Színes képek feldolgozása
|
|
- Klára Kissné
- 8 évvel ezelőtt
- Látták:
Átírás
1 Palágyi Kálmán Az oktató: SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék 6720 Szeged Árpád tér es szoba (tetıtér) (62) Kurzusanyagok Digitális képfeldolgozás (BSc) pub/digitalis_kepfeldolgozas Képfeldolgozás haladóknak (MSc) pub/kepfeldolgozas_haladoknak Feldolgozási módok Színes képek feldolgozása alkalmas színmodellre való áttéréssel skaláris (komponensenkénti) vektoros Áttérés alkalmasabb színmodellre Skaláris feldolgozás Red Green Blue T feldolgozás T -1 Red Green Blue Red Green Blue F R F G F B Red Green Blue Pl: RGB HSV 1
2 Vektoros feldolgozás Témakörök Red Green Blue F Red Green Blue Kvantálás Pont-operációk, hisztogram-transzformációk Szőrés, simítás Éldetektálás Szegmentálás Kódolás, tömörítés Kvantálás Kvantálás Egy true-color (3*8 bits/pixel, RGB) képen = szín fordulhat elı. A színes képek kvantálásakor a cél az, hogy kevés színnel adjuk/jelenítsük meg a képeket számottevı minıségromlás nélkül. A kvantáláshoz meghatározandó: a színek egy részhalmaza (colormap, palette) és egy leképezés az eredeti színhalmazból az adott részhalmazba. Kvantálás példa Kvantálás példa true-color 16-szín 256-szín 16-szín 8-szín 4-szín 4-szín 2-szín 2
3 A kvantálás menete A kvantálás alapkategóriái 1. Végezzünk statisztikai elemzést az eredeti képre. 2. A statisztika alapján válasszuk ki a colormap-et. 3. Határozzuk meg valamennyi eredeti szín colormap-beli reprezentánsát (adjuk meg a leképezést, a CLUT-ot (color look-up table)). 4. Képezzük a kvantált képet. Az eredeti színtér régiókra bontása (ahol az egy régióba esı színeket a colormap ugyanazon színébe képezzük le) az alábbi 2 módon történhet: Uniform (képfüggetlen): az eredeti színteret egyforma mérető régiókra bontjuk. Nem uniform (képfüggı): az eredeti színtér felosztása függ a színek eloszlásától az adott képen. A kvantálás mint klaszterezés Uniform kvantálás példa Az RGB kocka felbontása 6*6*6=216 színre/régióra (Web-Safe Colors) Uniform kvantálás példa Uniform kvantálás példa 4 A true-color RGB kocka felbontása 8*8*4=256 színre/régióra (az R- és a G- komponens 3-3-bites, a B-komponens 2-biten ábrázolt) true-color
4 Uniform kvantálás példa Nem uniform kvantálás Center/Median Cut algoritmus true-color Határozzuk meg a színtérben a képen elıforduló színek befoglaló téglatestét/dobozt. 2. Rendezzük a színeket a leghosszabb dobozoldal tengelye mentén. 3. Vágjuk szét az adott dobozt a mediánnál. 4. Ismételjük az eljárást a 2. lépéstıl, amíg el nem értük az elıre adott doboz-számot (pl. 256-ot). 5. Rendeljük minden dobozhoz az átlagszínét. Median Cut algoritmus 1. Median Cut algoritmus 2. befoglaló téglalap színtér medián Median Cut algoritmus 3. Median Cut algoritmus 5. doboz-1 doboz-2 átlagszín-1 átlagszín-2 4
5 Median Cut algoritmus példa Median Cut algoritmus példa 4-árnyalat truecolor 256szín 256-árnyalat Median Cut uniform További módszerek kvantálásra és a kvantálási hiba csökkentésére eredeti true-color uniform (8-szín) median cut (8-szín) Octree method Self-Organizing Map K-means Fast Adaptive Dissection Dithering, error diffusion halftoning Octree algoritmus példa truecolor Dithering Seurat 256szín 5
6 Dithering példa Dithering példa 256-szín 4-szín (diffusion dithering) 4-szín (pattern dithering) 4-szín (noise dithering) true-color dithered (256 colors) Dithering példa Error diffusion halftoning példa true-color 16-szín dithered (16-szín) Álszínezés Pont-operációk, hisztogram transzformációk Szürkeárnyalatos RGB: r (T R (r),t G (r),t B (r)) 6
7 Álszínezés Álszínezés Szürkeárnyalatos RGB: r (T R (r),t G (r),t B (r)) Szürkeárnyalatos RGB: r (T R (r),t G (r),t B (r)) Álszínezés Álszínezés CLUT (Color Look-up Table) monochrom sztereogramok és a vörös-cián szemüveg Stereogram Pont operáció példa eredeti transzformált függvény Nem változik a szín (hue), mivel mindhárom komponens ugyanúgy transzformált. 7
8 Invertálás / negálás (RGB) Invertálás / negálás (RGB) RGB RGB Invertálás / negálás (HSI) Pont operáció példa eredeti transzformált függvény Pont operáció példa Gamma korrekció eredeti transzformált függvény RGB 8
9 Hisztogram Hisztogram Hisztogram Hisztogram Hisztogram Hisztogram 9
10 Hisztogram kiegyenlítés Hisztogram kiegyenlítés eredeti sötét kép hisztogramkiegyenlítés egyenként az R-, a G- és a B-csatornákon hisztogramkiegyenlítés az YIQ-ra konvertált kép Y (lumiance) komponensén a HSV V-komponense alapján (képek és felhalmozott hisztogramjaik). HSV HSV Hisztogram kiegyenlítés Szőrés, simítás eredeti HSI kiegyenlítés a Saturation komponens alapján Konvolúció Simítás példa színes (RGB) kép: f = ( f R, f G, f B ) konvolúciós maszk: g = ( g R, g G, g B ) konvolvált kép: f * g = ( f R * g R, f G * g G, f B * g B ) eredeti RGB mindhárom komponens ugyanazon maszkkal simítva 10
11 Simítás példa Simítás példa eredeti HSI csak az Intensity komponens simított eredeti HSI mindhárom komponens ugyanazon maszkkal simítva Simítás példa Élesítés példa Kontrasztfokozás Laplace transzformációval: az RGB kép mindhárom komponensének simítása 5*5-ös átlagoló maszkkal - konverzió HSI-be - csak az Intensity simítása 5*5-ös átlagoló maszkkal - konverzió RGB-be különbségkép az RGB kép mindhárom komponensének transzformálása - konverzió HSI-be - csak az Intensity transzformálása - konverzió RGB-be különbségkép Mediánszőrés példa Éldetektálás eredeti zajos kép szőrt kép 11
12 Éltípusok a színes képeken Az élek a színes képeken is fontosak vizuális információt hordoznak. A színes képeken kétféle él különböztethetı meg: intenzitás-él (valamely irányban egy képpont környezetében az intenzitások jelentısen eltérnek), szín-él (valamely irányban egy képpont környezetében az színek jelentısen eltérnek, bár az intenzitásban nincs lényeges változás). Az éldetektálás alapmódszerei színes képeken Élek detektálása komponensenként/csatornánként, majd az egyes éltérképek kombinálása/fúziója. A szín és az intenzitás szeparálása, majd éldetektálás a szín- és intenzitás komponenseken, végül pedig az egyes éltérképek kombinálása/fúziója. Éldetektálás csatornánként kiindulási kép Éldetektálás csatornánként eredeti RGB kombinált élkép a három csatorna élképei élek az egyes színkomponenseken Éldetektálás csatornánként Szín és intenzitás szeparálása intenzitás eltávol volítása eredeti RGB a három élkép összege szín eltávol volítása 12
13 Éldetektálás a komponenseken Az élképek kombinálása átlagolás súlyozott átlagolás (a színmennyiségekkel) a domináns szín élképén lévı érték összegzés négyzetösszegek gyöke Éldetektálás példa Éldetektálás példa Szegmentálás Szegmentálás eredeti szegmentált kontúr 13
14 Szín-szeletelés Szín-szeletelés példa B B B G G G R R R A régió színtartományának kijelölése. Az RGB-kocka (0.7,0.15,0.2)-körüli 0.2 sugarú gömbtartomány intenzitásait az (1.0,0.0,0.0) pontba, a többit pedig a (0.5,0.5,0.5)-be viszi. Szegmentálás klaszterezéssel K-means klaszterezés A klaszterezés (clustering) a felügyelet nélküli tanulás (unsupervised learning) legfontosabb problémája, melynek feladata egy címkézetlen adathalmaz struktúrájának megtalálása, vagyis a klaszterek (hasonló elemek halmaza) megadása. Néhány módszere: K-means fuzzy C-means hierarchikus minimális költségő feszítıfa maximális/minimális vágás Az eljárás (J.B. MacQueen, 1967): 1. Adjunk meg K elemet kezdeti centroidokként (mint a klaszterek reprezentáns elemeit). 2. Minden elemet rendeljünk ahhoz a klaszterhez, melynek centroidjához a legközelebb esik. 3. Számoljuk újra a klaszterek centroidjait. 4. Ismételjük a 2. és a 3. lépést mindaddig, míg elmozdulnak a centroidok. K-means példa K-means példa a 8 klaszterezendı elem 1. lépés: a kezdeti centroidok megadása (K=3) 14
15 K-means példa K-means példa 2. lépés: hozzárendelés a centroidokhoz 3. lépés: új centroidok számítása K-means példa K-means példa 2. lépés: hozzárendelés a centroidokhoz 3. lépés: új centroidok számítása K-means példa K-means példa eredmény eredeti RGB a K-means eredménye (K=5) 15
16 K-means applet Arcdetektálás (Bakic, 1999) Az RGB színmodell helyett egy 2D normalizált színteret használnak: r=r/(r+g+b), g=g/(r+g+b). g az emberi bır b klasztere r Arcdetektálás (Bakic, 1999) Kódolás, tömörítés eredeti kép osztályozott/címkézett képpontok a bır-szín modell szerint a bır-szín legnagyobb összefüggı komponense Egyszerő tömörítési trükkök A színmélység csonkolása példa a színmélység csökkentése (pl: (8,8,8) (3,3,2) ) a szín és az intenzitás szeparálásával durvább mintavételezés a színtartományban Kvantálás CLUT (color look up table) (pl: a 256 jellemzı 3*8-bites szín kiválasztása) true-color (8-8-8)
17 Durvább mintavételezés a színtartományban Áttérés indexelt képre példa truecolor 256- szín JPEG JPEG A színes képek tömörítésének algoritmusa: 1. konvertálás az YIQ vagy az YUV színtérbe (az intenzitás és a jobban tömöríthetı szín szeparálása, mivel a szem a fényességre jobban érzékeny) 2. DCT (a 8x8-as blokkok redundanciájának azonosítása) 3. kvantálás (egész osztás a kvantáló táblák paramétereivel veszteséges) 4. kódolás (Huffman veszteségmentes) JPEG példa JPEG GIF (PNG) veszteségmentes (84%-os tömörítés) veszteséges (96%-os tömörítés) veszteséges (99%-os tömörítés) színmélység: JPEG: 24 bits/pixel GIF: 8 bits/pixel (olcsóbb monitorokhoz) élmegırzés: JPEG: nagy tömörítési aránynál hajlamos az élek elkenésére, jó a fotókra GIF: különösen alkalmas grafikákhoz, vonalrajzokra tömörítési arány: JPEG: ~20:1 aránynál még nincs vizuális veszteség GIF: 3:1 arányt hoz az indexelés, amit az LZW ~5:1-re javít 17
2. Pont operációk. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
2. Pont operációk Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Kép transzformációk típusai Kép értékkészletének (radiometriai információ)
RészletesebbenKépszerkesztés elméleti kérdések
Képszerkesztés elméleti kérdések 1. A... egyedi alkotó elemek, amelyek együttesen formálnak egy képet.(pixelek) a. Pixelek b. Paletták c. Grafikák d. Gammák 2. Az alábbiak közül melyik nem színmodell?
RészletesebbenKépszerkesztés elméleti feladatainak kérdései és válaszai
Képszerkesztés elméleti feladatainak kérdései és válaszai 1. A... egyedi alkotóelemek, amelyek együttesen formálnak egy képet. Helyettesítse be a pixelek paletták grafikák gammák Helyes válasz: pixelek
RészletesebbenSZÍNES KÉPEK FELDOLGOZÁSA
SZÍNES KÉPEK FELDOLGOZÁSA Színes képek feldolgozása Az emberi szem többezer színt képes megkülönböztetni, de csupán 20-30 különböző szürkeárnyalatot A színes kép feldolgozása két csoportba sorolható -
RészletesebbenAz objektum leírására szolgálnak. Mire jók? Sokszor maga a jellemző az érdekes: Tömörítés. Objektumok csoportosítására
Az objektum leírására szolgálnak Mire jók? Sokszor maga a jellemző az érdekes: pl.: átlagosan mekkora egy szitakötő szárnyfesztávolsága? Tömörítés pl.: ha körszerű objektumokat tartalmaz a kép, elegendő
RészletesebbenSzámítógépi képelemzés
Számítógépi képelemzés Elıadás vázlat Szerzık: Dr. Gácsi Zoltán, egyetemi tanár Dr. Barkóczy Péter, egyetemi docens Lektor: Igaz Antal, okl. gépészmérnök a Carl Zeiss technika kft. Ügyvezetı igazgatója
Részletesebben3. Szűrés képtérben. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
3. Szűrés képtérben Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE http://www.inf.u-szeged.hu/~kato/teaching/ 2 Kép transzformációk típusai Kép értékkészletének radiometriai információ
RészletesebbenInformatikai eszközök fizikai alapjai. Romanenko Alekszej
Informatikai eszközök fizikai alapjai Romanenko Alekszej 1 Tömörítés Fájlból kisebb méretű, de azonos információt tartalmazó fájl jön létre. Adattárolás Átvitel sebessége 2 Információ elmélet alapjai Redundanica
RészletesebbenMinták automatikus osztályba sorolása a mintát leíró jellemzők alapján. Típusok: felügyelt és felügyelet nélküli tanuló eljárások
Minták automatikus osztályba sorolása a mintát leíró jellemzők alapján Típusok: felügyelt és felügyelet nélküli tanuló eljárások Különbség: előbbinél szükséges egy olyan tanulóhalmaz, ahol ismert a minták
RészletesebbenElemek a kiadványban. Tervez grafika számítógépen. A képek feldolgozásának fejl dése ICC. Kép. Szöveg. Grafika
Elemek a kiadványban Kép Tervez grafika számítógépen Szöveg Grafika A képek feldolgozásának fejl dése Fekete fehér fotók autotípiai rács Színes képek megjelenése nyomtatásban: CMYK színkivonatok készítése
RészletesebbenTömörítés, kép ábrázolás A tömörítés célja: hogy információt kisebb helyen lehessen tárolni (ill. gyorsabban lehessen kommunikációs csatornán átvinni
Tömörítés, kép ábrázolás A tömörítés célja: hogy információt kisebb helyen lehessen tárolni (ill. gyorsabban lehessen kommunikációs csatornán átvinni A tömörítés lehet: veszteségmentes nincs információ
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenRendszámfelismerő rendszerek
Problémamegoldó szeminárium Témavezető: Pataki Péter ARH Zrt. ELTE-TTK 2013 Tartalomjegyzék 1 Bevezetés 2 Út a megoldás felé 3 Felmerült problémák 4 Alkalmazott matematika 5 További lehetőségek Motiváció
RészletesebbenSzámítógépes Grafika SZIE YMÉK
Számítógépes Grafika SZIE YMÉK Analóg - digitális Analóg: a jel értelmezési tartománya (idő), és az értékkészletes is folytonos (pl. hang, fény) Diszkrét idejű: az értelmezési tartomány diszkrét (pl. a
RészletesebbenKépfeldolgozás jól párhuzamosítható
Képfeldolgozás jól párhuzamosítható B. Wilkinson, M. Allen: Parallel Programming, Pearson Education Prentice Hall, 2nd ed., 2005. könyv 12. fejezete alapján Vázlat A képfeldolgozás olyan alkalmazási terület,
Részletesebben7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
Részletesebben1.4 fejezet. RGB színrendszerek
1 1.4 fejezet. RGB színrendszerek 1. sz. ábra. Számítógépes monitorról készült nagyítás Az RGB színrendszer a katódsugárcso képernyo összeadó színképzéséhez igazodik, amely a vörös, zöld és kék színeket
RészletesebbenJELÁTALAKÍTÁS ÉS KÓDOLÁS I.
JELÁTALAKÍTÁS ÉS KÓDOLÁS I. Jel Kódolt formában információt hordoz. Fajtái informatikai szempontból: Analóg jel Digitális jel Analóg jel Az analóg jel két érték között bármilyen tetszőleges értéket felvehet,
RészletesebbenDigitális képek. Zaj és tömörítés
Digitális képek Zaj és tömörítés Jelforrások Fény (elektromágneses sugárzás) Látható Röntgen (CT, Röntgen, Tomo) Gamma (PET) Mágneses tér + Rádió hullám (MRI) Hang Ultrahang Továbbiakban a fénnyel foglalkozunk
RészletesebbenGépi tanulás a gyakorlatban. Bevezetés
Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis
RészletesebbenTömörítés, csomagolás, kicsomagolás. Letöltve: lenartpeter.uw.hu
Tömörítés, csomagolás, kicsomagolás Letöltve: lenartpeter.uw.hu Tömörítők Tömörítők kialakulásának főbb okai: - kis tárkapacitás - hálózaton továbbítandó adatok mérete nagy Tömörítés: olyan folyamat, mely
Részletesebben12. Képtömörítés. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (
12. Képtömörítés Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Miért van szükség tömörítésre? A rendelkezésre álló adattárolási és továbbítási
RészletesebbenSzámítógépes grafika. Készítette: Farkas Ildikó 2006.Január 12.
Számítógépes grafika Készítette: Farkas Ildikó 2006.Január 12. Az emberi látás Jellegzetességei: az emberi látás térlátás A multimédia alkalmazások az emberi érzékszervek összetett használatára építenek.
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
RészletesebbenGRAFIKA. elméleti tudnivalók
GRAFIKA elméleti tudnivalók 1. A digitális képalkotás - bevezető A "digitális" szó egyik jelentése: számjegyet használó. A digitális adatrögzítés mindent számmal próbál meg leírni. Mivel a természet végtelen,
RészletesebbenA színkezelés alapjai a GIMP programban
A színkezelés alapjai a GIMP programban Alapok.Előtér és háttér színek.klikk, hogy alapbeállítás legyen ( d és x használata).hozzunk létre egy 640x400 pixeles képet! 4.Ecset eszköz választása 5.Ecset kiválasztása
RészletesebbenKépfeldolgozás és párhuzamosíthatóság
Többszálú, többmagos architektúrák és programozásuk Óbudai Egyetem, Neumann János Informatikai Kar Képfeldolgozás és párhuzamosíthatóság A képfeldolgozás olyan alkalmazási terület, amely számos lehetőséget
RészletesebbenPontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
RészletesebbenKépfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008
Képfeldolgozás 1. el adás. A képfeldolgozás m veletei Mechatronikai mérnök szak BME, 2008 1 / 61 Alapfogalmak transzformációk Deníció Deníció Geometriai korrekciókra akkor van szükség, ha a képr l valódi
RészletesebbenA számítógépes grafika alapjai
A számítógépes grafika alapjai ELTE IK Helfenbein Henrik hehe@elte.hu Grafika kép keletkezése A számítógépes grafikák, képek létrehozása: egy perifériával egy képet digitalizálunk lapolvasó (scanner),
RészletesebbenKészítette: Szűcs Tamás
2016 Készítette: Szűcs Tamás A számítógép képpontok (pixelek) formájában tárolja a képeket. Rengeteg - megfelelően kicsi - képpontot a szemünk egy összefüggő formának lát. Minden képpont másmilyen színű
RészletesebbenA digitális képfeldolgozás alapjai
A digitális képfeldolgozás alapjai Digitális képfeldolgozás A digit szó jelentése szám. A digitális jelentése, számszerű. A digitális információ számokká alakított információt jelent. A számítógép a képi
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
Részletesebben8. Pontmegfeleltetések
8. Pontmegfeleltetések Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Példa: panoráma kép készítés 1. Jellemzőpontok detektálása mindkét
Részletesebben6. Éldetektálás. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
6. Éldetektálás Kató Zoltán Képeldolgozás és Számítógépes Graika tanszék SZTE (http://www.in.u-szeged.hu/~kato/teaching/) 2 Élek A képen ott található él, ahol a kép-üggvény hirtelen változik. A kép egy
RészletesebbenKépfeldolgozás jól párhuzamosítható
Képeldolgozás jól párhuzamosítható B. Wilkinson, M. Allen: Parallel Programming, Pearson Education Prentice Hall, nd ed., 005. könyv. ejezete alapján Vázlat A képeldolgozás olyan alkalmazási terület, amely
RészletesebbenKépek kódolása. Vektorgrafika. Bittérképes grafika (raszter/pixelgrafika)
Képek kódolása A számítógépes grafika körébe soroljuk a grafikus objektumok (képek, rajzok, diagramok) előállítását, tárolását, a számítógép számára feldolgozható formává alakítását (képdigitalizálás),
RészletesebbenPixel vs. Vektor. Pixelgrafikus: Vektorgrafikus:
Grafika Pixel vs. Vektor Pixelgrafikus: Pixelt (képpontot használ, ehhez tartozik színkód Inkább fotók Pl.: GIMP, PhotoShop, Paint Shop Pro, Paint Vektorgrafikus: Objektumokból építkezik, ezek tulajdonságát
RészletesebbenTANTÁRGYI ÚTMUTATÓ DIGITÁLIS KÉPFELDOLGOZÁS. BSc/BA alapképzés
TANTÁRGYI ÚTMUTATÓ DIGITÁLIS KÉPFELDOLGOZÁS BSc/BA alapképzés 317 2011 /2012. tanév Tartalomjegyzék 1. A tantárggyal kapcsolatos fontosabb adatok... 2 2. A tantárgy célkitűzése és tematikája... 3 3. A
RészletesebbenMorfológia. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet
Morfológia Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet 2013. szeptember 15. Sergyán (OE NIK) Morfológia 2013. szeptember
RészletesebbenDIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG:
DIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG: kisszandi@mailbox.unideb.hu ImageJ (Fiji) Nyílt forrás kódú, java alapú képelemző szoftver https://fiji.sc/ Számos képformátumhoz megfelelő
RészletesebbenTömörítés, kép ábrázolás
Informatika alapjai-4 Tömörítés 1/12 Tömörítés, kép ábrázolás [Forrás elsősorban WIKIPEDIA] A tömörítés alapcélja, hogy információt a számítástechnikában egy vagy több file-t - kisebb helyen lehessen tárolni,
RészletesebbenSúlyozott automaták alkalmazása
Súlyozott automaták alkalmazása képek reprezentációjára Gazdag Zsolt Szegedi Tudományegyetem Számítástudomány Alapjai Tanszék Tartalom Motiváció Fraktáltömörítés Súlyozott véges automaták Képek reprezentációja
RészletesebbenSzínek 2013.10.20. 1
Színek 2013.10.20. 1 Képek osztályozása Álló vagy mozgó (animált) kép Fekete-fehér vagy színes kép 2013.10.20. 2 A színes kép Az emberi szem kb. 380-760 nm hullámhosszúságú fénytartományra érzékeny. (Ez
RészletesebbenKépfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika
Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés
RészletesebbenSzéchenyi István Egyetem. Informatika II. Számítási módszerek. 13. előadás. Matlab 8. (Képek kezelése) Dr. Szörényi Miklós, Dr.
13. előadás Matlab 8. (Képek kezelése) Dr. Szörényi Miklós, Dr. Kallós Gábor 2015 2016 1 Tartalom Áttekintés Képek betöltése Képtípusok a Matlabban Indexelt, intenzitás, RGB Képtípus jellemzők lekérdezése
RészletesebbenFraktál alapú képtömörítés p. 1/26
Fraktál alapú képtömörítés Bodó Zalán zbodo@cs.ubbcluj.ro BBTE Fraktál alapú képtömörítés p. 1/26 Bevezetés tömörítések veszteségmentes (lossless) - RLE, Huffman, LZW veszteséges (lossy) - kvantálás, fraktál
RészletesebbenBME Építészmérnöki kar Építészeti Ábrázolás Tanszék Számítógépek alkalmazása 1. 2. előadás, 2004. szeptember 27.
BME Építészmérnöki kar Építészeti Ábrázolás Tanszék Számítógépek alkalmazása 1. 2. előadás, 2004. szeptember 27. Pixelgrafika 2. 1 Tartalomjegyzék Első rész (szín) 1. Fény fizikai tulajdonságai 1.1 Elektromágneses
RészletesebbenMultimédia alapú fejlesztéseknél gyakran használt veszteséges képtömörítő eljárások pszichovizuális összehasonlítása
Multimédia alapú fejlesztéseknél gyakran használt veszteséges képtömörítő eljárások pszichovizuális összehasonlítása Berke József 1 - Kocsis Péter 2 - Kovács József 2 1 - Pannon Agrártudományi Egyetem,
RészletesebbenAdatelemzés és adatbányászat MSc
Adatelemzés és adatbányászat MSc 12. téma Klaszterezési módszerek Klaszterezés célja Adott az objektumok, tulajdonságaik együttese. Az objektumok között hasonlóságot és különbözőséget fedezhetünk fel.
RészletesebbenPixelgrafika alapjai
Építész-informatika 1 BMEEPAGA31 Építész-informatika 1 / 1 Pixelgrafika alapjai Mintavétel elmélete BME Építészmérnöki Kar Építészeti Ábrázolás Tanszék Batta Imre DLA Tartalom BMEEPAGA31 Építész-informatika
RészletesebbenDigitális Sötétszoba. Szente Benjámin Pannon Egyetem Fényképészköre. Fotószakkör 2011/2012/2.
Szente Benjámin Pannon Egyetem Fényképészköre Fotószakkör 2011/2012/2. Ahogyan annak idején a filmre készített képeken szükséges volt utómunkát végezni, így a digitális fotókon ez szintén szükséges. A
Részletesebben1 Építész-informatika 1. BME Építészmérnöki Kar Építészeti Ábrázolás Tanszék Előadó: Batta Imre. Mintavétel elmélete
1 Építész-informatika 1. BME Építészmérnöki Kar Építészeti Ábrázolás Tanszék Előadó: Batta Imre Mintavétel elmélete 2 Tartalom Mintavétel és kvantálás Elve & paraméterei Felbontás mértékegységei Színmélység
RészletesebbenKépszerkesztés. Letölthető mintafeladatok gyakorláshoz: Minta teszt 1 Minta teszt 2. A modul célja
Képszerkesztés Letölthető mintafeladatok gyakorláshoz: Minta teszt 1 Minta teszt 2 A modul célja Az ECDL Képszerkesztés alapfokú követelményrendszerben (Syllabus 1.0) a vizsgázónak értenie kell a digitális
RészletesebbenA digitális képfeldolgozás alapjai
A digitális képfeldolgozás alapjai Digitális képfeldolgozás A digit szó jelentése szám. A digitális jelentése, számszerű. A digitális információ számokká alakított információt jelent. A számítógép a képi
RészletesebbenB8. A CIE 1931 SZÍNINGER-MÉRŐ RENDSZER ISMERTETÉSE;
B8. A CIE 1931 SZÍNINGER-MÉRŐ RENDSZER ISMERTETÉSE; A CIE DIAGRAM, A SZÍNEK ÁBRÁZOLÁSA A DIAGRAMBAN;A NYOMTATÁSBAN REPRODUKÁLHATÓ SZÍNTARTOMÁNY SZÍNRENDSZEREK A színrendszerek kialakításának célja: a színek
RészletesebbenKiegészítő témakörök Képek kezelése
Kiegészítő témakörök Képek kezelése Dr. Kallós Gábor 2008-2009. Alapfogalmak Színelmélet Színezet: az adott szín helye a színskálán Fényerő: a szín relatív világossága, 0% = fekete, 100% = fehér Telítettség:
RészletesebbenPixelgrafika 2. Pixelkép tulajdonságai
BME Építészmérnöki kar Építészeti Ábrázolás Tanszék BMEEPAG122 - Számítógépek alkalmazása 1. 2. el adás, 25. szeptember 26. Pixelgrafika 2. Pixelkép tulajdonságai Adaptáció A fényer t a szem világosságként
RészletesebbenKÉPSZERKESZTÉS. GIMP GNU Image Manipulation Program szabad, ingyenes szoftver, képszerkesztő program. A Gimp natív fájlformátuma az XCF.
KÉPSZERKESZTÉS GIMP GNU Image Manipulation Program szabad, ingyenes szoftver, képszerkesztő program. A Gimp natív fájlformátuma az XCF. Photoshop Adobe Photoshop pénzért megvásárolható képszerkesztő program,
RészletesebbenKéprestauráció Képhelyreállítás
Képrestauráció Képhelyreállítás Képrestauráció - A képrestauráció az a folyamat mellyel a sérült képből eltávolítjuk a degradációt, eredményképpen pedig az eredetihez minél közelebbi képet szeretnénk kapni
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenA tantárgyelem kódja: A tantárgyelem megnevezése: KIN2803G
A mérföldkő megnevezése: A tantárgy megnevezése: A mérföldkő kódja: A tantárgy kódja: A tantárgyelem megnevezése: Informatika II. gy A tantárgyelem kredit-értéke: 2 A tantárgyelem teljesítési formája:
RészletesebbenInformatikai Rendszerek Alapjai
Informatikai Rendszerek Alapjai Dr. Kutor László A redundancia fogalma és mérése Minimális redundanciájú kódok 1. http://uni-obuda.hu/users/kutor/ IRA 2014 könyvtár Óbudai Egyetem, NIK Dr. Kutor László
RészletesebbenKépfeldolgozás Szegmentálás Osztályozás Képfelismerés Térbeli rekonstrukció
Mesterséges látás Miről lesz szó? objektumok Bevezetés objektumok A mesterséges látás jelenlegi, technikai eszközökön alapuló világunkban gyakorlatilag azonos a számítógépes képfeldolgozással. Számítógépes
RészletesebbenSzámítógépes grafika
A 9. osztályos munkafüzet feladatainak megoldása Nemzeti Tankönyvkiadó, 2006 (Rsz.: 16172/M) A feladatok megoldásához szükséges képfájlok a Nemzeti Tankönyvkiadó webhelyén találhatók. Az egyes tevékenységek
RészletesebbenPéldák jellemzőkre: - minden pixelérték egy jellemző pl. neurális hálózat esetében csak kis képekre, nem invariáns sem a megvilágításra, sem a geom.
Lépések 1. tanító és teszt halmaz összeállítása / megszerzése 2. jellemzők kinyerése 3. tanító eljárás választása Sok vagy kevés adat áll-e rendelkezésünkre? Mennyi tanítási idő/memória áll rendelkezésre?
RészletesebbenAdatbányászat. Klaszterezés Szociális hálózatok. Szegei Tudományegyetem. Lehetetlenségi tétel Hierarchikus eljárások Particionáló módszerek
Adatányászat Klaszterezés Szociális hálózatok Szegei Tudományegyetem Adatányászat Mit várhatunk egy klaszterezőtől? Az ojektumok olyan csoportjainak megtalálása, hogy az egy csoportan levő ojektumok hasonlóak
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenDigitális jelfeldolgozás
Digitális jelfeldolgozás Kvantálás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010. szeptember 15. Áttekintés
RészletesebbenKlaszterezés. Kovács Máté március 22. BME. Kovács Máté (BME) Klaszterezés március / 37
Klaszterezés Kovács Máté BME 2012. március 22. Kovács Máté (BME) Klaszterezés 2012. március 22. 1 / 37 Mi a klaszterezés? Intuitív meghatározás Adott dolgokból halmazokat klasztereket alakítunk ki úgy,
RészletesebbenFüggvények Megoldások
Függvények Megoldások ) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) x x b) x x + c) x ( x + ) b) Az x függvény
RészletesebbenMatematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók
Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz
RészletesebbenDigitális képfeldolgozás feladatgyűjtemény
Digitális képfeldolgozás feladatgyűjtemény Khoros Cantata és VisiQuest rendszerhez Készítették: Dr. Tanács Attila, Domokos Csaba, Gara Mihály, Kardos Péter, Németh Gábor, Németh József Szegedi Tudományegyetem
RészletesebbenSzürke árnyalat: R=G=B. OPENCV: BGR Mátrix típus: CV_8UC3 Pont típus: img.at<vec3b>(i, j) Tartomány: R, G, B [0, 255]
Additív színmodell: piros, zöld, kék keverése RGB hullámhossz:700nm, 546nm, 435nm Elektronikai eszközök alkalmazzák: kijelzők, kamerák 16 millió szín kódolható Szürke árnyalat: R=G=B OPENCV: BGR Mátrix
RészletesebbenMorfológia. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet
Morfológia Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet 2012. október 9. Sergyán (OE NIK) Morfológia 2012. október 9. 1 /
RészletesebbenDIGITÁLIS KÉPFELDOLGOZÁS
TANTÁRGYI ÚTMUTATÓ DIGITÁLIS KÉPFELDOLGOZÁS BSc/BA alapképzés BGYDIGKEP 2015/2016. tanév Tartalomjegyzék 1. A tantárggyal kapcsolatos fontosabb adatok... 2 2. A tantárgy célkitűzése és tematikája... 3
RészletesebbenMISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Korszerű információs technológiák Klaszteranalízis Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2018. október 20. Tartalom
RészletesebbenJel, adat, információ
Kommunikáció Jel, adat, információ Jel: érzékszerveinkkel, műszerekkel felfogható fizikai állapotváltozás (hang, fény, feszültség, stb.) Adat: jelekből (számítástechnikában: számokból) képzett sorozat.
Részletesebben6. Modell illesztés, alakzatok
6. Modell illesztés, alakzatok Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 ROBOSZTUS EGYENES ILLESZTÉS Egyenes illesztés Adott a síkban
RészletesebbenKépfeldolgozás. 1. el adás. A képfeldolgozás alapfogalmai. Mechatronikai mérnök szak BME, 2008
Képfeldolgozás 1. el adás. A képfeldolgozás alapfogalmai BME, 2008 A digitális képfeldolgozás alapfeladata Deníció A digitális képfeldolgozás során arra törekszünk, hogy a természetes képek elemzése révén
RészletesebbenAssembly programozás: 2. gyakorlat
Assembly programozás: 2. gyakorlat Számrendszerek: Kettes (bináris) számrendszer: {0, 1} Nyolcas (oktális) számrendszer: {0,..., 7} Tízes (decimális) számrendszer: {0, 1, 2,..., 9} 16-os (hexadecimális
RészletesebbenFotogrammetriai munkaállomások szoftvermoduljainak tervezése. Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar
Fotogrammetriai munkaállomások szoftvermoduljainak tervezése Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar Témakörök DPW szoftvermodulok Szoftverek funkciói Pár példa Mi hiányzik gyakran?
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenAdatbányászat: Klaszterezés Haladó fogalmak és algoritmusok
Adatbányászat: Klaszterezés Haladó fogalmak és algoritmusok 9. fejezet Tan, Steinbach, Kumar Bevezetés az adatbányászatba előadás-fóliák fordította Ispány Márton Logók és támogatás A tananyag a TÁMOP-4.1.2-08/1/A-2009-0046
RészletesebbenFeladatok MATEMATIKÁBÓL II.
Feladatok MATEMATIKÁBÓL a 12. évfolyam számára II. 1. Alakítsuk át a következő kifejezéseket úgy, hogy teljes négyzetek jelenjenek meg: a) x 2 2x + b) x 2 6x + 10 c) x 2 + x + 1 d) x 2 12x + 11 e) 2x 2
RészletesebbenInformatikai alapismeretek II.
Informatikai alapismeretek II. (PF30IF211) Kérdések és válaszok 1. Milyen veszteségmentes kódolási lehetıségeket ismersz? Különbségi kódolás, határoló vonal kódolás, homogén foltok kódolása, entrópia kódolás.
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenSergyán Szabolcs szeptember 21.
Éldetektálás Sergyán Szabolcs Budapesti Műszaki Főiskola Neumann János Informatikai Kar 2009. szeptember 21. Sergyán Sz. (BMF NIK) Éldetektálás 2009. szeptember 21. 1 / 28 Mit nevezünk élnek? Intuitív
Részletesebben10. Alakzatok és minták detektálása
0. Alakzatok és mnták detektálása Kató Zoltán Képfeldolgozás és Számítógépes Grafka tanszék SZTE http://www.nf.u-szeged.hu/~kato/teachng/ 2 Hough transzformácó Éldetektálás során csak élpontok halmazát
RészletesebbenDIGITÁLIS TEREPMODELL A TÁJRENDEZÉSBEN
DIGITÁLIS TEREPMODELL A TÁJRENDEZÉSBEN DR. GIMESI LÁSZLÓ Bevezetés Pécsett és környékén végzett bányászati tevékenység felszámolása kapcsán szükségessé vált az e tevékenység során keletkezett meddők, zagytározók,
RészletesebbenKÉPJAVÍTÁS A KÉPTARTOMÁNYBAN
KÉPJAVÍTÁS A KÉPTARTOMÁNYBAN Képjavítás Olyan eljárás melynek eredménye olyan kép amely jobban megfelel az adott alkalmazásnak - különböző módszereket kell alkalmazni egy Röntgenfelvétel és a Mars felvételének
RészletesebbenDr. Pétery Kristóf: Corel PHOTO-PAINT X3 Képmanipuláció
2 Minden jog fenntartva, beleértve bárminemű sokszorosítás, másolás és közlés jogát is. Kiadja a Mercator Stúdió Felelős kiadó a Mercator Stúdió vezetője Lektor: Gál Veronika Szerkesztő: Pétery István
RészletesebbenDr. Pétery Kristóf: Adobe Photoshop CS Képmanipuláció
2 Minden jog fenntartva, beleértve bárminemű sokszorosítás, másolás és közlés jogát is. Kiadja a Mercator Stúdió Felelős kiadó a Mercator Stúdió vezetője Lektor: Gál Veronika Szerkesztő: Pétery István
RészletesebbenSzürke árnyalat: R=G=B. OPENCV: BGR Mátrix típus: CV_8UC3 Pont típus: img.at<vec3b>(i, j) Tartomány: R, G, B [0, 255]
Additív színmodell: piros, zöld, kék keverése RGB hullámhossz:700nm, 546nm, 435nm Elektronikai eszközök alkalmazzák: kijelzők, kamerák 16 millió szín kódolható Szürke árnyalat: R=G=B OPENCV: BGR Mátrix
RészletesebbenOPTIKA. Szín. Dr. Seres István
OPTIKA Szín Dr. Seres István Additív színrendszer Seres István 2 http://fft.szie.hu RGB (vagy 24 Bit Color): Egy képpont a piros, a kék és a zöld 256-256-256 féle árnyalatából áll össze, összesen 16 millió
RészletesebbenGrafikonok automatikus elemzése
Grafikonok automatikus elemzése MIT BSc önálló laboratórium konzulens: Orosz György 2016.05.18. A feladat elsődleges célkitűzései o eszközök adatlapján található grafikonok feldolgozása, digitalizálása
RészletesebbenSAPINTIA ERDÉLYI MAGYAR TUDOMÁNYEGYETEM M SZAKI ÉS HUMÁNTUDOMÁNYOK KAR MATEMATIKA - INFORMATIKA TANSZÉK. TDK Dolgozat. Hibrid képleírás.
SAPINTIA ERDÉLYI MAGYAR TUDOMÁNYEGYETEM M SZAKI ÉS HUMÁNTUDOMÁNYOK KAR MATEMATIKA - INFORMATIKA TANSZÉK TDK Dolgozat Hibrid képleírás TÉMAVEZETŽ: Egyed-Zsigmond El d SZERZŽ: Madaras Hunór 2014 Április
RészletesebbenInfokommunikáció - 3. gyakorlat
Infokommunikáció - 3. gyakorlat http://tel.tmit.bme.hu/infokomm Marosi Gyula I.B.222., tel.: 1864 marosi@tmit.bme.hu 1. feladat - Fletcher-görbék Beszéljük meg, milyen kvantitatív és kvalitatív jellemzık
RészletesebbenHíradástechikai jelfeldolgozás
Híradástechikai jelfeldolgozás 13. Előadás 015. 04. 4. Jeldigitalizálás és rekonstrukció 015. április 7. Budapest Dr. Gaál József docens BME Hálózati Rendszerek és SzolgáltatásokTanszék gaal@hit.bme.hu
Részletesebben"Vizuális informatikai tantárgyak" oktatási tapasztalatai
"Vizuális informatikai tantárgyak" oktatási tapasztalatai Berke József PATE, Georgikon Mezőgazdaságtudományi Kar, Szaktanácsadási, Továbbképzési és Informatikai Központ, Keszthely Gábor Dénes Főiskola,
Részletesebben