Stáhnout prezentaci
Prezentace se nahrává, počkejte prosím
ZveřejnilKristina Němcová
1
PZORA http:// pzora.wz.cz 2. přednáška
2
součet hodnot dělený jejich počtem "těžiště hodnot" součet odchylek od průměru je nulový Průměr
3
Vážený průměr zobecnění průměru "váha hodnoty" se nemusí rovnat váhy : "přitažlivost hodnoty" př.: 0,1*A + 0,9*B
4
Lineární interpolace máme hodnotu nějaké funkce ve 2 bodech chceme "rozumně" dopočítat i jinde př: –v čase t=0s byla teplota vody 30 0 –v čase t=100s potom 80 0 –odhadněte teplotu v čase t=20s obecně
5
Lineární interpolace f(x 1 ) x1x1 x0x0 f(x 0 ) x f(x)=?
6
Rozostřování obrazu používá se vážený průměr "každý pixel nahradíme váženým průměrem jeho okolí" okolí definováno konvoluční maskou př.
7
Rozostřování obrazu každý pixel f(x,y) v obraze se nahradí hodnotou A je konvoluční maska př. 1012 10014 12 90 1012 3020 12 90
8
Gaussian blur "nad maticí je Gaussova plocha" parametr radius = velikost matice
9
Gaussian blur nevýhoda: rozmazává hrany i tam, kde nechceme
10
Selective Gaussian blur parametr navíc - maxdelta operace se provede, jen když je "rozdíl" pixelu od okolí menší než maxdelta jinak je pixel součástí "přirozené hrany"...a necháme ho tak
11
Selective Gaussian blur
12
Ostření obrazu 1.krok –které pixely se výrazně liší od svého okolí? –opět pomocí masky –na rozdíl od rozostřování se zápornými koeficienty –př. Laplaceův operátor
13
Ostření obrazu 2.krok –výsledek se přičte k původnímu obrazu –tj. ke každému pixelu f(x,y) v obraze se přičte hodnota
14
Ostření obrazu originálLaplace
15
pomocí lineární interpolace (resp. váženého průměru) př. výsledek f(x,y) vzniká smícháním h(x,y) a g(x,y) Míchání obrazů
17
Histogram udává četnosti výskytů barev v obraze dá se podle něj určit, je-li obrázek přesvětlený či příliš tmavý
18
Histogram využití: při úpravě jasových poměrů ekvalizace histogramu
Podobné prezentace
© 2024 SlidePlayer.cz Inc.
All rights reserved.