε εικόνες µε διάφορες συνθήκες (π.χ. διαφορετικοί φωτισµοί) και από διαφορετικές κάµερες. Στη συνέχεια η αρχική εικόνα µετασχηµατίζεται σε µία δυαδική (binary) εικόνα όπου τα 1 αντιπροσωπεύουν τα κόκκινα εικονοστοιχεία που εντοπίστηκαν και τα 0 όλα τα υπόλοιπα. Η δυαδική αυτή εικόνα προέκυψε εφαρµόζοντας τον τελεστή OR στις δύο επιµέρους δυαδικές εικόνες που προέκυψαν από την κατωφλίωση στους χρωµατικούς χώρους RGB και HSV (κάθε εικονοστοιχείο πάνω από το κατώφλι που ορίστηκε παίρνει την τιµή 0 και όλα τα υπόλοιπα την τιµή 1 ). Η διαδικασία που περιγράφηκε απεικονίζεται στο διάγραµµα 3.2. ιάγραµµα 3.2: ιαδικασία εντοπισµόυ των κόκκινων εικοστοιχείων σε µια RGB εικόνα

47 47 Παρακάτω παραθέτουµε κάποιες εικόνες στις οποίες φαίνονται τα αποτελέσµατα της εφαρµογής του αλγορίθµου που παρουσιάστηκε παραπάνω. Η εικόνα 3.3 επιλέχθηκε λόγω της ποικιλίας και της ζωντάνιας των χρωµάτων που κάνει να φαίνεται παραστατικά το αποτέλεσµα. Οι υπόλοιπες (3.4, 3.5) είναι πραγµατικές εικόνες που περιέχουν προπορευόµενα οχήµατα και τις οποίες χρησιµοποιήσαµε καθ όλη τη διάρκεια της εργασίας µας. Τέλος για να φανούν οπτικά καλύτερα τα αποτελέσµατα δεν παραθέτουµε τις δυαδικές εικόνες που προέκυψαν, αλλά τις χρησιµοποιούµε σαν «µάσκα» πολλαπλασιάζοντας µε την αρχική εικόνα. (α) (β) Εικόνα 3.3: (α) Αρχική εικόνα, (β) Το αποτέλεσµα της ανάλυσης της αρχικής εικόνας (α) Εικόνα 3.4: (α) Αρχική εικόνα, (β) Το αποτέλεσµα της ανάλυσης της αρχικής εικόνας (β)

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

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 11 η : θεωρία Χρώματος & Επεξεργασία Έγχρωμων Εικόνων

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 11 η : θεωρία Χρώματος & Επεξεργασία Έγχρωμων Εικόνων Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 11 η : θεωρία Χρώματος & Επεξεργασία Έγχρωμων Εικόνων Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Εισαγωγή

Διαβάστε περισσότερα

Έγχρωµο και Ασπρόµαυρο Φως

Έγχρωµο και Ασπρόµαυρο Φως Έγχρωµο και Ασπρόµαυρο Φως Χρώµα: κλάδος φυσικής, φυσιολογίας, ψυχολογίας, τέχνης. Αφορά άµεσα τον προγραµµατιστή των γραφικών. Αν αφαιρέσουµε χρωµατικά χαρακτηριστικά, λαµβάνουµε ασπρόµαυρο φως. Μόνο

Διαβάστε περισσότερα

Συστήματα Πολυμέσων. Ενότητα 4: Θεωρία Χρώματος. Θρασύβουλος Γ. Τσιάτσος Τμήμα Πληροφορικής ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ

Συστήματα Πολυμέσων. Ενότητα 4: Θεωρία Χρώματος. Θρασύβουλος Γ. Τσιάτσος Τμήμα Πληροφορικής ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 4: Θεωρία Χρώματος Θρασύβουλος Γ. Τσιάτσος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.

Διαβάστε περισσότερα

Διπλωματική Εργασία. του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών

Διπλωματική Εργασία. του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών 1 Διπλωματική Εργασία του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών Παγώνη Μελετίου του Ιωάννη Αριθμός Μητρώου: 6336 Θέμα

Διαβάστε περισσότερα

Ηχρήση του χρώµατος στους χάρτες

Ηχρήση του χρώµατος στους χάρτες Ηχρήση του χρώµατος στους χάρτες Συµβατική χρήση χρωµάτων σε θεµατικούς χάρτες και «ασυµβατότητες» Γεωλογικοί χάρτες: Χάρτες γήινου ανάγλυφου: Χάρτες χρήσεων γης: Χάρτες πυκνότητας πληθυσµού: Χάρτες βροχόπτωσης:

Διαβάστε περισσότερα

Η χρήση του χρώµατος στη χαρτογραφία και στα ΣΓΠ

Η χρήση του χρώµατος στη χαρτογραφία και στα ΣΓΠ Η χρήση του χρώµατος στη χαρτογραφία και στα ΣΓΠ Συµβατική χρήση χρωµάτων στους τοπογραφικούς χάρτες 1/31 Μαύρο: Γκρι: Κόκκινο, πορτοκαλί, κίτρινο: Μπλε: Σκούρο µπλε: Ανοιχτό µπλε: βασικές τοπογραφικές

Διαβάστε περισσότερα

Διπλωματική Εργασία του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών

Διπλωματική Εργασία του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ: ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ & ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΕΝΣΥΡΜΑΤΗΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΣ Διπλωματική Εργασία

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

Αναγνώριση Προπορευόµενου Οχήµατος µε Ψηφιακή Επεξεργασία Εικόνας

Αναγνώριση Προπορευόµενου Οχήµατος µε Ψηφιακή Επεξεργασία Εικόνας Αναγνώριση Προπορευόµενου Οχήµατος µε Ψηφιακή Επεξεργασία Εικόνας Ευάγγελος Σκόδρας Τµήµα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Πανεπιστήµιο Πατρών, 26500 Πάτρα evskodra@upnet.gr Abstract

Διαβάστε περισσότερα

ΠΛΗΡΟΦΟΡΙΚΗ I. 7 η ΔΙΑΛΕΞΗ Γραφικά με Υπολογιστή

ΠΛΗΡΟΦΟΡΙΚΗ I. 7 η ΔΙΑΛΕΞΗ Γραφικά με Υπολογιστή ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ - ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΣΑΓΩΓΙΚΗ ΚΑΤΕΥΘΥΝΣΗ ΤΟΥΡΙΣΤΙΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ ΚΑΙ ΕΠΙΧΕΙΡΗΣΕΩΝ ΦΙΛΟΞΕΝΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗ I 7 η ΔΙΑΛΕΞΗ Γραφικά με Υπολογιστή ΧΑΣΑΝΗΣ ΒΑΣΙΛΕΙΟΣ

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

Ψηφιοποίηση και Ψηφιακή Επεξεργασία Εικόνας

Ψηφιοποίηση και Ψηφιακή Επεξεργασία Εικόνας Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Ψηφιοποίηση και Ψηφιακή Επεξεργασία Εικόνας Ενότητα 10: Εισαγωγή στην επεξεργασία εικόνας Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons

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

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

Εισαγωγή Ασπρόμαυρο Halftoning γάμμα Φως/Χρώμα Χρωματικά Μοντέλα Άλλα. 6ο Μάθημα Χρώμα. Γραφικα. Ευάγγελος Σπύρου

Εισαγωγή Ασπρόμαυρο Halftoning γάμμα Φως/Χρώμα Χρωματικά Μοντέλα Άλλα. 6ο Μάθημα Χρώμα. Γραφικα. Ευάγγελος Σπύρου Εισαγωγή Ασπρόμαυρο Halftoning γάμμα Φως/Χρώμα Χρωματικά Μοντέλα Άλλα Γραφικα Τμήμα Πληροφορικής Πανεπιστήμιο Θεσσαλίας Ακ Έτος 2016-17 Σύνοψη του σημερινού μαθήματος 1 Εισαγωγή 2 Ασπρόμαυρο Φως 3 Halftoning

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

Η γραφική απεικόνιση µιας κατανοµής συχνότητας µπορεί να γίνει µε δύο τρόπους, µε ιστόγραµµα και µε πολυγωνική γραµµή.

Η γραφική απεικόνιση µιας κατανοµής συχνότητας µπορεί να γίνει µε δύο τρόπους, µε ιστόγραµµα και µε πολυγωνική γραµµή. ΠΕΜΠΤΟ ΠΑΚΕΤΟ ΣΗΜΕΙΩΣΕΩΝ ΣΤΑΤΙΣΤΙΚΑ ΙΑΓΡΑΜΜΑΤΑ Χρησιµότητα των διαγραµµάτων Η παρουσίαση των στατιστικών στοιχείων µπορεί να γίνει όχι µόνο µε πίνακες, αλλά και µε διαγράµµατα ή γραφικές απεικονίσεις.

Διαβάστε περισσότερα

Σχεδίαση με Ηλεκτρονικούς Υπολογιστές

Σχεδίαση με Ηλεκτρονικούς Υπολογιστές ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Σχεδίαση με Ηλεκτρονικούς Υπολογιστές Ενότητα # 10: Χρωματικά μοντέλα στον ΗΥ Καθηγητής Ιωάννης Γ. Παρασχάκης Τμήμα Αγρονόμων & Τοπογράφων

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

Ψηφιακή Επεξεργασία Εικόνων

Ψηφιακή Επεξεργασία Εικόνων ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα # 19: Επεξεργασία έγχρωμων εικόνων Καθηγητής Γιώργος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών Επεξεργασία έγχρωμων εικόνων Τρία πρωτεύοντα

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

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

Α.Τ.Ε.Ι. Ηρακλείου Ψηφιακή Επεξεργασία Εικόνας ιδάσκων: Βασίλειος Γαργανουράκης. Ανθρώπινη Όραση - Χρωµατικά Μοντέλα

Α.Τ.Ε.Ι. Ηρακλείου Ψηφιακή Επεξεργασία Εικόνας ιδάσκων: Βασίλειος Γαργανουράκης. Ανθρώπινη Όραση - Χρωµατικά Μοντέλα Ανθρώπινη Όραση - Χρωµατικά Μοντέλα 1 Τι απαιτείται για την όραση Φωτισµός: κάποια πηγή φωτός Αντικείµενα: που θα ανακλούν (ή διαθλούν) το φως Μάτι: σύλληψη του φωτός σαν εικόνα Τρόποι µετάδοσης φωτός

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

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

Απαραίτητες αφού 3Δ αντικείμενα απεικονίζονται σε 2Δ συσκευές. Θέση παρατηρητή. 3Δ Μετασχ/σμός Παρατήρησης

Απαραίτητες αφού 3Δ αντικείμενα απεικονίζονται σε 2Δ συσκευές. Θέση παρατηρητή. 3Δ Μετασχ/σμός Παρατήρησης Προβολές Προβολές Απαραίτητες αφού 3Δ αντικείμενα απεικονίζονται σε Δ συσκευές. Θέσεις αντικειμένων και φωτεινών πηγών Θέση παρατηρητή 3Δ Μαθηματικά Μοντέλα 3Δ Μετασχ/σμοί Μοντέλου 3Δ Μετασχ/σμός Παρατήρησης

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία Εικόνας

Ψηφιακή Επεξεργασία Εικόνας Ψηφιακή Επεξεργασία Εικόνας Τι είναι η ψηφιακή εικόνα 1/67 Το μοντέλο της εικόνας ΜίαεικόναπαριστάνεταιαπόέναπίνακαU που κάθε στοιχείο του u(i,j) ονομάζεται εικονοστοιχείο pixel (picture element). Η ανάλυση

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

ΕΡΩΤΗΣΕΙΣ ΣΤΗ ΘΕΩΡΙΑ ΧΡΩΜΑΤΩΝ

ΕΡΩΤΗΣΕΙΣ ΣΤΗ ΘΕΩΡΙΑ ΧΡΩΜΑΤΩΝ ΕΡΩΤΗΣΕΙΣ ΣΤΗ ΘΕΩΡΙΑ ΧΡΩΜΑΤΩΝ Συμπλήρωση κενών 1. Η Λαμπρότητα (Brightness) είναι Υποκειμενικός παράγοντας. 2. Το χρώμα ενός αντικειμένου εξαρτάται από το ίδιο και την φωτεινή πηγή. 3. Το Μάτι είναι πολύ

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

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 εικόνας

Διαβάστε περισσότερα

Βίντεο και κινούµενα σχέδια

Βίντεο και κινούµενα σχέδια Βίντεο και κινούµενα σχέδια Περιγραφή του βίντεο Ανάλυση του βίντεο Κωδικοποίηση των χρωµάτων Μετάδοση τηλεοπτικού σήµατος Συµβατικά τηλεοπτικά συστήµατα Τεχνολογία Πολυµέσων 06-1 Περιγραφή του βίντεο

Διαβάστε περισσότερα

ΕΞΕΤΑΣΤΙΚΗ ΠΕΡΙΟ ΟΣ: ΣΕΠΤΕΜΒΡΙΟΣ 2008 Θέµα 1 ο ( µονάδες)

ΕΞΕΤΑΣΤΙΚΗ ΠΕΡΙΟ ΟΣ: ΣΕΠΤΕΜΒΡΙΟΣ 2008 Θέµα 1 ο ( µονάδες) ΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΕΞΕΤΑΣΤΙΚΗ ΠΕΡΙΟ ΟΣ: ΣΕΠΤΕΜΒΡΙΟΣ 2009 Θέµα 1 ο (3 µονάδες) ίνεται η πολυφασµατική σκηνή, 0 7 2 2 2 1 3 4 4 4 2 3 3 3 3 0 7 2 4 4 1 3 3 3 3 2 4 4 4 4 0 1

Διαβάστε περισσότερα

Τηλεπισκόπηση. Ψηφιακή Ανάλυση Εικόνας Η ΒΕΛΤΙΩΣΗ εικόνας

Τηλεπισκόπηση. Ψηφιακή Ανάλυση Εικόνας Η ΒΕΛΤΙΩΣΗ εικόνας Τηλεπισκόπηση Ψηφιακή Ανάλυση Εικόνας Η ΒΕΛΤΙΩΣΗ εικόνας Η βελτίωση εικόνας ασχολείται με την τροποποίηση των εικόνων ώστε να είναι πιο κατάλληλες για την ανθρώπινη όραση. Ανεξάρτητα από το βαθμό της ψηφιακής

Διαβάστε περισσότερα

2.0 ΒΑΣΙΚΕΣ ΓΝΩΣΕΙΣ-ΟΡΟΛΟΓΙΕΣ

2.0 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

Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση 24/6/2013. Ψηφιακή Ανάλυση Εικόνας. Ψηφιακή Ανάλυση Εικόνας

Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση 24/6/2013. Ψηφιακή Ανάλυση Εικόνας. Ψηφιακή Ανάλυση Εικόνας Η βελτίωση ασχολείται με την τροποποίηση των εικόνων ώστε να είναι πιο κατάλληλες για την ανθρώπινη όραση. Ανεξάρτητα από το βαθμό της ψηφιακής παρέμβασης, η οπτική ανάλυση παίζει σπουδαίο ρόλο σε όλα

Διαβάστε περισσότερα

Εφαρμογές Πληροφορικής

Εφαρμογές Πληροφορικής Εφαρμογές Πληροφορικής Κεφάλαιο 11 Πολυμέσα ΜΕΡΟΣ Α 1. Υπερκείμενο Ποιός είναι ο κόμβος, ποιός ο σύνδεσμος και ποιά η θερμή λέξη; 1 2. Υπερμέσα Χαρακτηριστικά Κόμβος (Node) Αποτελεί τη βάση πληροφοριών

Διαβάστε περισσότερα

Τμήμα Επιστήμης Υπολογιστών ΗΥ-474. Ψηφιακή Εικόνα. Αντίληψη χρωμάτων Συστήματα χρωμάτων Κβαντισμός χρωμάτων

Τμήμα Επιστήμης Υπολογιστών ΗΥ-474. Ψηφιακή Εικόνα. Αντίληψη χρωμάτων Συστήματα χρωμάτων Κβαντισμός χρωμάτων Ψηφιακή Εικόνα Αντίληψη χρωμάτων Συστήματα χρωμάτων Κβαντισμός χρωμάτων Σχηματισμός εικόνων Το φως είναι ηλεκτρομαγνητικό κύμα Το χρώμα προσδιορίζεται από το μήκος κύματος L(x, y ; t )= Φ(x, y ; t ; λ)

Διαβάστε περισσότερα

ΑΣΚΗΣΗ 3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕΛΕΤΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ. ( ) 1, αν Ι(i,j)=k hk ( ), διαφορετικά

ΑΣΚΗΣΗ 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 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

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ 1.1 ΕΙΣΑΓΩΓΗ 1.1 1.2 ΤΙ ΕΙΝΑΙ ΜΙΑ ΨΗΦΙΑΚΗ ΕΙΚΟΝΑ 1.2 1.3 ΠΛΗΘΟΣ BITS ΜΙΑΣ ΕΙΚΟΝΑΣ 1.4 1.4 ΕΥΚΡΙΝΕΙΑ ΕΙΚΟΝΑΣ 1.5 1.5 ΕΠΙΠΕ Α BITS ΜΙΑΣ ΕΙΚΟΝΑΣ 1.8 1.6 Η ΦΥΣΗ ΤΟΥ ΧΡΩΜΑΤΟΣ

Διαβάστε περισσότερα

Έγχρωμο και ασπρόμαυρο φως

Έγχρωμο και ασπρόμαυρο φως Έγχρωμο και ασπρόμαυρο φως Η μελέτη του χρώματος και της αντίληψής του από τον άνθρωπο, είναι κλάδος των: Φυσικής Φυσιολογίας Τέχνης Γραφικών με Υπολογιστή Οπτικοποίησης Το αποτέλεσμα των αλγορίθμων γραφικών

Διαβάστε περισσότερα

ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΗΣ. Άρτια και περιττή συνάρτηση. Παράδειγµα: Η f ( x) Παράδειγµα: Η. x R και. Αλγεβρα Β Λυκείου Πετσιάς Φ.- Κάτσιος.

ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΗΣ. Άρτια και περιττή συνάρτηση. Παράδειγµα: Η f ( x) Παράδειγµα: Η. x R και. Αλγεβρα Β Λυκείου Πετσιάς Φ.- Κάτσιος. ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΗΣ Πριν περιγράψουµε πως µπορούµε να µελετήσουµε µια συνάρτηση είναι αναγκαίο να δώσουµε µερικούς ορισµούς. Άρτια και περιττή συνάρτηση Ορισµός : Μια συνάρτηση fµε πεδίο ορισµού Α λέγεται

Διαβάστε περισσότερα

Χρώµατα! τεχνολογία Οι Card χρωµατικοί splitter v3 χώροι και η τηλεόραση. Οι χρωµατικοί χώροι και η τηλεόραση

Χρώµατα! τεχνολογία Οι Card χρωµατικοί splitter v3 χώροι και η τηλεόραση. Οι χρωµατικοί χώροι και η τηλεόραση Οι Card χρωµατικοί splitter v3 χώροι και η τηλεόραση Χρώµατα! Στη φύση το φως δηµιουργεί τα χρώµατα, στην εικόνα, τα χρώµατα δηµιουργούν το φως! Τ Γράφει ο Γιώργος Κακαβιάτος α χρώµατα είναι στην πραγµατικότητα

Διαβάστε περισσότερα

ΑΣΚΗΣΗ 2 ΒΑΣΙΚΑ ΚΑΙ ΣΥΝΘΕΤΑ ΣΗΜΑΤΑ ΔΥΟ ΔΙΑΣΤΑΣΕΩΝ - ΕΙΚΟΝΑΣ

ΑΣΚΗΣΗ 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 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 Τμηματοποίηση εικόνας Τμηματοποίηση εικόνας Γενικά Διαμερισμός μιας εικόνας σε διακριτές περιοχές

Διαβάστε περισσότερα

Κατανοµές. Η κατανοµή (distribution) µιας µεταβλητής (variable) φαίνεται από το σχήµα του ιστογράµµατος (histogram).

Κατανοµές. Η κατανοµή (distribution) µιας µεταβλητής (variable) φαίνεται από το σχήµα του ιστογράµµατος (histogram). Ιωάννης Παραβάντης Επίκουρος Καθηγητής Τµήµα ιεθνών και Ευρωπαϊκών Σπουδών Πανεπιστήµιο Πειραιώς Μάρτιος 2010 Κατανοµές 1. Οµοιόµορφη κατανοµή Η κατανοµή (distribution) µιας µεταβλητής (variable) φαίνεται

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

ΔΙΠΛΑ ΣΥΣΤΗΜΑΤΑ ΑΣΤΕΡΩΝ

ΔΙΠΛΑ ΣΥΣΤΗΜΑΤΑ ΑΣΤΕΡΩΝ ΔΙΠΛΑ ΣΥΣΤΗΜΑΤΑ ΑΣΤΕΡΩΝ Οι διπλοί αστέρες διακρίνονται ως τέτοιοι αν η γωνιώδης απόσταση τους, ω, είναι µεγαλύτερη από την διακριτική ικανότητα του τηλεσκοπίου: ω min =1.22 λ/d λ=µήκος κύµατος παρατήρησης

Διαβάστε περισσότερα

Περιεχόµενα. ΕΠΛ 422: Συστήµατα Πολυµέσων. Βιβλιογραφία. Πόσες λέξεις αξίζει µια εικόνα; Εικόνα

Περιεχόµενα. ΕΠΛ 422: Συστήµατα Πολυµέσων. Βιβλιογραφία. Πόσες λέξεις αξίζει µια εικόνα; Εικόνα Περιεχόµενα ΕΠΛ 422: Συστήµατα Πολυµέσων Εικόνα ηµιουργία εικόνας Αναπαράσταση Εικόνας Στοιχεία θεωρίας χρωµάτων Χρωµατικά µοντέλα Σύνθεση χρωµάτων Αρχές λειτουργίας οθονών υπολογιστών Βιβλιογραφία Καγιάφας

Διαβάστε περισσότερα

α) Κύκλος από δύο δοσµένα σηµεία Α, Β. Το ένα από τα δύο σηµεία ορίζεται ως κέντρο αν το επιλέξουµε πρώτο. β) Κύκλος από δοσµένο σηµείο και δοσµένο ευ

α) Κύκλος από δύο δοσµένα σηµεία Α, Β. Το ένα από τα δύο σηµεία ορίζεται ως κέντρο αν το επιλέξουµε πρώτο. β) Κύκλος από δοσµένο σηµείο και δοσµένο ευ ΕΙΣΑΓΩΓΗ ΣΤΟ ΛΟΓΙΣΜΙΚΟ SKETCHPAD ΜΕΡΟΣ Α Μιλώντας για ένα λογισµικό δυναµικής γεωµετρίας καλό θα ήταν να διακρίνουµε αρχικά 3 οµάδες εργαλείων µε τα οποία µπορούµε να εργαστούµε µέσα στο συγκεκριµένο περιβάλλον.

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

Αλγόριθµοι δροµολόγησης µε µέσα µαζικής µεταφοράς στο µεταφορικό δίκτυο των Αθηνών

Αλγόριθµοι δροµολόγησης µε µέσα µαζικής µεταφοράς στο µεταφορικό δίκτυο των Αθηνών 1 Αλγόριθµοι δροµολόγησης µε µέσα µαζικής µεταφοράς στο µεταφορικό δίκτυο των Αθηνών ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της Κωτσογιάννη Μαριάννας Περίληψη 1. Αντικείµενο- Σκοπός Αντικείµενο της διπλωµατικής αυτής εργασίας

Διαβάστε περισσότερα

ραστηριότητες στο Επίπεδο 1.

ραστηριότητες στο Επίπεδο 1. ραστηριότητες στο Επίπεδο 1. Στο επίπεδο 0, στις πρώτες τάξεις του δηµοτικού σχολείου, όπου στόχος είναι η οµαδοποίηση των γεωµετρικών σχηµάτων σε οµάδες µε κοινά χαρακτηριστικά στη µορφή τους, είδαµε

Διαβάστε περισσότερα

ΜΕΤΡΩΝΤΑΣ ΤΟΝ ΠΛΑΝΗΤΗ ΓΗ

ΜΕΤΡΩΝΤΑΣ ΤΟΝ ΠΛΑΝΗΤΗ ΓΗ του Υποπυραγού Αλέξανδρου Μαλούνη* Μέρος 2 ο - Χαρτογραφικοί μετασχηματισμοί Εισαγωγή Είδαμε λοιπόν ως τώρα, ότι η γη θα μπορούσε να χαρακτηρισθεί και σφαιρική και αυτό μπορεί να γίνει εμφανές όταν την

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

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΜΕΡΟΣ ΠΡΩΤΟ Πολίτη Όλγα Α.Μ. 4528 Εξάµηνο 8ο Υπεύθυνος Καθηγητής Λυκοθανάσης

Διαβάστε περισσότερα

οµή δικτύου ΣΧΗΜΑ 8.1

οµή δικτύου ΣΧΗΜΑ 8.1 8. ίκτυα Kohonen Το µοντέλο αυτό των δικτύων προτάθηκε το 1984 από τον Kοhonen, και αφορά διαδικασία εκµάθησης χωρίς επίβλεψη, δηλαδή δεν δίδεται καµία εξωτερική επέµβαση σχετικά µε τους στόχους που πρέπει

Διαβάστε περισσότερα

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,

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

Αξιοποίηση Φυσικών Αντιοξειδωτικών στην Εκτροφή των Αγροτικών

Αξιοποίηση Φυσικών Αντιοξειδωτικών στην Εκτροφή των Αγροτικών Ζώων για Παραγωγή Προϊόντων Ποιότητας» 1 Αξιοποίηση Φυσικών Αντιοξειδωτικών στην Εκτροφή των Αγροτικών Ζώων για Παραγωγή Προϊόντων Ποιότητας Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Ζωοτεχνίας MIS 380231

Διαβάστε περισσότερα

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση Χειμερινό Εξάμηνο 2013-2014 Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση 4 η Παρουσίαση : Επεξεργασία Εικόνας Διδάσκων: Γιάννης Ντόκας Εισαγωγή στις Έννοιες των Εικόνων Στο χώρο των πολυμέσων χρησιμοποιείται

Διαβάστε περισσότερα

Physics by Chris Simopoulos

Physics by Chris Simopoulos Στο παρακάτω σχήµα: ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Β ΓΥΜΝΑΣΙΟΥ ΠΑΡΑ ΕΙΓΜΑ ο α) Να ορίσετε τις θέσεις των σηµείων (Α), (Β) και (Γ). β) Να υπολογίσετε τη µετατόπιση (ΑΓ). γ) Να υπολογίσετε το διάστηµα (ΑΒΓ).

Διαβάστε περισσότερα

Β Γραφικές παραστάσεις - Πρώτο γράφημα Σχεδιάζοντας το μήκος της σανίδας συναρτήσει των φάσεων της σελήνης μπορείτε να δείτε αν υπάρχει κάποιος συσχετισμός μεταξύ των μεγεθών. Ο συνήθης τρόπος γραφικής

Διαβάστε περισσότερα

Υλικά, Γραμμές και Τεχνικές στο Ελεύθερο Σχέδιο

Υλικά, Γραμμές και Τεχνικές στο Ελεύθερο Σχέδιο Κ Ε Φ Α Λ Α Ι Ο Α Υλικά, Γραμμές και Τεχνικές στο Ελεύθερο Σχέδιο Σκοπός Σκοπός του κεφαλαίου αυτού είναι να γνωρίσουν οι μαθητές τα υλικά που χρειάζονται για το ελεύθερο σχέδιο και τον τρόπο που θα τα

Διαβάστε περισσότερα

2. Ο νόμος του Ohm. Σύμφωνα με το νόμο του Ohm, η τάση V στα άκρα ενός αγωγού με αντίσταση R που τον διαρρέει ρεύμα I δίνεται από τη σχέση: I R R I

2. Ο νόμος του Ohm. Σύμφωνα με το νόμο του Ohm, η τάση V στα άκρα ενός αγωγού με αντίσταση R που τον διαρρέει ρεύμα I δίνεται από τη σχέση: I R R I 2. Ο νόμος του Ohm 1. ΘΕΩΡΙΑ Σύμφωνα με το νόμο του Ohm, η τάση στα άκρα ενός αγωγού με αντίσταση R που τον διαρρέει ρεύμα δίνεται από τη σχέση: R Ισοδύναμα ο νόμος του Ohm μπορεί να διατυπωθεί και ως:

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

Επιµέλεια Θοδωρής Πιερράτος

Επιµέλεια Θοδωρής Πιερράτος Η έννοια πρόβληµα Ανάλυση προβλήµατος Με τον όρο πρόβληµα εννοούµε µια κατάσταση η οποία χρήζει αντιµετώπισης, απαιτεί λύση, η δε λύση της δεν είναι γνωστή ούτε προφανής. Μερικά προβλήµατα είναι τα εξής:

Διαβάστε περισσότερα

Ενότητα 2: Οι Θεµελιώδεις Αρχές των Ψηφιακών Εικόνων

Ενότητα 2: Οι Θεµελιώδεις Αρχές των Ψηφιακών Εικόνων Ενότητα 2: Οι Θεµελιώδεις Αρχές των Ψηφιακών Εικόνων Δειγµατοληψία και Κβαντισµός: Μια εικόνα (µπορεί να) είναι συνεχής τόσο ως προς τις συντεταγµένες x, y όσο και ως προς το πλάτος. Για να τη µετατρέψουµε

Διαβάστε περισσότερα

Γραφικά µε Η/Υ. Τεχνολογίες Γραφικών & Στοιχεία µαθηµατικών

Γραφικά µε Η/Υ. Τεχνολογίες Γραφικών & Στοιχεία µαθηµατικών Γραφικά µε Η/Υ Τεχνολογίες Γραφικών & Στοιχεία µαθηµατικών Τεχνολογίες Γραφικών 2/ 4 Τεχνολογία παραγωγής συνθετικής εικόνας (Πλεγµατική οθόνη) Πλεγµατική οθόνη (Raster): δισδιάστατο πλέγµα απόpixels Ανάλυση

Διαβάστε περισσότερα

Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη

Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη 7 Nicolas sapatsoulis Βιβλιογραφία Ενότητας Benvenuto []: Κεφάλαιo Wirow

Διαβάστε περισσότερα

Κεφάλαιο 7. Τρισδιάστατα Μοντέλα

Κεφάλαιο 7. Τρισδιάστατα Μοντέλα Κεφάλαιο 7. 7.1 ομές εδομένων για Γραφικά Υπολογιστών. Οι δομές δεδομένων αποτελούν αντικείμενο της επιστήμης υπολογιστών. Κατά συνέπεια πρέπει να γνωρίζουμε πώς οργανώνονται τα γεωμετρικά δεδομένα, προκειμένου

Διαβάστε περισσότερα

Μετασχηµατισµοί Laplace, Αναλογικά Συστήµατα, ιαφορικές Εξισώσεις

Μετασχηµατισµοί Laplace, Αναλογικά Συστήµατα, ιαφορικές Εξισώσεις ΚΕΦΑΛΑΙΟ 2 Μετασχηµατισµοί Laplace, Αναλογικά Συστήµατα, ιαφορικές Εξισώσεις 2.1 ΕΙΣΑΓΩΓΗ Όπως έχουµε δει, για να προσδιορίσουµε τις αποκρίσεις ενός κυκλώµατος, πρέπει να λύσουµε ένα σύνολο διαφορικών

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

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

ΘΕΩΡΗΤΙΚΗ ΑΣΚΗΣΗ ιάθλαση µέσω πρίσµατος Φασµατοσκοπικά χαρακτηριστικά πρίσµατος

ΘΕΩΡΗΤΙΚΗ ΑΣΚΗΣΗ ιάθλαση µέσω πρίσµατος Φασµατοσκοπικά χαρακτηριστικά πρίσµατος Ο1 ΘΕΩΡΗΤΙΚΗ ΑΣΚΗΣΗ ιάθλαση µέσω πρίσµατος Φασµατοσκοπικά χαρακτηριστικά πρίσµατος 1. Εισαγωγή Όταν δέσµη λευκού φωτός προσπέσει σε ένα πρίσµα τότε κάθε µήκος κύµατος διαθλάται σύµφωνα µε τον αντίστοιχο

Διαβάστε περισσότερα

Αριθµητική Ανάλυση 1 εκεµβρίου / 43

Αριθµητική Ανάλυση 1 εκεµβρίου / 43 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 1 / 43 Κεφ.5. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ίνεται ένας πίνακας A C n n και Ϲητούνται να προσδιορισθούν οι

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

ΑΠΕΙΚΟΝΙΣΗ ΤΗΣ ΜΟΡΦΗΣ ΤΗΣ ΓΗΪΝΗΣ ΕΠΙΦΑΝΕΙΑΣ. 22/5/2006 Λύσανδρος Τσούλος Χαρτογραφία Ι 1

ΑΠΕΙΚΟΝΙΣΗ ΤΗΣ ΜΟΡΦΗΣ ΤΗΣ ΓΗΪΝΗΣ ΕΠΙΦΑΝΕΙΑΣ. 22/5/2006 Λύσανδρος Τσούλος Χαρτογραφία Ι 1 ΑΠΕΙΚΟΝΙΣΗ ΤΗΣ ΜΟΡΦΗΣ ΤΗΣ ΓΗΪΝΗΣ ΕΠΙΦΑΝΕΙΑΣ 22/5/2006 Λύσανδρος Τσούλος Χαρτογραφία Ι 1 Τοποθέτηση του προβλήµατος Η γήϊνη επιφάνεια [ανάγλυφο] αποτελεί ένα ορατό, φυσικό, συνεχές φαινόµενο, το οποίο εµπίπτει

Διαβάστε περισσότερα

Περίληψη ιπλωµατικής Εργασίας

Περίληψη ιπλωµατικής Εργασίας Περίληψη ιπλωµατικής Εργασίας Θέµα: Εναλλακτικές Τεχνικές Εντοπισµού Θέσης Όνοµα: Κατερίνα Σπόντου Επιβλέπων: Ιωάννης Βασιλείου Συν-επιβλέπων: Σπύρος Αθανασίου 1. Αντικείµενο της διπλωµατικής Ο εντοπισµός

Διαβάστε περισσότερα

Διοίκηση Ολικής Ποιότητας ΔΙΑΛΕΞΗ 2 η : Εργαλεία και Τεχνικές

Διοίκηση Ολικής Ποιότητας ΔΙΑΛΕΞΗ 2 η : Εργαλεία και Τεχνικές Διοίκηση Ολικής Ποιότητας ΔΙΑΛΕΞΗ 2 η : Εργαλεία και Τεχνικές ΔΙΑΧΕΙΡΙΣΗΣ Τµήµα Διοίκησης Επιχειρήσεων Τει Δυτικής Ελλάδας Μεσολόγγι Δρ. Α. Στεφανή Διοίκηση Ολικής Ποιότητας Τι είναι η Διοίκηση Ολικής

Διαβάστε περισσότερα

ΕΥΣΤΑΘΙΟΥ ΑΓΓΕΛΙΚΗ ΣΦΑΕΛΟΣ ΙΩΑΝΝΗΣ

ΕΥΣΤΑΘΙΟΥ ΑΓΓΕΛΙΚΗ ΣΦΑΕΛΟΣ ΙΩΑΝΝΗΣ Κατασκευή µαθηµατικών fractals ΕΥΣΤΑΘΙΟΥ ΑΓΓΕΛΙΚΗ ΣΦΑΕΛΟΣ ΙΩΑΝΝΗΣ 1. Η καµπύλη του Koch H καµπύλη του Κoch ή Νησί του Koch ή χιονονιφάδα του Koch περιγράφηκε για πρώτη φορά από το Σουηδό µαθηµατικό Helge

Διαβάστε περισσότερα

Π Ρ Ο Σ Ε Γ Γ Ι Σ Η Μ Ι Α Σ Ι Α Φ Ο Ρ Ε Τ Ι Κ Η Σ Γ Ε Ω Μ Ε Τ Ρ Ι Α Σ

Π Ρ Ο Σ Ε Γ Γ Ι Σ Η Μ Ι Α Σ Ι Α Φ Ο Ρ Ε Τ Ι Κ Η Σ Γ Ε Ω Μ Ε Τ Ρ Ι Α Σ Π Ρ Ο Σ Ε Γ Γ Ι Σ Η Μ Ι Α Σ Ι Α Φ Ο Ρ Ε Τ Ι Κ Η Σ Γ Ε Ω Μ Ε Τ Ρ Ι Α Σ Εκτός της Ευκλείδειας γεωµετρίας υπάρχουν και άλλες γεωµετρίες µη Ευκλείδιες.Οι γεω- µετρίες αυτές διαφοροποιούνται σε ένα ή περισσότερα

Διαβάστε περισσότερα

ΕΥΑΙΣΘΗΣΙΑ ΗΛΕΚΤΡΙΚΩΝ ΚΥΚΛΩΜΑΤΩΝ

ΕΥΑΙΣΘΗΣΙΑ ΗΛΕΚΤΡΙΚΩΝ ΚΥΚΛΩΜΑΤΩΝ ΤΕΙ ΠΕΙΡΑΙΑ -ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΗΛΕΚΤΡΟΝΙΚΩΝ ΦΙΛΤΡΩΝ ΧΕΙΜΕΡΙΝΟ 2017-18 ΕΥΑΙΣΘΗΣΙΑ ΗΛΕΚΤΡΙΚΩΝ ΚΥΚΛΩΜΑΤΩΝ 1. ΕΥΑΙΣΘΗΣΙΑ Ενα κύκλωµα, το οποίο κάνει µια συγκεκριµένη λειτουργία εκφραζόµενη

Διαβάστε περισσότερα

ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ

ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ Ψηφιακή Επεξεργασία Εικόνας-ΚΕΦ. -- ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΕΝΤΑΣΕΩΣ Η επεξεργασία εικόνας µέσω του ιστογράµµατος ουσιαστικά αποτελεί µία βασική επεξεργασία εικόνας που ανήκει

Διαβάστε 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

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΚΑΤΟΠΤΡΙΚΗΣ ΣΥΜΜΕΤΡΙΑΣ

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΚΑΤΟΠΤΡΙΚΗΣ ΣΥΜΜΕΤΡΙΑΣ ΠΑΙ ΑΓΩΓΙΚΟ ΙΝΣΤΙΤΟΥΤΟ: ΓΕΩΜΕΤΡΙΚΟΙ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΕΝΟΤΗΤΑ: ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΚΑΤΟΠΤΡΙΚΗΣ ΣΥΜΜΕΤΡΙΑΣ [Κ. ΠΑΠΑΜΙΧΑΛΗΣ ρ ΦΥΣΙΚΗΣ] Τίτλος του Σεναρίου ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΚΑΤΟΠΤΡΙΚΗΣ ΣΥΜΜΕΤΡΙΑΣ Μελέτη των µετασχηµατισµών

Διαβάστε περισσότερα

Εισαγωγή ΕΙΣΑΓΩΓΗ ΣΤΑ ΓΣΠ

Εισαγωγή ΕΙΣΑΓΩΓΗ ΣΤΑ ΓΣΠ ΕΙΣΑΓΩΓΗ ΣΤΑ ΓΣΠ Τα τελευταία 25 χρόνια, τα προβλήµατα που σχετίζονται µε την διαχείριση της Γεωγραφικής Πληροφορίας αντιµετωπίζονται σε παγκόσµιο αλλά και εθνικό επίπεδο µε την βοήθεια των Γεωγραφικών

Διαβάστε περισσότερα

Κίνηση στερεών σωμάτων - περιστροφική

Κίνηση στερεών σωμάτων - περιστροφική Κίνηση στερεών σωμάτων - περιστροφική ΦΥΣ 211 - Διαλ.29 1 q Ενδιαφέρουσα κίνηση: Ø Αρκετά περίπλοκη Ø Δεν καταλήγει σε κίνηση ενός βαθµού ελευθερίας q Τι είναι το στερεό σώµα: Ø Συλλογή υλικών σηµείων

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

I λ de cos b (8.3) de = cos b, (8.4)

I λ de cos b (8.3) de = cos b, (8.4) Κεφάλαιο 8 Φωτισµός (Illumination) 8.1 Βασικοί ορισµοί και παραδοχές Με τον όρο Φωτισµός εννοούµε τι διαδικασία υπολογισµού της έντασης της ϕωτεινής ακτινοβολίας που προσλαµβάνει ο ϑεατής (π.χ. µία κάµερα)

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

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

Περιεχόµενα. ΕΠΛ 422: Συστήµατα Πολυµέσων. Βιβλιογραφία. Εισαγωγή. Συµπίεση εικόνων: Το πρότυπο JPEG. Εισαγωγή. Ευθύς µετασχηµατισµός DCT

Περιεχόµενα. ΕΠΛ 422: Συστήµατα Πολυµέσων. Βιβλιογραφία. Εισαγωγή. Συµπίεση εικόνων: Το πρότυπο JPEG. Εισαγωγή. Ευθύς µετασχηµατισµός DCT Περιεχόµενα ΕΠΛ : Συστήµατα Πολυµέσων Συµπίεση εικόνων: Το πρότυπο JPEG Εισαγωγή Ο µετασχηµατισµός DCT Το πρότυπο JPEG Προετοιµασία εικόνας / µπλοκ Ευθύς µετασχηµατισµός DCT Κβαντισµός Κωδικοποίηση ηµιουργία

Διαβάστε περισσότερα

LASER 4. ΜΕΛΕΤΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΜΕΓΕΘΩΝ ΤΟΥ ΙΟ ΙΚΟΥ LASER ΑΙΣΘΗΤΙΚΗΣ ΚΑΙ ΦΥΣΙΚΟΘΕΡΑΠΕΙΑΣ GaAs (ΤΥΠΟΥ FE-LA 10)

LASER 4. ΜΕΛΕΤΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΜΕΓΕΘΩΝ ΤΟΥ ΙΟ ΙΚΟΥ LASER ΑΙΣΘΗΤΙΚΗΣ ΚΑΙ ΦΥΣΙΚΟΘΕΡΑΠΕΙΑΣ GaAs (ΤΥΠΟΥ FE-LA 10) LASER 4 ΜΕΛΕΤΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΜΕΓΕΘΩΝ ΤΟΥ ΙΟ ΙΚΟΥ LASER ΑΙΣΘΗΤΙΚΗΣ ΚΑΙ ΦΥΣΙΚΟΘΕΡΑΠΕΙΑΣ GaAs (ΤΥΠΟΥ FE-LA 10) Α. ΘΕΩΡΙΑ Για την κατανόηση και καλύτερη εκτέλεση αυτής της άσκησης, είναι απαραίτητη η γνώση

Διαβάστε περισσότερα

ΘΕΜΑΤΑ ΤΕΧΝΗΣ Β και Γ ΛΥΚΕΙΟΥ. Ηρεμία, στατικότατα, σταθερότητα

ΘΕΜΑΤΑ ΤΕΧΝΗΣ Β και Γ ΛΥΚΕΙΟΥ. Ηρεμία, στατικότατα, σταθερότητα ΘΕΜΑΤΑ ΤΕΧΝΗΣ Β και Γ ΛΥΚΕΙΟΥ (μάθημα κατεύθυνσης) Τι είναι η δομή και η σύνθεση ενός εικαστικού έργου. Είναι η οργάνωση όλων των στοιχείων ενός έργου σε ένα ενιαίο σύνολο με στόχο να εκφράσουν κάποια

Διαβάστε περισσότερα

4.3. Γραµµικοί ταξινοµητές

4.3. Γραµµικοί ταξινοµητές Γραµµικοί ταξινοµητές Γραµµικός ταξινοµητής είναι ένα σύστηµα ταξινόµησης που χρησιµοποιεί γραµµικές διακριτικές συναρτήσεις Οι ταξινοµητές αυτοί αναπαρίστανται συχνά µε οµάδες κόµβων εντός των οποίων

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

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 Σημειακή επεξεργασία και μετασχηματισμοί Κατηγορίες μετασχηματισμού εικόνων Σημειακοί μετασχηματισμοί

Διαβάστε περισσότερα