Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Digitální zpracování obrazu (PV131) (List of Courses) Michal Kozubek místnost C413 tel.: 541 512 467

Podobné prezentace


Prezentace na téma: "Digitální zpracování obrazu (PV131) (List of Courses) Michal Kozubek místnost C413 tel.: 541 512 467"— Transkript prezentace:

1 Digitální zpracování obrazu (PV131) (List of Courses) Michal Kozubek místnost C413 tel.:

2 Předpoklady Odborná angličtina (VB001) – NUTNÉ –Porozumění obsahu odborného anglického textu Základy matematiky (MB005  MB101) – NUTNÉ –Základní algebraické struktury pologrupy, grupy, okruhy, tělesa, neutrální prvek, inverzní prvek komutativita a asociativita operací, distributivní zákon Lineární algebra a geometrie I (MB003  MB102) – NUTNÉ –Matice operace s maticemi, lineární závislost řádků, hodnost, determinant –Vektorové prostory lineární závislost a nezávislost, báze, dimenze, skalární součin –Soustavy lineárních rovnic řešení soustav lineárních rovnic

3 Předpoklady - pokračování Matematická analýza I (MB000  MB103) – NUTNÉ –Diferenciální počet funkcí jedné proměnné průběh funkce, limita, spojitost, derivace, n-tá derivace –Integrální počet funkcí jedné proměnné primitivní funkce, intergrál neurčitý i určitý (Riemannův) praktický výpočet neurčitých i určitých integrálů (per partes, substituce, Leibnitz-Newtonova formule, vlastnosti sudých a lichých funkcí, zejména pak výpočty s trigonometrickými a exponenciálními funkcemi) Matematická analýza II (MB001  MB104) – VHODNÉ –Diferenciální počet funkcí více proměnných parciální derivace, extrémy funkce více proměnných –Integrální počet funkcí více proměnných Riemannův integrál dvojný a trojný praktický výpočet dvojných a trojných integrálů (možnost záměny pořadí integrace, převod na problém výpočtu jednoduchého integrálu) –Nekonečné řady posloupnosti a řady, konvergence řad

4 Literatura Šonka, Hlaváč: Počítačové vidění, Grada, 1993 Šonka, Hlaváč, Boyle: Image Processing, Analysis & Machine Vision, Chapman & Hall, 1993, 1999 Pratt: Digital Image Processing, Wiley, 1991, 2001 nakopírované materiály (knihkupectví Mareček) elektronické materiály na domovské stránce PV131 jiné elektronické materiály na Internetu

5 Požadavky Zápočet –účast na cvičeních (6 dvouhodinových cvičení co 14 dnů) –výpočet a odevzdání domácích úkolů zadaných cvičícím Zkouška –zápočet –písemka (lze získat i více než 100% díky domácím úkolům) A:100% a více( bodů) B:90% - 100%( bodů) C:80% - 90%( bodů) D:70% - 80%( bodů) E:60% - 70%( bodů) F:0% - 60%( bodů) Kolokvium –zápočet –písemka na alespoň 60%

6 Image: Basic Definitions Picture –representation made on a surface (as by painting, drawing or photography) Image –the optical counterpart of an object produced by an optical device (as a lens or mirror) or an electronic device

7 Continuous image: Basic definitions Two-dimensional (2D) continuous color image (dvoudimenzionální spojitý barevný obraz) – intensity function I (x,y, ) – x  [x min, x max ]  R – y  [y min, y max ]  R –  [ min, max ]  R – I  [I min, I max ]  R

8 Continuous image: Basic definitions Three-dimensional (3D) continuous color image (trojdimenzionální spojitý barevný obraz) – intensity function I (x,y,z, ) – x  [x min, x max ]  R – y  [y min, y max ]  R – z  [z min, z max ]  R –  [ min, max ]  R – I  [I min, I max ]  R

9 Continuous image: Basic definitions Time-varying continuous color image (časově-proměnlivý spojitý barevný obraz) – intensity function I (x,y,,t) or I (x,y,z,,t) – x  [x min, x max ]  R – y  [y min, y max ]  R – z  [z min, z max ]  R –  [ min, max ]  R – t  [t min, t max ]  R – I  [I min, I max ]  R

10 Continuous image: Basic definitions Static image (statický obraz) –image does not change with time –I (x,y,z,,t 0 ) = I (x,y,z,,t 0 +  t)  t > 0 Monochrome image (monochromatický obraz) –image in which just one wavelength 0 is present –I (x,y,z,,t) = 0   0 –produced by monochrome light –obtained artificially using laser

11 Discrete image: Basic definitions Discrete color image (diskrétní barevný obraz) – discrete array of sampled intensity and color values – intensity function I (x,y, ) or I (x,y,z, ) – x  {x 1, …, x nx }, x i = x min +(i-1)*  x, x i  R,  x  R – y  {y 1, …, y ny }, y i = y min +(i-1)*  y, y i  R,  y  R – z  {z 1, …, z nz }, z i = z min +(i-1)*  z, z i  R,  z  R –  [ min, max ]  R – I  [I min, I max ]  R

12 Digital image: Basic definitions Digital color image (digitální barevný obraz) – image converted from analogue to digital representation – intensity function I (x,y, ) or I (x,y,z, ) – x  {x 1, …, x nx }, x i = x min +(i-1)*  x, x i  R,  x  R – y  {y 1, …, y ny }, y i = y min +(i-1)*  y, y i  R,  y  R – z  {z 1, …, z nz }, z i = z min +(i-1)*  z, z i  R,  z  R –  { 1, …, n }, i  R – I  {I 1, …, I nI }, I i = I min +(i-1)*  I, I i  R,  I  R

13 Digital image: Basic definitions Grey-scale image (šedotónní obraz) –digital image that does not have variable –also called monochrome image –may or may not be produced by monochrome light Binary image (binární obraz) –digital image with just two intensity values –I  {0,1} Black-and-white image (černobílý obraz) –grey-scale or binary –ambiguos definition  avoid using this term!

14 Digital image: Basic definitions 2D image –2D digital image I (x,y, ) or I (x,y) 3D image –3D digital image I (x,y,z, ) or I (x,y,z) Pixel –picture element in 2D image –corresponds to specific planar coordinates [x 0,y 0 ] Voxel –volume element in 3D image –corresponds to specific spatial coordinates [x 0,y 0,z 0 ]

15 Image sampling (vzorkování obrazu) Dirac delta function  (x),  (x,y) or  (x,y,z) 1D 2D  (x,y) =  (x)  (y) 3D  (x,y,z) =  (x)  (y)  (z)

16 Image sampling (vzorkování obrazu) Sampling function S(x,y) for 2D images –composed of an infinite array of Dirac delta functions that are arranged in a grid of spacing (  x,  y): –sampling function S(x) for 1D signal and S(x,y,z) for 3D image is defined in a similar way

17 Image sampling (vzorkování obrazu) Sampling of a continuous image using the sampling function –the sampled image F Sampled is obtained from the input continuous image F Continuous by multiplying F Continuous with the sampling function –the sampled image F sampled can be written in 2D as:

18 Image sampling (vzorkování obrazu) Sampling of a continuous image using the sampling function –thus, during the sampling process, the magnitude of the Dirac pulses in the sampling array is actually modified (replaced) by the values of F continuous at the corresponding points (coordinates)

19 Image sampling (vzorkování obrazu) Sampling with averaging (vzorkování pomocí průměrování) –sometimes it is advantageous to take not just one value of F continuous for one Dirac pulse, but to take an average value of F continuous computed from a certain neighbourhood –the average value of a continuous function is computed using integration followed by division by the neighbourhood size –for 1D and 2D this can be written as:

20 Image sampling (vzorkování obrazu) Sampling versus Sampling with averaging –sampling with averaging is useful in the case of continuous functions with important local extremes (that we want to take into account) –1D example:

21 Image acquisition (pořizování obrazu) Electronic devices (elektronická zařízení) –Visible light 0D: photo-multiplier tube (PMT) 1D: line-scan camera 2D: camera + digitizer (frame-grabber) 2D: photograph + scanner –Other types of electromagnetic radiation 2D: infra-red (IR) camera (infra-červená kamera) 2D: ultra-violet (UV) camera (ultra-fialová kamera) 2D: X-ray detector (x-paprsky = Röntgenovo záření) 2D: nuclear magnetic resonance (NMR) –Particle radiation 2D: electron detector (detektor elektronů) –Sound waves 2D: ultra-sound detector

22 Zdroj: Kozubek M., Kozubek S.: „Ozonová díra – Ohrožení pro lidstvo?“, CCB, 1993 Web:

23 Zdroj: Berkeley National Laboratory Web Pages Web:

24 Image acquisition (pořizování obrazu) Sources of visible, UV and IR light Sunlight Laser (Helium-Neon, 633nm) Zdroj: Pratt W.K.: „Digital Image Processing“, Wiley, 2001 Web:

25 Zdroj: Murphy D.B.: „Fundamentals of light microscopy and electronic imaging“, Wiley, 2001 Web:

26 Zdroj: Murphy D.B.: „Fundamentals of light microscopy and electronic imaging“, Wiley, 2001 Web: Mercury = Rtuť (Hg) Xenon = Xenon (Xe) Tungsten = Wolfram (W) Halogen = Halogen (W+Br+Xe/Kr)

27 Image acquisition (pořizování obrazu) Optical devices (optická zařízení) (used for the manipulation with visible, UV and IR light) –lens (čočka) –mirror (zrcadlo) –filter (filtr, propouští vybrané vlnové délky) –dichroic mirror (dichroické zrcadlo, vybrané vlnové délky odráží, ostatní vlnové délky propouští) –beam-splitter (dělič svazku, dělí světlo podle vlnové délky, většinou jde o dichroické zrcadlo) –polarizer (polarizátor, propouští pouze tu část světla, která má příslušnou polarizaci) –objective (objektiv, propracovaná a vyvážená soustava čoček) –microscope (mikroskop, opt. soustava pro pozorování malých objektů) –telescope (teleskop, opt. soustava pro pozorování vzdálených objektů)

28 Multi-dimensional image acquisition

29 Digital image properties Image size (rozměry obrazu) –Number of pixels (voxels)N x - width, N y - height, (N z - depth) –Number of wavelengthsN –Number of time pointsN t Bit depth (bitová hloubka) –Number of bits per pixel per wavelength(8 bit, 12 bit, 16 bit) –= log 2 (N I ) –Number of bits per pixel total(8 bit, 24 bit, 32 bit) –= log 2 (N I ) N

30 Example: Influence of bit depth on the resulting image for N =1 N I =16, BitDepth=4 N I =8, BitDepth=3 N I =4, BitDepth=2 N I =2, BitDepth=1 Zdroj: Jähne B.: „Digital Image Processing“, Springer, 2002 Web:

31 Digital image properties Image pixel size (velikost obrazového pixelu) –image pixel size = camera pixel size / magnification –image voxel size = image pixel size * z-step Sampling frequency (vzorkovací frekvence) –number of pixels per unit length[pixels/meter] ( [pixels/mm] ) –sampling frequency in x(y,z) = 1 pixel / image voxel size in x(y,z) –isotropic image = image with equal sampling frequency in all axes –anisotropic image = not isotropic image

32 Example: Influence of sampling frequency (pixel size) on the image 3 x 4 pixels 12 x 16 pixels 48 x 64 pixels 192 x 256 pixels Zdroj: Jähne B.: „Digital Image Processing“, Springer, 2002 Web:

33 Digital image properties Image content description (popis obsahu obrazu) –what objects were imaged –when the image was captured –where the image was captured –what camera mode was used –which software was used –which image processing steps were applied –who captured the image –etc.

34 Image storage (ukládání obrazu) Internal memory (RAM) –Matrix representation: multi-dimensional array of pixels (voxels) –Vector representation: list of objects with their attributes External memory –Matrix representation: 2D images:image header + image data (different formats: TIFF, Targa, BMP, …) >2D images:usually sequence of 2D images (no format) –Vector representation: image header + list of objects (different formats: CDR, WMF, HPGL, …)

35 Image storage (ukládání obrazu) Example: BMP header typedef struct tagBITMAPINFOHEADER{ DWORD biSize; LONG biWidth; LONG biHeight; WORD biPlanes; WORD biBitCount DWORD biCompression; DWORD biSizeImage; LONG biXPelsPerMeter; LONG biYPelsPerMeter; DWORD biClrUsed; DWORD biClrImportant; } BITMAPINFOHEADER;


Stáhnout ppt "Digitální zpracování obrazu (PV131) (List of Courses) Michal Kozubek místnost C413 tel.: 541 512 467"

Podobné prezentace


Reklamy Google