Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Επεξεργασία Εικόνας. Για τους σκοπούς μας, μια εικόνα είναι: Ένας 2D χώρος Με δείγματα σε τακτά χρονικά διαστήματα (σχεδόν πάντα σε ευθύγραμμο πλέγμα)

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "Επεξεργασία Εικόνας. Για τους σκοπούς μας, μια εικόνα είναι: Ένας 2D χώρος Με δείγματα σε τακτά χρονικά διαστήματα (σχεδόν πάντα σε ευθύγραμμο πλέγμα)"— Μεταγράφημα παρουσίασης:

1 Επεξεργασία Εικόνας

2 Για τους σκοπούς μας, μια εικόνα είναι: Ένας 2D χώρος Με δείγματα σε τακτά χρονικά διαστήματα (σχεδόν πάντα σε ευθύγραμμο πλέγμα) Οι τιμές των οποίων αποτελούν αποχρώσεις του γκρι χρώματος, χρώματα, ή opacity (πχ η πυκνότητα των ιστών σε μαγνητική τομογραφία) Κοινή τύπους εικόνας περιλαμβάνουν τα εξής: 1 δείγμα ανά σημείο (B & W ή Grayscale) 3 δείγματα ανά σημείο (κόκκινο, πράσινο, μπλε) 4 δείγματα ανά σημείο (κόκκινο, πράσινο, μπλε, και το «Alpha») 5 δείγματα ανά σημείο (αν προστεθεί το «βάθος») Τι είναι εικόνα;

3 Κάθε ένα από αυτά τα πλάνα είναι ένα“channel”. Channels Blue Channel of Image, 1 sample per pixel Green Channel of Image, 1 sample per pixel Red Channel of Image, 1 sample per pixel 3 samples per pixel

4 Εκτός από τα R, G, B κανάλια μιας εικόνας, προσθέτουμε ένα τέταρτο κανάλι, που ονομάζεται α Το Alpha κυμαίνεται μεταξύ 0 και 1 –Το 1 αντιπροσωπεύει ένα εντελώς αδιαφανές pixel –Το 0 είναι εντελώς διαφανές pixel Χρήσιμο για την ανάμειξη εικόνων Το Alpha Channel (α=0.6)

5 Διάγραμμα ροής: τα στάδια της επεξεργασίας εικόνας Σημείωση: Δεν απαραίτητο να είναι όλα τα στάδια παρόν. Δύο ή τρία στάδια μπορεί να ενοποιούνται

6 Σύνθεση: εικόνες που δημιουργήθηκαν σε υπολογιστή –ζωγραφισμένες (π.χ., Corel Painter, Ζωγραφική της Microsoft) –ψηφιακές εικόνες προορίζεται να δημιουργήσει μια ρεαλιστική αναπαράσταση φυσικών στοιχείων Σύλληψη: εικόνες από το "πραγματικό κόσμο» –Πρέπει να μετατραπεί σε ψηφιακή πληροφορία, αντί αναλογικού σήματος –Η μέθοδο ψηφιοποίησης καθορίζεται από την αρχική μορφή της εικόνας κοινές μέθοδοι περιλαμβάνουν: ψηφιακή φωτογραφική μηχανή δορυφορική μετάδοση δεδομένων σαρωτή Στάδιο 1: κτήση Εικόνας

7 Κάθε εικόνα είναι προσαρμοσμένη ώστε να αντιστοιχεί σε συγκεκριμένο ύφος, μέγεθος, σχήμα, κλπ., για να ταιριάξει με άλλες εικόνες Μπορούμε να κάνουμε ένα σύνολο ανόμοιων εικόνες παρεμφερή, ή παρόμοια μέρη μιας εικόνας να εμφανίζονται ανόμοια Τεχνικές προεπεξεργασίας: –προσαρμογή της καμπύλης του χρώματος –Περικοπή –masking (αποκοπή τμήματος μιας εικόνας που χρησιμοποιείται σε μια σύνθεση, ή να αφήσει μια τρύπα στην αρχική εικόνα) –Υπερδειγματοληψία ή υπο δειγματοληψία –blurring και sharpening –ανίχνευσης ακμών / ενίσχυση –φιλτράρισμα και antialiasing Στάδιο 2 – Preprocessing

8 Mapping είναι ένα στάδιο όπου συνδυάζονται πολλές εικόνες, ή εφαρμόζονται γεωμετρικοί μετασχηματισμοί Οι Μετασχηματισμοί περιλαμβάνουν: –Περιστροφή –Κλίμακα –Stretching (Τέντωμα) Σύνθεση: –βασική επικάλυψη εικόνας –ομαλή ανάμειξη με άλφα Στάδιο 3 – Mapping

9 Art effects –Posterizing –«γήρανση» της εικόνας –"out-of-focus» –“impressionist” –Texturizing Τεχνικά αποτελέσματα –ενίσχυση αντίθεσης –B & W μετατροπή –εξισορρόπηση αντίθεσης Στάδιο 4 – Postprocessing

10 Η Επιλογή της μέθοδου εμφάνισης / αρχείο μπορεί να επηρεάσει προηγούμενα στάδια της επεξεργασίας –Η έγχρωμη εκτύπωση τονίζει ορισμένα χρώματα περισσότερο από άλλα –τα χρώματα της οθόνης έχουν διαφορετικές γκάμες και HSV τιμές από τα χρώματα που εκτυπώνονται Τεχνολογία Απεικόνισης –Οθόνες –έγχρωμοι εκτυπωτές –φιλμ / βιντεοκασέτες –αρχείων στο δίσκο –Χάρτες υφής 3D renderer Στάδιο 5 – Αρχειοθέτηση και Εμφάνιση

11 Αποσκοπεί να καταστήσει τις ακμές σε μια εικόνα πιο εμφανείς Γίνεται με τη χρήση ενός φίλτρου που επιτείνει τις αλλαγές πάνω από ορισμένο όριο Τα pixels με υψηλότερες τιμές είναι οι περιοχές όπου η αρχική εικόνα αλλάζει με ταχείς ρυθμούς Παράδειγμα – Ανίχνευση Ακμών

12 Οι αποχρώσεις του γκρι αντιπροσωπεύουν την πυκνότητα των ιστών Χρησιμοποιώντας το φίλτρο από την προηγούμενη διαφάνεια, υπολογίζουμε νέα εικόνα. Και πάλι, νέα φωτεινότερη εικόνα όταν MRI εικόνας τιμές του γκρι αλλάζουν γρηγορότερα Οι διαφορετικές πυκνότητες θα εμφανιστούν με τα φωτεινά όρια ανάμεσα Παράδειγμα – Ενίσχυση MRI Εικόνας Original MRI Image of a Dog Heart Edge Detection Image

13 Η ενίσχυση εικόνας έχει χρησιμοποιηθεί από τους εγκληματολόγους για να τραβήξει πληροφορίες από φαινομενικά ανέλπιστες εικόνες. Έχουμε ένα βίντεο από κάμερα ασφαλείας ενός αυτοκίνητου που είχε χρησιμοποιηθεί σε μια ληστεία Η εικόνα είναι πολύ σκοτεινή και θορυβώδη για την αστυνομία για να πάρει τον αριθμό αδείας Η Επεξεργασίας εικόνας όπως αυτή χρησιμοποιείται πολύ και στα μέσα μαζικής ενημέρωσης τα τελευταία χρόνια Αυτές οι τεχνικές έχουν χρησιμοποιηθεί για να βρουν μικρά χαρακτηριστικά σε δορυφορικές εικόνες Παράδειγμα - Δικανική Εικόνα

14 Ενίσχυση Εικόνας

15 Βήμα πρώτο: Πάρτε το πλαίσιο ψηφιοποιημένο Ενίσχυση Εικόνας Αν και οι άνθρωποι μπορούν να διακρίνουν συχνά μια εικόνα χαμηλής ποιότητας, το φιλτράρισμα μπορεί να καταστήσει ευκολότερο για έναν αλγόριθμο αναγνώρισης να αποκρυπτογραφήσει τα ενσωματωμένα συμβόλα

16 Βήμα δεύτερο: Crop out υλικό, που φαίνεται να μην έχει ενδιαφέρον Αυτό το βήμα μπορεί να επιταχύνει τη διαδικασία, εφαρμόζοντας τα βήματα επεξεργασίας εικόνας σε λιγότερα pixels Ενίσχυση Εικόνας

17 Βήμα τρίτο: Χρήση φίλτρου για ακόνισμα ακμής για να προσθέσουμε αντίθεση Αυτό το βήμα ενισχύει τις ακμές με την αύξηση των ασυνεχειών σε κενά φωτεινότητας στην εικόνα Ενίσχυση Εικόνας

18 Βήμα τέταρτο: κάνει remap τα χρώματα για την ενίσχυση της αντίθεσης μεταξύ των αριθμών και της ίδιας της πινακίδας Αυτό το στάδιο προβάλει την εικόνα – αντιστοιχώντας τα χαμηλής τιμής pixel σε φωτεινό λευκό, και σχεδόν όλα τα υπόλοιπα στο μαύρο. Ενίσχυση Εικόνας

19 Η σύνθεση εικόνας είναι πολύ δημοφιλής στον κόσμο της τέχνης, καθώς και στα ΜΜΕ Λαμβάνει τμήματα από μερικές εικόνες και δημιουργεί ενιαία εικόνα. Είναι δύσκολο να δημιουργήσουμε φυσικό αποτέλεσμα. Καλλιτέχνες το χρησιμοποιούν για να δημιουργήσουν κολάζ και πολυεπίπεδα αποτελέσματα Τα ΜΜΕ το χρησιμοποιούν για τη δημιουργία «Φωτογραφιών« πραγμάτων που δεν έγιναν ποτέ Σύνθεση Εικόνας

20 Reuters photo of Beirut Chinese press photo of Tibet railway Tom Hanks and JFK Σύνθεση Εικόνας

21 Βήμα 1: Απόκτηση εικόνων Σύνθεση Εικόνας

22 Βημά 2 – Κόψιμο αντικειμένων από original εικόνες/βιντεο Σύνθεση Εικόνας

23 Βήμα 3 - Φιλτράρισμα των εικόνων για να φαίνονται παρόμοιες, και επικόλληση Tου Boris θολώνεται και φωτίζεται, για να απαλλαγούμε από halftoning γραμμές. Επίσης τη μικραίνουμε ώστε να είναι ίδιο μέγεθος με τον Lars Του Lars θολώνεται και προστίθεται θόρυβος για να ταιριάζει με την ποιότητα της εικόνας του Boris Σύνθεση Εικόνας

24

25 Δημιουργήθηκε ένας απλός, φόντος δύο χρωμάτων και προστέθηκε θόρυβος για να ταιριάξει στο υπόλοιπο της εικόνας Τοποθετηθήκαν τα δύο θεμάτων πάνω από το φόντο Αυτό άφησε ένα λευκό φωτοστέφανο περίπου 3 pixels πλάτος γύρω από τα θέματα, οπότε χρησιμοποιήθηκε ένα “Rubber Stamp” εργαλείο για την εξάλειψη των ραφών Τελική Εικόνα

26 Η ενίσχυση εικόνας χρησιμοποιείται κι στην τεχνητή όραση Ο υπολογιστής κάνει όλη την επεξεργασία, χωρίς ανθρώπινη παρέμβαση Οι τεχνικές επεξεργασίας πρέπει να είναι γρήγορες. Αν είναι αργές, θα προστεθεί υστέρηση στο σύστημα camera- to-reaction Κοινές τεχνικές επεξεργασίας για μηχανική όραση, συμπεριλαμβάνουν ενίσχυση ακμών, ανίχνευση περιοχής, ενίσχυση αντίθεσης, κλπ.. Ο υπολογιστής πρέπει να εξάγει συγκεκριμένες πληροφορίες από την εικόνα, όπως θέση και προσανατολισμό Computer Vision

27 Η επεξεργασία εικόνας καθιστά την πληροφορία πιο εύκολη να βρεθεί Η ανίχνευσης και αναγνώριση προτύπων είναι ξεχωριστά πεδία Ανίχνευσης: ψάχνει για χαρακτηριστικά και περιγράφει το περιεχόμενο της εικόνας σε ένα υψηλότερο επίπεδο Αναγνώριση προτύπων: ταξινόμηση συλλογών χαρακτηριστικών και ταίριασμα τους με αποθηκευμένα πρότυπα. (Π.χ., αλφαριθμητικούς χαρακτήρες, βιομετρικά στοιχεία) Υπολογιστική όραση μπορεί να χρησιμοποιηθεί ως μέρος ενός UI Computer Vision

28 Εκπροσωπώντας μια γραμμή με διακριτικές τιμές pixel σημαίνει δειγματοληψία Τα Jaggies είναι μια εκδήλωση του δειγματοληπτικόυ σφάλματος και απώλεια πληροφορίας (aliasing) Ο διπλασιασμός των δειγμάτων μειώνει μόνο το πρόβλημα Τετραπλασιάζει το κόστος μνήμης, το εύρος ζώνης και το χρόνο σάρωσης! Jaggies λόγω Aliasing (a) Standard midpoint line on a bilevel display. (b) Same line on a display that has twice the linear resolution

29 Midpoint αλγόριθμο: επιλέξτε ένα pixel που βρίσκεται πλησιέστερα προς την κεντρική γραμμή (0 <κλίση <1). Μόνο μία τιμή της έντασης χρησιμοποιείται ανεξάρτητα από το ύψος της αλληλεπικάλυψης μεταξύ κάθε pixel και ορθογώνιου γραμμής. Συνεπώς, όλα πλην ενός pixel σε κάθε στήλη είναι “off", και όλα έχουν την ίδια (max) φωτεινότητα. Γραμμή 1-Pixel πλάτους

30 Ρυθμίζουμε την τιμή έντασης κάθε pixel ανάλογα με την επικάλυψη Περισσότερα από ένα pixel / στήλη Αυτή είναι μια μορφή μη-σταθμισμένης δειγματοληψίας περιοχής μόνο τα εικονοστοιχεία που καλύπτονται από την περιοχή συμβάλουν μόνο το συνολικό ποσό της επικάλυψης μετράει, ανεξάρτητα από την απόσταση του από το κέντρο του pixel Λειαίνει την απότομη μετάβαση Πρώτη Antialiasing Προσπάθεια

31 Η συνάρτηση βάρους W (x, y) δίνει το βάρος για την περιοχή dA με κέντρο (x, y) –Το φίλτρο είναι σταθερό για όλη την περιοχή και μεγέθους ένα pixel, αλλά μπορεί να ποικίλλει σε πλάτος Η συνολική ένταση των εικονοστοιχείων πάνω από την περιοχή της επικάλυψης είναι: “Box Filter” Αστάθμητη περιοχή δειγματοληψίας W(x, y) dA W

32 Η επικάλυψη μεταξύ φίλτρο και πρωτόγονης περιοχής σταθμίζεται έτσι ώστε οι υπο-περιοχές με dA πιο κοντά στο κέντρο του pixel να μετρούν περισσότερο Φίλτρο Κώνου W

33 2-unit circular support of filter Pixel center (+) Area of overlap between support and primitive Differential area dA 2 Primitive Differential area dA 1 Σταθμισμένη περιοχή δειγματοληψίας W

34 2 μονάδες στήριξης συνεπάγεται μέχρι 3 pixels / στήλη Σταθμισμένη περιοχή δειγματοληψίας κάνει καλύτερη δουλειά από την αστάθμιστη δειγματοληψία Σταθμισμένη περιοχή δειγματοληψίας

35 Προβλήματα δειγματοληψίας

36 Το κουτί φίλτρου θέτει ένταση ανάλογη της περιοχή επικάλυψης Μη-σταθμισμένη περιοχή δειγματοληψίας

37 Το φίλτρο πυραμίδας προσεγγίζει τον κυκλικό κώνο και τονίζει την περιοχή επικάλυψης κοντά στο κέντρο του pixel ανάλογα με το εμβαδόν επικάλυψης Σταθμισμένη περιοχή δειγματοληψίας

38 Το φίλτρο συμμετρικού κώνου μεγαλύτερο του pixel προσφέρει μεγαλύτερη ομαλότητα Σταθμισμένη περιοχή δειγματοληψίας (b)

39 for each pixel p place filter centered over p; for each pixel q under filter weight = filter value over q; intensity_p += weight * intensity_q; aliased antialiased Ψευδοκώδικας

40 Antialiasing Τεχνικές original, aliased Φίλτρο θόλωσης - σταθμισμένος μέσος όρος των γειτονικών pixels Supersampling - μέσα σε ένα δεδομένο pixel και το μέσο είναι το αποτέλεσμα Supersampling και Φίλτρο θόλωσης

41 Βηματικές Συναρτήσεις: αντιπροσωπεύουν χωρικές συχνότητες που προκαλούν aliasing όταν δεν δειγματοληπτούνται σωστά Δειγματοληψία εικόνων  

42

43 Σύνθεση Κυματομορφής

44 Πολλά προβλήματα επιλύονται ευκολότερα με τη μετατροπή τους σε άλλο πρόβλημα –Χαρακτηρίζουμε ένα σήμα με το φάσμα συχνοτήτων του –Τα πεδία σήματος και η συχνότητας εκπροσωπούν τις ίδιες πληροφορίες. –Το πεδίο της συχνότητας διευκολύνει το φιλτράρισμα σε σχέση με του σήματος Spectrum συχνότητας σήματος

45 Το ημιτονοειδές σήμα έχει εύρος και συχνότητα Συχνότητα ημιτονοειδούς σήματος είναι ο αριθμός των κύκλων ανά δευτερόλεπτο για τον ήχο, ή ο αριθμός των κύκλων ανά μονάδα μήκους (π.χ., μεταξύ των pixel) για εικόνες Μπορούμε να χαρακτηρίσουμε μία κυματομορφή από το εύρος και τη συχνότητα όλων των συστατικών της (μετασχηματισμός Fourier) Αυτό καταγράφεται ως «φάσμα συχνοτήτων», γνωστός και ως φάσμα ισχύος, (αγνοούμε αρνητικές τιμές) Spectrum συχνότητας σήματος

46 Here is an approximate analog sine wave: Θεώρημα Nyquist Πρέπει να λαμβάνουμε δείγματα σε ένα ποσοστό υψηλότερο από το διπλάσιο της υψηλότερης συχνότητας του σήματος (όριο Nyquist)

47 Here is our analog sine wave again Here is the sine wave sampled at too low a rate Αλλιώς Aliasing

48 Στο όριο Nyquist

49 Ο τετραγωνικός παλμός έχει άπειρες συχνότητες ημιτόνου, ακριβώς στην μετάβαση από χαμηλά σε υψηλά και υψηλά προς χαμηλά. Πώς μπορούμε να δείγματοληπτήσουμε σωστά; Δεν μπορούμε. ∞ 2 = ∞, και δεν μπορούμε να δείγματοληπτήσουμε σε άπειρο ρυθμό Δυστυχώς, άπειρες συχνότητες αποτελούν τον κανόνα στον τομέα των συνθετικών γραφικών του υπολογιστή - μεταβάσεις μεταξύ γειτονικών pixel) Aliasing

50 Έτσι, κάνουμε την αντίστροφη λειτουργία. Αντί για αύξηση της συχνότητας δειγματοληψίας: Φιλτράρουμε τις υψηλές συχνότητες που δεν μπορούμε να δείξουμε Το σήμα είναι εγγυημένο να αποτελείται μόνο από τις συχνότητες που μπορούμε να ανακατασκευάσουμε με εύλογη ακρίβεια Αυτό δεν είναι ίδιο σήμα που ήρθε, αλλά είναι πιο κοντά από ό, τι η έκδοση που θα προκαλέσει aliasing Η αναπαράσταση του προ-φιλτραρισμένου σήματος κατά προσέγγιση θα αποφέρει ένα καλύτερο αποτέλεσμα από την ανακατασκευή, του αρχικού σήματος Οσο πιο υψηλές οι συχνότητες του προ-φιλτραρίσματος τόσο χαμηλότερη είναι η συχνότητα δειγματοληψίας, αλλά τόσο το λιγότερο το φιλτραρισμένο σήμα μοιάζει με το αρχικό Άπειρες Συχνότητες

51 Scaling Aliasing

52 Scale Aliasing

53 Το φίλτρο έκανε τη νέα εικόνας να έχει ίδια φωτεινότητα, αλλά όχι ρίγες Λαμβάνοντας υπόψη τον αριθμό των σημείων που αντιπροσωπεύουν την εικόνα, δεν είναι αρκετά σημεία για να αντιπροσωπεύσουν υψηλές συχνότητες Δεν μπορούμε να εκπροσωπήσουμε συχνότητες > ½ ρυθμός δειγματοληψίας μας. (Nyquist) Scaling Aliasing

54 Low-Pass Filtering (Spatial Domain)

55 Box function in frequency domain corresponds to “convolution” with sinc function in spatial domain (defined next) Low-Pass Filtering (Frequency Domain) 1 1

56 –Η τιμή του h (x) σε κάθε σημείο x είναι προϊόν της f (x) και g‘(x) όπου η g’(x) είναι η g (x) έχει περιστραφεί γύρω από τον κάθετο άξονα και μετακινηθεί ώστε η αρχή να έρθει στο x: αντικατάσταση x από τ και g (x) = g (x-τ) –Το τ είναι η μεταβλητή ολοκλήρωσης που λαμβάνει το x ως τοπική αρχή –Δείτε στο σήμα h (x) τον τρόπο που εξομαλύνονται οι ασυνέχειες της f (x) Convolution (Συνέλιξη)

57 Convolution 1111 × f(x) * f(x) *

58 Then click “Convolution” High Amplitude Low Amplitude

59 Sinc Sinc σε 2D Sinc σε 3D … …

60 Duals SpatialFrequency Multiplication Convolution Multiplication Box Sinc BoxSinc

61 Low-Pass Filtering: Συνέλιξη με sinc Σημειώστε ότι στη θεωρία η SINC έχει άπειρη έκταση, με μικρούς λοβούς, αλλά μεγαλύτερους στο κέντρο. Πρακτικά, είναι προσεγγίζεται αξιοπρεπώς με Gaussian (κανονική) κατανομή, ή ακόμα και τρίγωνο, με πεπερασμένα εκτάσεις και βάρη μεγαλύτερα ή ίσα με το μηδέν.

62 Περνώντας το φίλτρο πάνω από κάθε σημείο δειγματοληψίας υπολογίζετε η συνέλιξη στο σημείο Πρόκειται για το σταθμισμένο μέσο όρο του pixel και των γειτόνων του της (τα πιο χρήσιμα φίλτρα γραφικών είναι συμμετρικά ως προς την αρχή των αξόνων) Ο σταθμισμένος μέσος όρος είναι η τιμή του pixel για τη νέα εικόνα Λειτουργία της Συνέλιξης

63 Το φιλτράρισμα δεν είναι τίποτα περισσότερο από τον υπολογισμό ενός σταθμισμένου μέσου όρου γύρω από ένα σημείο δειγματοληψίας στην εικόνα, για πιο ομαλή εικόνα Το αντίστοιχο της SINC στο χωρικό πεδίο είναι ο παλμός στο πεδίο συχνοτήτων, καθώς και του παλμού στο πεδίο της συχνότητας είναι το SINC στο χωρικό πεδίο Πολλαπλασιάζοντας την κατανομή συχνότητας με παλμό στο πεδίο της συχνότητας παρέχει φιλτράρισμα χαμηλής διέλευσης. Ως εκ τούτου, το βέλτιστο φίλτρο είναι το SINC στο χωρικό πεδίο Αντίθετα φιλτράρισμα με παλμό στο χωρικό πεδίο αντιστοιχεί σε πολλαπλασιασμό με SINC στο πεδίο της συχνότητας. Πολλαπλασιασμός των F(x) και G(x) στο πεδίο συχνοτήτων αντιστοιχεί σε συνέλιξη των f (x) και g (x) στο χωρικό πεδίο, και το αντίστροφο Filtering

64

65 Για να πάρουμε φιλτράρισμα χαμηλής διέλευσης, χρησιμοποιούμε συχνά συνέλιξη με τρίγωνο στο χωρικό πεδίο για να προσεγγίσουμε τη SINC Εύκολο να υπολογιστεί, σε αντίθεση με SINC Η αντίστοιχη της sinc 2, είναι αποδεκτή προσέγγιση του παλμού αν και έχει άπειρο μήκος Προκαλεί ανακριβή εκπροσώπηση όλων των συχνοτήτων και, επομένως, κάποιος βαθμός aliasing μπορεί να συμβεί. Αυτό δεν είναι τόσο κακό όσο με τον παλμό Με άλλα λόγια, η σταθμισμένη περιοχή δειγματοληψίας αν είναι περίπου κωνικό σχήματος, είναι καλύτερη από τη αστάθμιστη περιοχή δειγματοληψίας με φίλτρο παλμού, το οποίο είναι καλύτερο με τη σειρά του από το σημείο δειγματοληψίας Filtering με τρίγωνο

66 Filtering

67 Image Scaling (includes sampling)‏

68 Mapping Κατασκευή νέας εικόνα από παλιά νέα εικόνα = μετασχηματισμένη έκδοση της παλιάς N νέα pixels θα προέλθουν από M παλιά pixels. Δείγματοληπτούμε την παλιά εικόνα σύμφωνα με το μέγεθος των δύο εικόνων Παράδειγμα κλιμάκωσης Παλιά εικόνας: 10 x 10 pixels Νέα εικόνα: 15 x 15 pixels Πρέπει να δημιουργηθούν 15 x 15 σημεία δειγματοληψίας από 10 x 10 pixels

69 Scaling Κάθε pixel της νέας εικόνας θα αντιστοιχηθεί σε ένα σημείο δειγματοληψίας της παλιάς Εάν το σημείο δειγματοληψίας βρίσκεται ακριβώς σε pixel στην παλιά εικόνα, τότε μπορούμε να χρησιμοποιήσουμε την τιμή του pixel Τι γίνεται όμως όταν το σημείο δειγματοληψίας μας βρίσκεται κάπου μεταξύ δύο παλαιών pixels; Αν είχαμε το "πρωτότυπο" της εικόνα θα μπορούσαμε να επαναδειγματολήπτησουμε. Ωστόσο, έχουμε μόνο μία διακριτή μορφή Χρησιμοποιώντας τα παλαιά δεδομένα, προσπαθούμε να αποδώσουμε τιμή σε οποιοδήποτε αυθαίρετο σημείο- δείγμα, μεταξύ των 10 x 10 pixels

70 No guess needed Good guesses SWAG: “simple wild-ass guess” Re-Sampling

71

72 Scaling

73 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Object Recognition Image Enhancement Representation & Description Color Image Processing Image Compression

74 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Object Recognition Image Enhancement Representatio n & Description Color Image Processing Image Compression

75 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Representatio n & Description Image Enhancement Object Recognition Color Image Processing Image Compression

76 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Object Recognition Image Enhancement Representatio n & Description Color Image Processing Image Compression

77 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Representatio n & Description Image Enhancement Object Recognition Color Image Processing Image Compression

78 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Object Recognition Image Enhancement Representatio n & Description Color Image Processing Image Compression

79 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Image Enhancement Color Image Processing Image Compression Representation & Description Object Recognition

80 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Object Recognition Image Enhancement Representatio n & Description Color Image Processing Image Compression

81 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Object Recognition Image Enhancement Representatio n & Description Color Image Processing Image Compression

82 Ψηφιακή επεξεργασία εικόνας Image Acquisition Image Restoration Morphological Processing Segmentation Object Recognition Image Enhancement Representatio n & Description Color Image Processing Image Compression

83 1. Image Restoration

84 Image Colorization

85 Image Enhancement

86 Face Detection

87 Face Tracking

88 Face Morphing

89 Finger Print Recognition

90 Personal Identification Using Iris Recognition


Κατέβασμα ppt "Επεξεργασία Εικόνας. Για τους σκοπούς μας, μια εικόνα είναι: Ένας 2D χώρος Με δείγματα σε τακτά χρονικά διαστήματα (σχεδόν πάντα σε ευθύγραμμο πλέγμα)"

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google