https://vik.wiki/api.php?action=feedcontributions&feedformat=atom&user=Nyircs%C3%A1k+%C3%81kos 2026-05-06T06:07:23Z Felhasználó közreműködései MediaWiki 1.43.8 https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185533 2015-04-16T04:11:43Z

<p>Nyircsák Ákos: /* Eljárások a zajok eltüntetésére */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása ('''equalizing'''), lásd az ábrát. A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. Az ábrán bal alsó sarokban látható néhány szín a korrekció paramétereinek beállításához használható referencia, az erről készült fényképet úgy kell korrigálni, hogy a képen az eredeti értékeket kapjuk vissza (persze ilyen komolyságnál már arra is vigyázni kell hogy a minta megfakul idővel stb.).<br /> <br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> [[Fájl:Számítógépes látórendszerek Színkorrekció.png]]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> **Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani, mivel 2-vel és 4-gyel kell szorozni, 16-tal kell osztani a végén. Ezek a műveletek a 2-hatványok miatt eltolások, FPGA-ban csupán huzalozással megoldhatók.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A simító szűrők a zajhatásokat csak szétosztják (szétkenik, kiátlagolják), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól.<br /> <br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.<br /> <br /> Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3, 5x5-ös kernelméreteket használnak. Van 7x7-es is, de ez valós időben nem mindig használható. <br /> A medián szűrőt például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> ===Élkeresés alapvető módszerei===<br /> <br /> * DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. &lt;br/&gt;A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> * Deriváltak<br /> <br /> * Canny<br /> <br /> Elsősorban lépcsős élekre, a kép Gauss zajjal terhelt. <br /> Lépések<br /> # Gauss szűrés<br /> # Derivatív szűrés két/négy irányban<br /> # Nem maximumok törlése (gradiens irányban)<br /> # Küszöbözés: erős élek, gyenge élek<br /> <br /> * Frei &amp; Chen<br /> <br /> Kevésbé érzékeny a zajokra mint más élkereső eljárások. Összesen 9 konvolúciós ablakot/kernelt használ(3x3 méret), ezek a legfontosabb irányú kernelek.<br /> <br /> ===Többféle élkeresési eljárás===<br /> <br /> ===Kernelméret és az élkeresés===<br /> <br /> Minél nagyobb a kernelméret annál inkább eltűnnek az apró dolgok.<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> <br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmat kevesebb, jellemzően más pozícióba kerülő adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg.<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> === Lehetséges műveletek ===<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> === Gyakorlati alkalmazás ===<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_3D_rekonstrukci%C3%B3&diff=185482 2015-04-15T16:38:49Z

<p>Nyircsák Ákos: /* Mi a diszparitás? Ismertesse a diszparitás képzésének lehetséges módszereit! */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> ==Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit!==<br /> <br /> *Kalibráció<br /> *Rektifikáció<br /> *Elmozdulás (diszparitás) meghatározása<br /> *Visszavetítés 3D térbe (projekció/háromszögelés)<br /> <br /> ==Mi a rektifikáció? Mi a jelentősége?==<br /> <br /> Megfeleltetések keresése a két képen nehéz. Egyszerűsítés: Torzítsuk el úgy a képeket, hogy köztük csak az egyik (általában az x) irányban legyen elmozdulás. &lt;br/&gt; Az epipoláris egyenesek mind vízszintesek lesznek <br /> Csak az egyik irányban kell megfeleltetéseket keresni! Torzítatlan eset: Lineáris transzformáció.Torzítás esetén először azt kell eltüntetni.&lt;br/&gt; Torzítás térkép: Torzítás paraméterei alapján pixel<br /> szinten megadott transzformáció.<br /> <br /> ==Mi a diszparitás? Ismertesse a diszparitás képzésének lehetséges módszereit!==<br /> <br /> Az adott pixel és a másik képen megtalált párja közötti x irányú távolság. Nem rektifikált képen hibás lesz!&lt;br/&gt;<br /> A vízszintes irány mentén minden pixelhez/kulcsponthoz megpróbálunk párt keresni a másik képen → Diszparitás kép<br /> <br /> Módszerek:<br /> <br /> *Pixel szintű<br /> **Block Matching<br /> **Optical flow<br /> **Belief Propagation<br /> *Képjellemező alapú<br /> **SIFT, egyéb algoritmusok<br /> <br /> ==Hogyan lehet egy pont 3D koordinátáit megkapni, amennyiben a kamerák paraméterei, valamint a pont képei ismertek?==<br /> ==Mi(k) a metrikus rekonstrukció lehetségességének feltétele(i)? Mi a rekonstrukció==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_3D_rekonstrukci%C3%B3&diff=185481 2015-04-15T16:38:02Z

<p>Nyircsák Ákos: /* Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit! */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> ==Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit!==<br /> <br /> *Kalibráció<br /> *Rektifikáció<br /> *Elmozdulás (diszparitás) meghatározása<br /> *Visszavetítés 3D térbe (projekció/háromszögelés)<br /> <br /> ==Mi a rektifikáció? Mi a jelentősége?==<br /> <br /> Megfeleltetések keresése a két képen nehéz. Egyszerűsítés: Torzítsuk el úgy a képeket, hogy köztük csak az egyik (általában az x) irányban legyen elmozdulás. &lt;br/&gt; Az epipoláris egyenesek mind vízszintesek lesznek <br /> Csak az egyik irányban kell megfeleltetéseket keresni! Torzítatlan eset: Lineáris transzformáció.Torzítás esetén először azt kell eltüntetni.&lt;br/&gt; Torzítás térkép: Torzítás paraméterei alapján pixel<br /> szinten megadott transzformáció.<br /> <br /> ==Mi a diszparitás? Ismertesse a diszparitás képzésének lehetséges módszereit!==<br /> ==Hogyan lehet egy pont 3D koordinátáit megkapni, amennyiben a kamerák paraméterei, valamint a pont képei ismertek?==<br /> ==Mi(k) a metrikus rekonstrukció lehetségességének feltétele(i)? Mi a rekonstrukció==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_3D_rekonstrukci%C3%B3&diff=185480 2015-04-15T16:37:47Z

<p>Nyircsák Ákos: /* Mi a rektifikáció? Mi a jelentősége? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> ==Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit!==<br /> <br /> *Kalibráció<br /> *Rektifikáció<br /> *Elmozdulás (diszparitás) meghatározása<br /> : Az adott pixel és a másik képen megtalált párja közötti x irányú távolság. Nem rektifikált képen hibás lesz!&lt;br/&gt;<br /> : A vízszintes irány mentén minden pixelhez/kulcsponthoz megpróbálunk párt keresni a másik képen → Diszparitás kép<br /> <br /> *Visszavetítés 3D térbe (projekció/háromszögelés)<br /> <br /> ==Mi a rektifikáció? Mi a jelentősége?==<br /> <br /> Megfeleltetések keresése a két képen nehéz. Egyszerűsítés: Torzítsuk el úgy a képeket, hogy köztük csak az egyik (általában az x) irányban legyen elmozdulás. &lt;br/&gt; Az epipoláris egyenesek mind vízszintesek lesznek <br /> Csak az egyik irányban kell megfeleltetéseket keresni! Torzítatlan eset: Lineáris transzformáció.Torzítás esetén először azt kell eltüntetni.&lt;br/&gt; Torzítás térkép: Torzítás paraméterei alapján pixel<br /> szinten megadott transzformáció.<br /> <br /> ==Mi a diszparitás? Ismertesse a diszparitás képzésének lehetséges módszereit!==<br /> ==Hogyan lehet egy pont 3D koordinátáit megkapni, amennyiben a kamerák paraméterei, valamint a pont képei ismertek?==<br /> ==Mi(k) a metrikus rekonstrukció lehetségességének feltétele(i)? Mi a rekonstrukció==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_3D_rekonstrukci%C3%B3&diff=185479 2015-04-15T16:36:46Z

<p>Nyircsák Ákos: /* Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit! */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> ==Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit!==<br /> <br /> *Kalibráció<br /> *Rektifikáció<br /> *Elmozdulás (diszparitás) meghatározása<br /> : Az adott pixel és a másik képen megtalált párja közötti x irányú távolság. Nem rektifikált képen hibás lesz!&lt;br/&gt;<br /> : A vízszintes irány mentén minden pixelhez/kulcsponthoz megpróbálunk párt keresni a másik képen → Diszparitás kép<br /> <br /> *Visszavetítés 3D térbe (projekció/háromszögelés)<br /> <br /> ==Mi a rektifikáció? Mi a jelentősége?==<br /> ==Mi a diszparitás? Ismertesse a diszparitás képzésének lehetséges módszereit!==<br /> ==Hogyan lehet egy pont 3D koordinátáit megkapni, amennyiben a kamerák paraméterei, valamint a pont képei ismertek?==<br /> ==Mi(k) a metrikus rekonstrukció lehetségességének feltétele(i)? Mi a rekonstrukció==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_3D_rekonstrukci%C3%B3&diff=185478 2015-04-15T16:33:53Z

<p>Nyircsák Ákos: /* Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit! */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> ==Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit!==<br /> <br /> *Kalibráció<br /> *Rektifikáció<br /> : Megfeleltetések keresése a két képen nehéz<br /> : Egyszerűsítés: Torzítsuk el úgy a képeket, hogy köztük csak az egyik (általában az x) irányban legyen elmozdulás. Az epipoláris egyenesek mind vízszintesek lesznek &lt;br/&gt;<br /> : Csak az egyik irányban kell megfeleltetéseket keresni!<br /> *Elmozdulás (diszparitás) meghatározása<br /> : Az adott pixel és a másik képen megtalált párja közötti x irányú távolság. Nem rektifikált képen hibás lesz!&lt;br/&gt;<br /> : A vízszintes irány mentén minden pixelhez/kulcsponthoz megpróbálunk párt keresni a másik képen → Diszparitás kép<br /> <br /> *Visszavetítés 3D térbe (projekció/háromszögelés)<br /> <br /> ==Mi a rektifikáció? Mi a jelentősége?==<br /> ==Mi a diszparitás? Ismertesse a diszparitás képzésének lehetséges módszereit!==<br /> ==Hogyan lehet egy pont 3D koordinátáit megkapni, amennyiben a kamerák paraméterei, valamint a pont képei ismertek?==<br /> ==Mi(k) a metrikus rekonstrukció lehetségességének feltétele(i)? Mi a rekonstrukció==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_3D_rekonstrukci%C3%B3&diff=185477 2015-04-15T16:27:05Z

<p>Nyircsák Ákos: /* Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit! */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> ==Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit!==<br /> <br /> #Kalibráció<br /> : Megfeleltetések keresése a két képen nehéz<br /> : Egyszerűsítés: Torzítsuk el úgy a képeket, hogy köztük csak az egyik (általában az x) irányban legyen elmozdulás. Az epipoláris egyenesek mind vízszintesek lesznek &lt;br/&gt;<br /> : Csak az egyik irányban kell megfeleltetéseket keresni!<br /> <br /> <br /> #Rektifikáció<br /> #Elmozdulás (diszparitás) meghatározása<br /> #Visszavetítés 3D térbe (projekció)<br /> <br /> ==Mi a rektifikáció? Mi a jelentősége?==<br /> ==Mi a diszparitás? Ismertesse a diszparitás képzésének lehetséges módszereit!==<br /> ==Hogyan lehet egy pont 3D koordinátáit megkapni, amennyiben a kamerák paraméterei, valamint a pont képei ismertek?==<br /> ==Mi(k) a metrikus rekonstrukció lehetségességének feltétele(i)? Mi a rekonstrukció==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_3D_rekonstrukci%C3%B3&diff=185476 2015-04-15T16:21:54Z

<p>Nyircsák Ákos: </p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> ==Adja meg és röviden ismertesse a 3D rekonstrukció lépéseit!==<br /> ==Mi a rektifikáció? Mi a jelentősége?==<br /> ==Mi a diszparitás? Ismertesse a diszparitás képzésének lehetséges módszereit!==<br /> ==Hogyan lehet egy pont 3D koordinátáit megkapni, amennyiben a kamerák paraméterei, valamint a pont képei ismertek?==<br /> ==Mi(k) a metrikus rekonstrukció lehetségességének feltétele(i)? Mi a rekonstrukció==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Kameramodellek,_kalibr%C3%A1ci%C3%B3&diff=185475 2015-04-15T16:15:12Z

<p>Nyircsák Ákos: /* Hogyan lehet a kamerák torzítását figyelembe venni a kalibráció során? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Ismertesse a pinhole kameramodellt! (Rajz, egyenletek, paraméterek, mátrixok) ==<br /> <br /> == Mutassa be a 3D markeres kalibráció elvét és lépéseit! ==<br /> <br /> Elve: Van egy 3D objektumunk, azon előre ismert markerek. A markerek képét akarjuk meghatározni. <br /> <br /> Lépései:<br /> #Markerek megkeresése<br /> ##Sarokdetektálással <br /> #P meghatározása (projekciós mátrix)<br /> #A, R, t meghatározása (külső-belső paraméterek)<br /> #Becslések finomítása<br /> <br /> == Ismertesse a sakktáblás kalibráció elvét és lépéseit! ==<br /> <br /> Elve: gyakran nincsen 3D kalibrációs objektum,ekkor 2D objektumot használunk. &lt;br/&gt;Ismert számú sakktáblaszerűen elhelyezkedő markerünk van. Az egymástól mért távolságuk is ismert.<br /> <br /> Lépései: <br /> *Sarokdetektálás<br /> **Mivel nincs 3D információnk a markerekről P mátrix nem határozható meg egyértelműen.<br /> *Homográfia (H mátrix meghatározása DLT- vel)<br /> *Kameramátrix meghatározása<br /> *Torzítások figyelembevétele<br /> <br /> == Hogyan lehet a kamerák torzítását figyelembe venni a kalibráció során? ==<br /> <br /> Csak a radiális torzítást vesszük figyelembe, mert általában ez a domináns.<br /> <br /> == Hogyan néz ki a sztereó elrendezés? Mi az esszenciális és a fundamentális mátrix? ==<br /> <br /> == Ismertesse a 7 és 8 pontos kalibrációs algoritmusok elvét és lépéseit! ==<br /> <br /> == Ismertesse a RANSAC algoritmust (előnyök, hátrányok) és a felhasználási lehetőségeit!==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Kameramodellek,_kalibr%C3%A1ci%C3%B3&diff=185474 2015-04-15T16:12:58Z

<p>Nyircsák Ákos: /* Ismertesse a sakktáblás kalibráció elvét és lépéseit! */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Ismertesse a pinhole kameramodellt! (Rajz, egyenletek, paraméterek, mátrixok) ==<br /> <br /> == Mutassa be a 3D markeres kalibráció elvét és lépéseit! ==<br /> <br /> Elve: Van egy 3D objektumunk, azon előre ismert markerek. A markerek képét akarjuk meghatározni. <br /> <br /> Lépései:<br /> #Markerek megkeresése<br /> ##Sarokdetektálással <br /> #P meghatározása (projekciós mátrix)<br /> #A, R, t meghatározása (külső-belső paraméterek)<br /> #Becslések finomítása<br /> <br /> == Ismertesse a sakktáblás kalibráció elvét és lépéseit! ==<br /> <br /> Elve: gyakran nincsen 3D kalibrációs objektum,ekkor 2D objektumot használunk. &lt;br/&gt;Ismert számú sakktáblaszerűen elhelyezkedő markerünk van. Az egymástól mért távolságuk is ismert.<br /> <br /> Lépései: <br /> *Sarokdetektálás<br /> **Mivel nincs 3D információnk a markerekről P mátrix nem határozható meg egyértelműen.<br /> *Homográfia (H mátrix meghatározása DLT- vel)<br /> *Kameramátrix meghatározása<br /> *Torzítások figyelembevétele<br /> <br /> == Hogyan lehet a kamerák torzítását figyelembe venni a kalibráció során? ==<br /> <br /> == Hogyan néz ki a sztereó elrendezés? Mi az esszenciális és a fundamentális mátrix? ==<br /> <br /> == Ismertesse a 7 és 8 pontos kalibrációs algoritmusok elvét és lépéseit! ==<br /> <br /> == Ismertesse a RANSAC algoritmust (előnyök, hátrányok) és a felhasználási lehetőségeit!==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Kameramodellek,_kalibr%C3%A1ci%C3%B3&diff=185473 2015-04-15T16:03:50Z

<p>Nyircsák Ákos: /* Mutassa be a 3D markeres kalibráció elvét és lépéseit! */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Ismertesse a pinhole kameramodellt! (Rajz, egyenletek, paraméterek, mátrixok) ==<br /> <br /> == Mutassa be a 3D markeres kalibráció elvét és lépéseit! ==<br /> <br /> Elve: Van egy 3D objektumunk, azon előre ismert markerek. A markerek képét akarjuk meghatározni. <br /> <br /> Lépései:<br /> #Markerek megkeresése<br /> ##Sarokdetektálással <br /> #P meghatározása (projekciós mátrix)<br /> #A, R, t meghatározása (külső-belső paraméterek)<br /> #Becslések finomítása<br /> <br /> == Ismertesse a sakktáblás kalibráció elvét és lépéseit! ==<br /> <br /> == Hogyan lehet a kamerák torzítását figyelembe venni a kalibráció során? ==<br /> <br /> == Hogyan néz ki a sztereó elrendezés? Mi az esszenciális és a fundamentális mátrix? ==<br /> <br /> == Ismertesse a 7 és 8 pontos kalibrációs algoritmusok elvét és lépéseit! ==<br /> <br /> == Ismertesse a RANSAC algoritmust (előnyök, hátrányok) és a felhasználási lehetőségeit!==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Kameramodellek,_kalibr%C3%A1ci%C3%B3&diff=185472 2015-04-15T16:02:12Z

<p>Nyircsák Ákos: /* Mutassa be a 3D markeres kalibráció elvét és lépéseit! */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Ismertesse a pinhole kameramodellt! (Rajz, egyenletek, paraméterek, mátrixok) ==<br /> <br /> == Mutassa be a 3D markeres kalibráció elvét és lépéseit! ==<br /> <br /> Elve: Van egy 3D objektumunk, azon előre ismert markerek. A markerek képét akarjuk meghatározni. <br /> <br /> Lépései:<br /> #Markerek megkeresése<br /> ##Sarokdetektálással <br /> #P meghatározása<br /> #A, R, t meghatározása<br /> #Becslések finomítása<br /> <br /> == Ismertesse a sakktáblás kalibráció elvét és lépéseit! ==<br /> <br /> == Hogyan lehet a kamerák torzítását figyelembe venni a kalibráció során? ==<br /> <br /> == Hogyan néz ki a sztereó elrendezés? Mi az esszenciális és a fundamentális mátrix? ==<br /> <br /> == Ismertesse a 7 és 8 pontos kalibrációs algoritmusok elvét és lépéseit! ==<br /> <br /> == Ismertesse a RANSAC algoritmust (előnyök, hátrányok) és a felhasználási lehetőségeit!==</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Bin%C3%A1ris_k%C3%A9pek&diff=185468 2015-04-15T15:48:29Z

<p>Nyircsák Ákos: /* Dilatáció */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> == Mit jelent a bináris kép? &lt;br/&gt;Mit jelent a küszöbözés? &lt;br/&gt;Milyen lehetőségeink vannak? &lt;br/&gt;Mit jelent a dupla-küszöbözés? ==<br /> === Bináris kép ===<br /> Minden pixel csak két értéket vehet fel (megjelenítés tipikusan fekete/fehér színnel). A pixelekhez hozzárendelendő értéket valamilyen képi tulajdonság (fényerő, színintenzitás stb.) küszöbözésével határozzuk meg.<br /> === Küszöbözés (thresholding) === <br /> A legegyszerűbb eljárás, aminek segítségével egy szegmentálást (objektum(ok) és a háttér szétválasztása) végezhetünk. Egy tulajdonsághoz hozzárendelünk küszöbértéket, majd a vizsgálandó kép minden pixelén végigmegyünk és összehasonlítjuk az értékeket. A végeredmény egy bináris kép.&lt;br/&gt;<br /> Például fényintenzitás alapján bizonyos érték fölött és alatt szétválasztom a képet.<br /> <br /> === Hisztogram ===<br /> Hisztogram egy kép egy adott tulajdonságáról (előfordulás: az adott értékkel ennyi számú pixel rendelkezett):<br /> <br /> [[Fájl:Számítógépes_látórendszerek_Hisztogramm_1.png]]<br /> <br /> === Szegmentálási lehetőségek ===<br /> *Hisztogram alapú KÜSZÖBÖZÉS<br /> *Osztályozás alapú<br /> **Színek<br /> **Formák: pl.:egyenes, gömb<br /> *Környezetfüggő<br /> **Lokális: inhomogén háttér esetén<br /> === Dupla-küszöbözés ===<br /> Más néven hiszterézises küszöbözés. A probléma az, hogy elkülönítendő objektumok mellett más hasonló (kinézetű, színű stb) objektumok is vannak, melyek küszöbözés után megmaradnak. Ezért kettő küszöb használatával létrehozunk két képet, melyet aztán ÉS kapcsolatba helyezünk. &lt;br/&gt;<br /> '''Példa'''<br /> #Eredeti kép<br /> #Eredeti kép küszöbözése<br /> #Eredeti képen élkeresés<br /> #Élkeresett kép küszöbözése<br /> #„4” maszkolása „2”-vel<br /> <br /> [[Fájl:Számítógépes_látórendszerek_Hisztogramm_2.png]]<br /> <br /> == Ismertesse a bináris képen végezhető logikai műveleteket és azok fontosabb feladatait. &lt;br/&gt;Ismertesse az objektum alapú logikát és felhasználási lehetőségeit. ==<br /> Adott két kép: A, B<br /> *Negálás: például kontúrkeresésnél<br /> *AND: főleg képek maszkolásánál van jelentősége, két kép átfedésének megjelenítése<br /> *OR:<br /> *XOR:<br /> <br /> [[Fájl:Számítógépes látórendszerek_Logika_1.jpg| 600px]]<br /> <br /> == Mit jelent az erózió és a dilatáció? Hogyan végzünk nyitást és zárást? Mire jók ezek a műveletek, mitől függ, hogy melyiket alkalmazzuk? Hogyan tudunk e műveletekkel kontúrt keresni? Mi az olvasztásmentes dilatáció? Szürkeárnyalatos képen hogy lehet értelmezni ezeket a műveleteket? ==<br /> === Erózió ===<br /> Csökkentés (fehér területek csökkentése fekete-fehér átmeneteknél). A pixelszerű zajok csökkentése.<br /> <br /> === Dilatáció ===<br /> Szélesítés (fehér területek növelése fekete-fehér átmeneteknél)<br /> A változás mértéke függ a felhasznált kernel nagyságától. Nagy számításigény.<br /> A nulla zajokat tüntetem el, cserébe megnő az objektum mérete.&lt;br/&gt;<br /> '''Példa: 1D-s eset'''<br /> <br /> [[Fájl:Számítógépes_látórendszerek_dila_1.png]]<br /> <br /> === Zárás ===<br /> Dilatáció + erózió: nullzajok kiszedése (fekete pöttyök, fekete vonalak)<br /> === Nyitás ===<br /> Erózió + dilatáció: fehér pixelhibák kiszedésére<br /> <br /> (Gyakran együtt használják a kettőt.)<br /> <br /> (Az előadásdiákon pont fordítva szerepel a nyitás és a zárás, de minden más forrásban a fentiek szerint van megadva.)<br /> === Felhasználás ===<br /> *pixelhibák, pixelszerű zajok eltüntetése bináris képről<br /> *kontúrkeresés: Img AND INVERSE( dilate(Img) )<br /> *élkeresés és lyukak kitöltése<br /> === Olvasztásmentes dilatáció ===<br /> Egymással érintkező objektumok éldetektálásánál segít ez a módszer. &lt;br/&gt;<br /> [[Fájl:Számítógépes_látórendszerek_olvaszt_1.png]] &lt;br/&gt;<br /> '''Szürkeárnyalatos képen:''' erózió – sötétít, dilatáció - világosít<br /> <br /> == Mit jelent a 4- és 8-szomszédú távolság? Mik az előnyei és hátrányai az euklideszi távolsághoz képest? ==<br /> Kernelek esetén a kernel középpontjától a pixelekben mért távolság a szélek felé haladva.<br /> <br /> [[Fájl:Számítógépes_látórendszerek_tav_1.png]]<br /> <br /> *4/8 szomszéd: gyors, pontatlan<br /> *EDM: pontos, számításigényesebb<br /> <br /> == Ismertesse a csontváz definícióját és a csontvázasítás egy lehetséges megvalósítását. ==<br /> '''Definíció''': Maximális körök origója mely egy adott objektumba helyezhető.<br /> <br /> [[Fájl:Számítógépes_látórendszerek_-_Ellenőrző_kérdések_Csontvaz_1.jpg]]<br /> <br /> '''Megvalósítás''':<br /> <br /> [[Fájl:Számítógépes_látórendszerek_-_Ellenőrző_kérdések_csontvaz_2.jpg]]<br /> <br /> '''Felhasználás''': ujjlenyomat ellenőrzés<br /> <br /> == Hogyan tudunk bináris képen objektumokat keresni és megszámlálni? Ismertesse az eljárásokat. ==<br /> <br /> ===Objektumkeresés===<br /> Egy 2x2-es ablakkal végigpásztázunk minden pixelt és indexeljük az egyes pixeleket.<br /> <br /> {|<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Új index<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> |-<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Egyesítés<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |}<br /> | Új index<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> |}<br /> <br /> [[Fájl:Számítógépes látórendszerek - Ellenőrző kérdések objektum_keres.png]]<br /> <br /> ===Objektumszámlálás===<br /> Egy 2x2-es ablakkal végigpásztázunk minden pixelt és növeljük, vagy csökkentjük (hogy az algoritmus ne számoljon egy objektumot többször) a számlálónk értékét.<br /> <br /> {|<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | +1<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | -1<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | +1<br /> |}<br /> <br /> [[Fájl:Számítógépes látórendszerek - Ellenőrző kérdések objszamlalas.png]]</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Bin%C3%A1ris_k%C3%A9pek&diff=185466 2015-04-15T15:45:28Z

<p>Nyircsák Ákos: /* Dilatáció */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> == Mit jelent a bináris kép? &lt;br/&gt;Mit jelent a küszöbözés? &lt;br/&gt;Milyen lehetőségeink vannak? &lt;br/&gt;Mit jelent a dupla-küszöbözés? ==<br /> === Bináris kép ===<br /> Minden pixel csak két értéket vehet fel (megjelenítés tipikusan fekete/fehér színnel). A pixelekhez hozzárendelendő értéket valamilyen képi tulajdonság (fényerő, színintenzitás stb.) küszöbözésével határozzuk meg.<br /> === Küszöbözés (thresholding) === <br /> A legegyszerűbb eljárás, aminek segítségével egy szegmentálást (objektum(ok) és a háttér szétválasztása) végezhetünk. Egy tulajdonsághoz hozzárendelünk küszöbértéket, majd a vizsgálandó kép minden pixelén végigmegyünk és összehasonlítjuk az értékeket. A végeredmény egy bináris kép.&lt;br/&gt;<br /> Például fényintenzitás alapján bizonyos érték fölött és alatt szétválasztom a képet.<br /> <br /> === Hisztogram ===<br /> Hisztogram egy kép egy adott tulajdonságáról (előfordulás: az adott értékkel ennyi számú pixel rendelkezett):<br /> <br /> [[Fájl:Számítógépes_látórendszerek_Hisztogramm_1.png]]<br /> <br /> === Szegmentálási lehetőségek ===<br /> *Hisztogram alapú KÜSZÖBÖZÉS<br /> *Osztályozás alapú<br /> **Színek<br /> **Formák: pl.:egyenes, gömb<br /> *Környezetfüggő<br /> **Lokális: inhomogén háttér esetén<br /> === Dupla-küszöbözés ===<br /> Más néven hiszterézises küszöbözés. A probléma az, hogy elkülönítendő objektumok mellett más hasonló (kinézetű, színű stb) objektumok is vannak, melyek küszöbözés után megmaradnak. Ezért kettő küszöb használatával létrehozunk két képet, melyet aztán ÉS kapcsolatba helyezünk. &lt;br/&gt;<br /> '''Példa'''<br /> #Eredeti kép<br /> #Eredeti kép küszöbözése<br /> #Eredeti képen élkeresés<br /> #Élkeresett kép küszöbözése<br /> #„4” maszkolása „2”-vel<br /> <br /> [[Fájl:Számítógépes_látórendszerek_Hisztogramm_2.png]]<br /> <br /> == Ismertesse a bináris képen végezhető logikai műveleteket és azok fontosabb feladatait. &lt;br/&gt;Ismertesse az objektum alapú logikát és felhasználási lehetőségeit. ==<br /> Adott két kép: A, B<br /> *Negálás: például kontúrkeresésnél<br /> *AND: főleg képek maszkolásánál van jelentősége, két kép átfedésének megjelenítése<br /> *OR:<br /> *XOR:<br /> <br /> [[Fájl:Számítógépes látórendszerek_Logika_1.jpg| 600px]]<br /> <br /> == Mit jelent az erózió és a dilatáció? Hogyan végzünk nyitást és zárást? Mire jók ezek a műveletek, mitől függ, hogy melyiket alkalmazzuk? Hogyan tudunk e műveletekkel kontúrt keresni? Mi az olvasztásmentes dilatáció? Szürkeárnyalatos képen hogy lehet értelmezni ezeket a műveleteket? ==<br /> === Erózió ===<br /> Csökkentés (fehér területek csökkentése fekete-fehér átmeneteknél). A pixelszerű zajok csökkentése.<br /> <br /> === Dilatáció ===<br /> Szélesítés (fehér területek növelése fekete-fehér átmeneteknél)<br /> A változás mértéke függ a felhasznált kernel nagyságától. Nagy számításigény.<br /> A nulla zajokat tüntetem el, cserébe megnő az objektum mérete.<br /> '''Példa: 1D-s eset'''<br /> <br /> [[Fájl:Számítógépes_látórendszerek_dila_1.png]]<br /> <br /> === Zárás ===<br /> Dilatáció + erózió: nullzajok kiszedése (fekete pöttyök, fekete vonalak)<br /> === Nyitás ===<br /> Erózió + dilatáció: fehér pixelhibák kiszedésére<br /> <br /> (Gyakran együtt használják a kettőt.)<br /> <br /> (Az előadásdiákon pont fordítva szerepel a nyitás és a zárás, de minden más forrásban a fentiek szerint van megadva.)<br /> === Felhasználás ===<br /> *pixelhibák, pixelszerű zajok eltüntetése bináris képről<br /> *kontúrkeresés: Img AND INVERSE( dilate(Img) )<br /> *élkeresés és lyukak kitöltése<br /> === Olvasztásmentes dilatáció ===<br /> Egymással érintkező objektumok éldetektálásánál segít ez a módszer. &lt;br/&gt;<br /> [[Fájl:Számítógépes_látórendszerek_olvaszt_1.png]] &lt;br/&gt;<br /> '''Szürkeárnyalatos képen:''' erózió – sötétít, dilatáció - világosít<br /> <br /> == Mit jelent a 4- és 8-szomszédú távolság? Mik az előnyei és hátrányai az euklideszi távolsághoz képest? ==<br /> Kernelek esetén a kernel középpontjától a pixelekben mért távolság a szélek felé haladva.<br /> <br /> [[Fájl:Számítógépes_látórendszerek_tav_1.png]]<br /> <br /> *4/8 szomszéd: gyors, pontatlan<br /> *EDM: pontos, számításigényesebb<br /> <br /> == Ismertesse a csontváz definícióját és a csontvázasítás egy lehetséges megvalósítását. ==<br /> '''Definíció''': Maximális körök origója mely egy adott objektumba helyezhető.<br /> <br /> [[Fájl:Számítógépes_látórendszerek_-_Ellenőrző_kérdések_Csontvaz_1.jpg]]<br /> <br /> '''Megvalósítás''':<br /> <br /> [[Fájl:Számítógépes_látórendszerek_-_Ellenőrző_kérdések_csontvaz_2.jpg]]<br /> <br /> '''Felhasználás''': ujjlenyomat ellenőrzés<br /> <br /> == Hogyan tudunk bináris képen objektumokat keresni és megszámlálni? Ismertesse az eljárásokat. ==<br /> <br /> ===Objektumkeresés===<br /> Egy 2x2-es ablakkal végigpásztázunk minden pixelt és indexeljük az egyes pixeleket.<br /> <br /> {|<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Új index<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> |-<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Egyesítés<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |}<br /> | Új index<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> |}<br /> <br /> [[Fájl:Számítógépes látórendszerek - Ellenőrző kérdések objektum_keres.png]]<br /> <br /> ===Objektumszámlálás===<br /> Egy 2x2-es ablakkal végigpásztázunk minden pixelt és növeljük, vagy csökkentjük (hogy az algoritmus ne számoljon egy objektumot többször) a számlálónk értékét.<br /> <br /> {|<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | +1<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | -1<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | +1<br /> |}<br /> <br /> [[Fájl:Számítógépes látórendszerek - Ellenőrző kérdések objszamlalas.png]]</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Bin%C3%A1ris_k%C3%A9pek&diff=185465 2015-04-15T15:44:43Z

<p>Nyircsák Ákos: /* Erózió */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> == Mit jelent a bináris kép? &lt;br/&gt;Mit jelent a küszöbözés? &lt;br/&gt;Milyen lehetőségeink vannak? &lt;br/&gt;Mit jelent a dupla-küszöbözés? ==<br /> === Bináris kép ===<br /> Minden pixel csak két értéket vehet fel (megjelenítés tipikusan fekete/fehér színnel). A pixelekhez hozzárendelendő értéket valamilyen képi tulajdonság (fényerő, színintenzitás stb.) küszöbözésével határozzuk meg.<br /> === Küszöbözés (thresholding) === <br /> A legegyszerűbb eljárás, aminek segítségével egy szegmentálást (objektum(ok) és a háttér szétválasztása) végezhetünk. Egy tulajdonsághoz hozzárendelünk küszöbértéket, majd a vizsgálandó kép minden pixelén végigmegyünk és összehasonlítjuk az értékeket. A végeredmény egy bináris kép.&lt;br/&gt;<br /> Például fényintenzitás alapján bizonyos érték fölött és alatt szétválasztom a képet.<br /> <br /> === Hisztogram ===<br /> Hisztogram egy kép egy adott tulajdonságáról (előfordulás: az adott értékkel ennyi számú pixel rendelkezett):<br /> <br /> [[Fájl:Számítógépes_látórendszerek_Hisztogramm_1.png]]<br /> <br /> === Szegmentálási lehetőségek ===<br /> *Hisztogram alapú KÜSZÖBÖZÉS<br /> *Osztályozás alapú<br /> **Színek<br /> **Formák: pl.:egyenes, gömb<br /> *Környezetfüggő<br /> **Lokális: inhomogén háttér esetén<br /> === Dupla-küszöbözés ===<br /> Más néven hiszterézises küszöbözés. A probléma az, hogy elkülönítendő objektumok mellett más hasonló (kinézetű, színű stb) objektumok is vannak, melyek küszöbözés után megmaradnak. Ezért kettő küszöb használatával létrehozunk két képet, melyet aztán ÉS kapcsolatba helyezünk. &lt;br/&gt;<br /> '''Példa'''<br /> #Eredeti kép<br /> #Eredeti kép küszöbözése<br /> #Eredeti képen élkeresés<br /> #Élkeresett kép küszöbözése<br /> #„4” maszkolása „2”-vel<br /> <br /> [[Fájl:Számítógépes_látórendszerek_Hisztogramm_2.png]]<br /> <br /> == Ismertesse a bináris képen végezhető logikai műveleteket és azok fontosabb feladatait. &lt;br/&gt;Ismertesse az objektum alapú logikát és felhasználási lehetőségeit. ==<br /> Adott két kép: A, B<br /> *Negálás: például kontúrkeresésnél<br /> *AND: főleg képek maszkolásánál van jelentősége, két kép átfedésének megjelenítése<br /> *OR:<br /> *XOR:<br /> <br /> [[Fájl:Számítógépes látórendszerek_Logika_1.jpg| 600px]]<br /> <br /> == Mit jelent az erózió és a dilatáció? Hogyan végzünk nyitást és zárást? Mire jók ezek a műveletek, mitől függ, hogy melyiket alkalmazzuk? Hogyan tudunk e műveletekkel kontúrt keresni? Mi az olvasztásmentes dilatáció? Szürkeárnyalatos képen hogy lehet értelmezni ezeket a műveleteket? ==<br /> === Erózió ===<br /> Csökkentés (fehér területek csökkentése fekete-fehér átmeneteknél). A pixelszerű zajok csökkentése.<br /> <br /> === Dilatáció ===<br /> Szélesítés (fehér területek növelése fekete-fehér átmeneteknél)<br /> A változás mértéke függ a felhasznált kernel nagyságától. Nagy számításigény.<br /> <br /> '''Példa: 1D-s eset'''<br /> <br /> [[Fájl:Számítógépes_látórendszerek_dila_1.png]]<br /> <br /> === Zárás ===<br /> Dilatáció + erózió: nullzajok kiszedése (fekete pöttyök, fekete vonalak)<br /> === Nyitás ===<br /> Erózió + dilatáció: fehér pixelhibák kiszedésére<br /> <br /> (Gyakran együtt használják a kettőt.)<br /> <br /> (Az előadásdiákon pont fordítva szerepel a nyitás és a zárás, de minden más forrásban a fentiek szerint van megadva.)<br /> === Felhasználás ===<br /> *pixelhibák, pixelszerű zajok eltüntetése bináris képről<br /> *kontúrkeresés: Img AND INVERSE( dilate(Img) )<br /> *élkeresés és lyukak kitöltése<br /> === Olvasztásmentes dilatáció ===<br /> Egymással érintkező objektumok éldetektálásánál segít ez a módszer. &lt;br/&gt;<br /> [[Fájl:Számítógépes_látórendszerek_olvaszt_1.png]] &lt;br/&gt;<br /> '''Szürkeárnyalatos képen:''' erózió – sötétít, dilatáció - világosít<br /> <br /> == Mit jelent a 4- és 8-szomszédú távolság? Mik az előnyei és hátrányai az euklideszi távolsághoz képest? ==<br /> Kernelek esetén a kernel középpontjától a pixelekben mért távolság a szélek felé haladva.<br /> <br /> [[Fájl:Számítógépes_látórendszerek_tav_1.png]]<br /> <br /> *4/8 szomszéd: gyors, pontatlan<br /> *EDM: pontos, számításigényesebb<br /> <br /> == Ismertesse a csontváz definícióját és a csontvázasítás egy lehetséges megvalósítását. ==<br /> '''Definíció''': Maximális körök origója mely egy adott objektumba helyezhető.<br /> <br /> [[Fájl:Számítógépes_látórendszerek_-_Ellenőrző_kérdések_Csontvaz_1.jpg]]<br /> <br /> '''Megvalósítás''':<br /> <br /> [[Fájl:Számítógépes_látórendszerek_-_Ellenőrző_kérdések_csontvaz_2.jpg]]<br /> <br /> '''Felhasználás''': ujjlenyomat ellenőrzés<br /> <br /> == Hogyan tudunk bináris képen objektumokat keresni és megszámlálni? Ismertesse az eljárásokat. ==<br /> <br /> ===Objektumkeresés===<br /> Egy 2x2-es ablakkal végigpásztázunk minden pixelt és indexeljük az egyes pixeleket.<br /> <br /> {|<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Új index<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> |-<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Egyesítés<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |}<br /> | Új index<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> |}<br /> <br /> [[Fájl:Számítógépes látórendszerek - Ellenőrző kérdések objektum_keres.png]]<br /> <br /> ===Objektumszámlálás===<br /> Egy 2x2-es ablakkal végigpásztázunk minden pixelt és növeljük, vagy csökkentjük (hogy az algoritmus ne számoljon egy objektumot többször) a számlálónk értékét.<br /> <br /> {|<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | +1<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | -1<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | +1<br /> |}<br /> <br /> [[Fájl:Számítógépes látórendszerek - Ellenőrző kérdések objszamlalas.png]]</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Bin%C3%A1ris_k%C3%A9pek&diff=185464 2015-04-15T15:42:33Z

<p>Nyircsák Ákos: /* Küszöbözés (thresholding) */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> == Mit jelent a bináris kép? &lt;br/&gt;Mit jelent a küszöbözés? &lt;br/&gt;Milyen lehetőségeink vannak? &lt;br/&gt;Mit jelent a dupla-küszöbözés? ==<br /> === Bináris kép ===<br /> Minden pixel csak két értéket vehet fel (megjelenítés tipikusan fekete/fehér színnel). A pixelekhez hozzárendelendő értéket valamilyen képi tulajdonság (fényerő, színintenzitás stb.) küszöbözésével határozzuk meg.<br /> === Küszöbözés (thresholding) === <br /> A legegyszerűbb eljárás, aminek segítségével egy szegmentálást (objektum(ok) és a háttér szétválasztása) végezhetünk. Egy tulajdonsághoz hozzárendelünk küszöbértéket, majd a vizsgálandó kép minden pixelén végigmegyünk és összehasonlítjuk az értékeket. A végeredmény egy bináris kép.&lt;br/&gt;<br /> Például fényintenzitás alapján bizonyos érték fölött és alatt szétválasztom a képet.<br /> <br /> === Hisztogram ===<br /> Hisztogram egy kép egy adott tulajdonságáról (előfordulás: az adott értékkel ennyi számú pixel rendelkezett):<br /> <br /> [[Fájl:Számítógépes_látórendszerek_Hisztogramm_1.png]]<br /> <br /> === Szegmentálási lehetőségek ===<br /> *Hisztogram alapú KÜSZÖBÖZÉS<br /> *Osztályozás alapú<br /> **Színek<br /> **Formák: pl.:egyenes, gömb<br /> *Környezetfüggő<br /> **Lokális: inhomogén háttér esetén<br /> === Dupla-küszöbözés ===<br /> Más néven hiszterézises küszöbözés. A probléma az, hogy elkülönítendő objektumok mellett más hasonló (kinézetű, színű stb) objektumok is vannak, melyek küszöbözés után megmaradnak. Ezért kettő küszöb használatával létrehozunk két képet, melyet aztán ÉS kapcsolatba helyezünk. &lt;br/&gt;<br /> '''Példa'''<br /> #Eredeti kép<br /> #Eredeti kép küszöbözése<br /> #Eredeti képen élkeresés<br /> #Élkeresett kép küszöbözése<br /> #„4” maszkolása „2”-vel<br /> <br /> [[Fájl:Számítógépes_látórendszerek_Hisztogramm_2.png]]<br /> <br /> == Ismertesse a bináris képen végezhető logikai műveleteket és azok fontosabb feladatait. &lt;br/&gt;Ismertesse az objektum alapú logikát és felhasználási lehetőségeit. ==<br /> Adott két kép: A, B<br /> *Negálás: például kontúrkeresésnél<br /> *AND: főleg képek maszkolásánál van jelentősége, két kép átfedésének megjelenítése<br /> *OR:<br /> *XOR:<br /> <br /> [[Fájl:Számítógépes látórendszerek_Logika_1.jpg| 600px]]<br /> <br /> == Mit jelent az erózió és a dilatáció? Hogyan végzünk nyitást és zárást? Mire jók ezek a műveletek, mitől függ, hogy melyiket alkalmazzuk? Hogyan tudunk e műveletekkel kontúrt keresni? Mi az olvasztásmentes dilatáció? Szürkeárnyalatos képen hogy lehet értelmezni ezeket a műveleteket? ==<br /> === Erózió ===<br /> Csökkentés (fehér területek csökkentése fekete-fehér átmeneteknél)<br /> === Dilatáció ===<br /> Szélesítés (fehér területek növelése fekete-fehér átmeneteknél)<br /> A változás mértéke függ a felhasznált kernel nagyságától. Nagy számításigény.<br /> <br /> '''Példa: 1D-s eset'''<br /> <br /> [[Fájl:Számítógépes_látórendszerek_dila_1.png]]<br /> <br /> === Zárás ===<br /> Dilatáció + erózió: nullzajok kiszedése (fekete pöttyök, fekete vonalak)<br /> === Nyitás ===<br /> Erózió + dilatáció: fehér pixelhibák kiszedésére<br /> <br /> (Gyakran együtt használják a kettőt.)<br /> <br /> (Az előadásdiákon pont fordítva szerepel a nyitás és a zárás, de minden más forrásban a fentiek szerint van megadva.)<br /> === Felhasználás ===<br /> *pixelhibák, pixelszerű zajok eltüntetése bináris képről<br /> *kontúrkeresés: Img AND INVERSE( dilate(Img) )<br /> *élkeresés és lyukak kitöltése<br /> === Olvasztásmentes dilatáció ===<br /> Egymással érintkező objektumok éldetektálásánál segít ez a módszer. &lt;br/&gt;<br /> [[Fájl:Számítógépes_látórendszerek_olvaszt_1.png]] &lt;br/&gt;<br /> '''Szürkeárnyalatos képen:''' erózió – sötétít, dilatáció - világosít<br /> <br /> == Mit jelent a 4- és 8-szomszédú távolság? Mik az előnyei és hátrányai az euklideszi távolsághoz képest? ==<br /> Kernelek esetén a kernel középpontjától a pixelekben mért távolság a szélek felé haladva.<br /> <br /> [[Fájl:Számítógépes_látórendszerek_tav_1.png]]<br /> <br /> *4/8 szomszéd: gyors, pontatlan<br /> *EDM: pontos, számításigényesebb<br /> <br /> == Ismertesse a csontváz definícióját és a csontvázasítás egy lehetséges megvalósítását. ==<br /> '''Definíció''': Maximális körök origója mely egy adott objektumba helyezhető.<br /> <br /> [[Fájl:Számítógépes_látórendszerek_-_Ellenőrző_kérdések_Csontvaz_1.jpg]]<br /> <br /> '''Megvalósítás''':<br /> <br /> [[Fájl:Számítógépes_látórendszerek_-_Ellenőrző_kérdések_csontvaz_2.jpg]]<br /> <br /> '''Felhasználás''': ujjlenyomat ellenőrzés<br /> <br /> == Hogyan tudunk bináris képen objektumokat keresni és megszámlálni? Ismertesse az eljárásokat. ==<br /> <br /> ===Objektumkeresés===<br /> Egy 2x2-es ablakkal végigpásztázunk minden pixelt és indexeljük az egyes pixeleket.<br /> <br /> {|<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Új index<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> |-<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Egyesítés<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |}<br /> | Új index<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | Másolás<br /> |}<br /> <br /> [[Fájl:Számítógépes látórendszerek - Ellenőrző kérdések objektum_keres.png]]<br /> <br /> ===Objektumszámlálás===<br /> Egy 2x2-es ablakkal végigpásztázunk minden pixelt és növeljük, vagy csökkentjük (hogy az algoritmus ne számoljon egy objektumot többször) a számlálónk értékét.<br /> <br /> {|<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | +1<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | -1<br /> | style=&quot;border: 1px solid red&quot; |<br /> {|<br /> |-<br /> | style=&quot;background: white; color: white&quot; | abc<br /> | style=&quot;background: black; color: black&quot; | abc<br /> |-<br /> | style=&quot;background: black; color: black&quot; | abc<br /> | style=&quot;background: white; color: white&quot; | abc<br /> |}<br /> | +1<br /> |}<br /> <br /> [[Fájl:Számítógépes látórendszerek - Ellenőrző kérdések objszamlalas.png]]</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185463 2015-04-15T15:34:31Z

<p>Nyircsák Ákos: /* Milyen jellegű geometriai torzítások terhelhetik a képet? Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerá…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> ===Élkeresés alapvető módszerei===<br /> <br /> * DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. &lt;br/&gt;A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> * Deriváltak<br /> <br /> * Canny<br /> <br /> Elsősorban lépcsős élekre, a kép Gauss zajjal terhelt. <br /> Lépések<br /> # Gauss szűrés<br /> # Derivatív szűrés két/négy irányban<br /> # Nem maximumok törlése (gradiens irányban)<br /> # Küszöbözés: erős élek, gyenge élek<br /> <br /> * Frei &amp; Chen<br /> <br /> Kevésbé érzékeny a zajokra mint más élkereső eljárások. Összesen 9 konvolúciós ablakot/kernelt használ(3x3 méret), ezek a legfontosabb irányú kernelek.<br /> <br /> ===Többféle élkeresési eljárás===<br /> <br /> ===Kernelméret és az élkeresés===<br /> <br /> Minél nagyobb a kernelméret annál inkább eltűnnek az apró dolgok.<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> <br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185462 2015-04-15T15:29:51Z

<p>Nyircsák Ákos: /* Élkeresés alapvető módszerei */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> ===Élkeresés alapvető módszerei===<br /> <br /> * DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. &lt;br/&gt;A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> * Deriváltak<br /> <br /> * Canny<br /> <br /> Elsősorban lépcsős élekre, a kép Gauss zajjal terhelt. <br /> Lépések<br /> # Gauss szűrés<br /> # Derivatív szűrés két/négy irányban<br /> # Nem maximumok törlése (gradiens irányban)<br /> # Küszöbözés: erős élek, gyenge élek<br /> <br /> * Frei &amp; Chen<br /> <br /> Kevésbé érzékeny a zajokra mint más élkereső eljárások. Összesen 9 konvolúciós ablakot/kernelt használ(3x3 méret), ezek a legfontosabb irányú kernelek.<br /> <br /> ===Többféle élkeresési eljárás===<br /> <br /> ===Kernelméret és az élkeresés===<br /> <br /> Minél nagyobb a kernelméret annál inkább eltűnnek az apró dolgok.<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185461 2015-04-15T15:29:03Z

<p>Nyircsák Ákos: /* Élkeresés alapvető módszerei */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> ===Élkeresés alapvető módszerei===<br /> <br /> * DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. &lt;br/&gt;A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> * Deriváltak<br /> <br /> * Canny<br /> <br /> Elsősorban lépcsős élekre, a kép Gauss zajjal terhelt. <br /> Lépések<br /> # Gauss szűrés<br /> # Derivatív szűrés két/négy irányban<br /> # Nem maximumok törlése (gradiens irányban)<br /> # Küszöbözés: erős élek, gyenge élek<br /> <br /> * Frei &amp; Chen<br /> <br /> Kevésbé érzékeny a zajokra mint más élkereső eljárások. Összesen 9 konvolúciós ablakot/kernelt használ(3x3 méret), ezek a legfontosabb irányú kernelek.<br /> Az első négy éldetektálá<br /> <br /> ===Többféle élkeresési eljárás===<br /> <br /> ===Kernelméret és az élkeresés===<br /> <br /> Minél nagyobb a kernelméret annál inkább eltűnnek az apró dolgok.<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185460 2015-04-15T15:25:13Z

<p>Nyircsák Ákos: /* Ismertesse az élkeresés alapvető módszereit: DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk n…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> ===Élkeresés alapvető módszerei===<br /> <br /> * DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. &lt;br/&gt;A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> * Deriváltak<br /> <br /> * Canny<br /> <br /> Lépések<br /> # Gauss szűrés<br /> # Derivatív szűrés két/négy irányban<br /> # Nem maximumok törlése (gradiens irányban)<br /> # Küszöbözés: erős élek, gyenge élek<br /> <br /> * Frei &amp; Chen<br /> <br /> Kevésbé érzékeny a zajokra mint más élkereső eljárások. Összesen 9 konvolúciós ablakot/kernelt használ(3x3 méret). <br /> <br /> ===Többféle élkeresési eljárás===<br /> <br /> ===Kernelméret és az élkeresés===<br /> <br /> Minél nagyobb a kernelméret annál inkább eltűnnek az apró dolgok.<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185459 2015-04-15T15:18:56Z

<p>Nyircsák Ákos: /* Ismertesse az élkeresés alapvető módszereit: DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk n…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> ===Élkeresés alapvető módszerei===<br /> <br /> * DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. &lt;br/&gt;A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> * Deriváltak<br /> <br /> * Canny<br /> <br /> Lépések<br /> # Gauss szűrés<br /> # Derivatív szűrés két/négy irányban<br /> # Nem maximumok törlése(gradiens irányban)<br /> # Küszöbözés: erős élek, gyenge élek<br /> <br /> * Frei &amp; Chen<br /> <br /> ===Többféle élkeresési eljárás===<br /> <br /> ===Kernelméret és az élkeresés===<br /> <br /> Minél nagyobb a kernelméret annál inkább eltűnnek az apró dolgok.<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185458 2015-04-15T15:17:34Z

<p>Nyircsák Ákos: /* Ismertesse az élkeresés alapvető módszereit: DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk n…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> ===Élkeresés alapvető módszerei===<br /> <br /> * DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. &lt;br/&gt;A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> * Deriváltak<br /> <br /> * Canny<br /> <br /> Lépések<br /> # Gauss szűrés<br /> # Derivatív szűrés két/négy irányban<br /> # Nem maximumok törlése(gradiens irányban)<br /> # Küszöbözés: erős élek, gyenge élek<br /> <br /> * Frei &amp; Chen<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185457 2015-04-15T15:12:51Z

<p>Nyircsák Ákos: /* Ismertesse az élkeresés alapvető módszereit: DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk n…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> ===Élkeresés alapvető módszerei===<br /> <br /> #DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. &lt;br/&gt;A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> #Deriváltak<br /> #Canny<br /> #Frei &amp; Chen<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185456 2015-04-15T15:10:09Z

<p>Nyircsák Ákos: /* Ismertesse az élkeresés alapvető módszereit: DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk n…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> ===Élkeresés alapvető módszerei===<br /> <br /> #DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. &lt;br/&gt;A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185455 2015-04-15T15:09:20Z

<p>Nyircsák Ákos: /* Ismertesse az élkeresés alapvető módszereit: DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk n…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> <br /> #DoG(Gaussok különbsége)<br /> <br /> Az eredeti képen két különböző Gauss szűrést végzünk.(Az egyik nagyobb mértékben simít mint a másik.)&lt;br/&gt; A végső képet úgy kapjuk meg, hogy az eredeti képben minden pixelt a két Gauss szűrt kép különbségével(pixelenként természetesen)helyettesítünk. A nullátmenetek (ahol a pozitív értékekből negatív lesz és fordítva) fontosak a számunkra, ezek gyakorlatilag az élek.<br /> <br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185454 2015-04-15T15:09:10Z

<p>Nyircsák Ákos: /* Medain szűrő előnyei */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> Minél nagyobb a kernel, az apróbb dolgok annál inkább eltűnnek, elmosódnak.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Median szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés.<br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb (vagy kisebb) felbontású, több (vagy kevesebb) képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye. Nagyításnál egyértelműen hiányzó információt pótolunk, kicsinyítéskor viszont a pixelek elhelyezkedésének változása miatt szükséges interpolálni (azonos képtartalmaz kevesebb adatponttal ábrázolunk).<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat, az ezekből következő meredekségi kényszerekre felírt egyenleteket oldja meg. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> Gyakorlati alkalmazás:<br /> * Kép-érték esetben az összeadás fényerő állítást jelent, a szorzás brightness/contrast állítást.[?]<br /> * A szorzás művelet használható textúrázásra (maszkolásra).<br /> * Az összeadás/átlagolás használható zajcsökkentésre.<br /> * A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185449 2015-04-15T14:48:54Z

<p>Nyircsák Ákos: /* Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. Milyen előnyei vannak a median szűrőnek. Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> TODO<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke.&lt;br/&gt; Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő előnyei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen: ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A median-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185448 2015-04-15T14:46:35Z

<p>Nyircsák Ákos: /* Hogyan működnek az élesítő szűrők? Miben különbözik egy élesítő és egy élkereső szűrő? Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> TODO<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak pozitív és negatív súlyok is. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A medain-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185447 2015-04-15T14:44:23Z

<p>Nyircsák Ákos: /* Hogyan tudunk simító szűrőt készíteni? Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? Ismertesse a Gauss szűrő l…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> TODO<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A medain-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185446 2015-04-15T14:44:10Z

<p>Nyircsák Ákos: /* Hogyan tudunk simító szűrőt készíteni? Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? Ismertesse a Gauss szűrő l…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Simítás lényege, hogy a képpontok közelebb kerülnek környezetük átlagához, azaz a kép „simább” lesz,<br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk. A kernel elemei pozitívak. <br /> <br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> TODO<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.(16-tal kell osztani nem 9-el.)<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A medain-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185445 2015-04-15T14:14:28Z

<p>Nyircsák Ákos: /* Konvolúciós ablak */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy ablakot/kernelt helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép kernelében lévő pixeleit megszorozzuk a kernelben szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A medain-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185444 2015-04-15T14:13:16Z

<p>Nyircsák Ákos: /* Konvolúciós ablak */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> A képjavítás menete:&lt;br/&gt;<br /> #Az input minden pixelére egy maszkot helyezünk úgy, hogy annak origója az adott pixelre essen.&lt;br/&gt;<br /> #Az input kép maszk alatti pixeleit megszorozzuk a maszkban szereplő súlyokkal.&lt;br/&gt;<br /> #Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A medain-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185443 2015-04-15T14:11:56Z

<p>Nyircsák Ákos: /* Konvolúciós ablak */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> Az input minden pixelére egy maszkot helyezünk úgy, hogy annak origója az adott pixelre essen.<br /> Az input kép maszk alatti pixeleit megszorozzuk a maszkban szereplő súlyokkal.<br /> Az eredmény: az input helyzetének megfelelő pixel értéke a súlyozott értékek összege(esetleg skálázva).<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A medain-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185441 2015-04-15T14:10:30Z

<p>Nyircsák Ákos: /* Konvolúciós ablak */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> A kép adott pixelét a környezetében lévő pixelek függvényében módosítjuk. Pixelről pixelre haladunk.&lt;br/&gt;<br /> Az ablak (kernel, maszk) egy mátrix, elemei a súlyok. Lineáris esetben minden pixelt a környezetének lineáris kombinációjával helyettesítjük.&lt;br/&gt;<br /> A lineáris kombinációval történő leírást konvolúciós kernelnek nevezzük.<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A medain-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185437 2015-04-15T13:58:20Z

<p>Nyircsák Ákos: /* Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. Milyen előnyei vannak a median szűrőnek. Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A medain-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185436 2015-04-15T13:57:47Z

<p>Nyircsák Ákos: /* Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. Milyen előnyei vannak a median szűrőnek. Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. <br /> <br /> <br /> ===Kernelméret, kernel többszörös végrehajtása===<br /> <br /> Általában 3x3,5x5 -ös kernelméreteket használnak, de van 7x7-es is, de ez valósidőben brutális. <br /> A medain-t például sokszor egymás után végrehajtják, így teljesen eltűnnek a zajcsúcsok.<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185434 2015-04-15T13:53:02Z

<p>Nyircsák Ákos: /* Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. Milyen előnyei vannak a median szűrőnek. Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> ===Medain szűrő elényei===<br /> <br /> Előnye, hogy a finom dolgok finomak maradnak, viszont a tüskék eltűnnek. Vagy másképpen ez a szűrés a kiugró zajcsúcsokat teljesen eltünteti és nem csak elkeni, mint a lineáris szűrés. (A medain-t sokszor egymás után végrehajtják)<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185433 2015-04-15T13:51:09Z

<p>Nyircsák Ákos: /* Rank-szűrők */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk. A vizsgált pixelkörnyezet mérete, alakja sokféleképpen választható.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185432 2015-04-15T13:50:09Z

<p>Nyircsák Ákos: /* Rank-szűrők */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk. E sorból vegyük az n-edik elemet; ez lesz a pixel új világosságértéke. Ha n=1, akkor mindig a minimális értéket választottuk, ha n=k, akkor mindig a k-adikat. Median szűrésről akkor beszélünk, ha n=k/2, vagyis a sorba rendezett világosságértékek közül éppen a középsőt választjuk.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185431 2015-04-15T13:41:15Z

<p>Nyircsák Ákos: /* Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. Milyen előnyei vannak a median szűrőnek. Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> <br /> ===Rank-szűrők===<br /> <br /> A korábbi szűrési eljárások a a zajhatásokat csak szétosztották(szétkenték), ezzel szemben a Rank-szűrők szinte teljesen képesek megszabadítani a képet ezektől a pontszerű hibáktól. &lt;br/&gt;<br /> Működési elv: Vesszük minden pixel meghatározott környezetét. A pixel és a környezet intenzitásértékeit nagyság szerinti növekvő sorrendbe állítjuk.<br /> <br /> *k-adik szomszéd<br /> *Minimum szűrő<br /> *Maximum szűrő<br /> *Median szűrő<br /> <br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185429 2015-04-15T13:34:43Z

<p>Nyircsák Ákos: /* Hogyan működnek az élesítő szűrők? Miben különbözik egy élesítő és egy élkereső szűrő? Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> ===[ -2 -1 0 ; -1 1 1 ; 0 1 2 ] szűrő===<br /> <br /> Ez térbeli kiemelésre használatos. Gyakorlatilag azonban ez is élkiemelés. Csak önmagában, mint élesítés nem használják.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185427 2015-04-15T13:30:52Z

<p>Nyircsák Ákos: /* Élesítő szűrők */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Kiemeli a környezeti átlagtól való eltérést (azaz az éleket). A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185426 2015-04-15T13:28:53Z

<p>Nyircsák Ákos: /* Hogyan tudunk simító szűrőt készíteni? Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? Ismertesse a Gauss szűrő l…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Egyenlő súly helyett érdemesebb a közelebbi pixeleket nagyobb súllyal számolni.&lt;br/&gt;<br /> A Gauss szűrő simító jellegű.Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Az éleket emelik ki. A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185425 2015-04-15T13:24:14Z

<p>Nyircsák Ákos: /* Hogyan működnek az élesítő szűrők? Miben különbözik egy élesítő és egy élkereső szűrő? Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. A Gauss szűrő simító jellegű.&lt;br/&gt;<br /> Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Az éleket emelik ki. A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új. Hátrány: a zajokat is kiemeli.<br /> <br /> ===Élesítő vs élkereső szűrő===<br /> <br /> Élkereső szűrő esetén a kernel súlyainak összege nulla, míg élesítőnél nem. A nullával nem osztunk, hanem eltoljuk egy félszürkeárnyalattal.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185424 2015-04-15T13:19:10Z

<p>Nyircsák Ákos: /* Hogyan működnek az élesítő szűrők? Miben különbözik egy élesítő és egy élkereső szűrő? Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. A Gauss szűrő simító jellegű.&lt;br/&gt;<br /> Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> <br /> ===Élesítő szűrők===<br /> <br /> Az éleket emelik ki. A kernelben vannak negatív súlyok. Minél nagyobb a középső érték annál inkább hasonlít az eredeti képre az új.<br /> <br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185422 2015-04-15T13:14:29Z

<p>Nyircsák Ákos: /* Hogyan tudunk simító szűrőt készíteni? Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? Ismertesse a Gauss szűrő l…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Konvolúciós kernel mérete===<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. A Gauss szűrő simító jellegű.&lt;br/&gt;<br /> Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185421 2015-04-15T13:13:59Z

<p>Nyircsák Ákos: /* Hogyan tudunk simító szűrőt készíteni? Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? Ismertesse a Gauss szűrő l…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===[ 1 2 1 ; 2 4 2 ; 1 2 1 ] kernel előnyei===<br /> <br /> FPGA-ban nagyon könnyű megvalósítani.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. A Gauss szűrő simító jellegű.&lt;br/&gt;<br /> Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185420 2015-04-15T13:11:16Z

<p>Nyircsák Ákos: /* Gauss szűrő */</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. A Gauss szűrő simító jellegű.&lt;br/&gt;<br /> Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185419 2015-04-15T13:10:49Z

<p>Nyircsák Ákos: /* Hogyan tudunk simító szűrőt készíteni? Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? Ismertesse a Gauss szűrő l…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Gauss szűrő===<br /> <br /> Kernelméret 3σ. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. A Gauss szűrő simító jellegű. Szépen elkeni a képet, viszont nem túl gyors. Algoritmusokban van szerepe, pl. a Canny-féle éldetektorban használjuk.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos https://vik.wiki/index.php?title=Sz%C3%A1m%C3%ADt%C3%B3g%C3%A9pes_l%C3%A1t%C3%B3rendszerek_-_Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek:_Jav%C3%ADt%C3%A1s_k%C3%A9ptartom%C3%A1nyban&diff=185418 2015-04-15T13:06:48Z

<p>Nyircsák Ákos: /* Hogyan tudunk simító szűrőt készíteni? Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? Ismertesse a Gauss szűrő l…</p> <hr /> <div>{{Vissza|Számítógépes látórendszerek}}<br /> <br /> == Mit jelent a hisztogram? &lt;br/&gt;Ismertesse a hisztogramtranszformáció működését és felhasználási lehetőségeit. ==<br /> === Hisztogram ===<br /> A kép hisztogramja a fényességértékek vagy az egyes színcsatornákon felvett értékeinek eloszlását (sűrűségfüggvényét) mutatja. A lehetséges színértékek tengelyére az egyes színértékek gyakoriságát viszik fel. Minél magasabb ez, annál többször fordul elő az adott színérték a képen.<br /> <br /> A digitális képfeldolgozásban a hisztogram a kép színértékeiről vagy szürkeségi fokozatáról készül. Ez alapján adatok nyerhetők az előforduló színekről, kontrasztokról és fényességekről. Egy színes képről több hisztogram is készíthető az egyes színcsatornák, vagy az összes szín szerint. Mivel a legtöbb eljárás a fekete-fehér képeket támogatja, ezért inkább az egyes színcsatornák hisztogramját használják, ami lehetővé teszi a kép feldolgozásának azonnali folytatását. A színcsatornák száma az alapszínek számától függ: RGB estén három, CMYK esetén négy.<br /> <br /> === Működés, felhasználás ===<br /> A digitális fényképészet gyakran használ hisztogramot. A jól felszerelt digitális fényképezőgépek valós időben mutatnak hisztogramokat, hogy így segítsék a képi egyensúly megtalálását. Ez pontosabb képszerkesztést tesz lehetővé, mint ami a kamerakép alapján tehetséges lehetne. Felismerhetők és javíthatók például a világítás hibái, ha a kép túl sötét vagy túl világos lenne. A kép későbbi feldolgozásában sokat számítanak a rajta levő kontrasztok és a fényességek, ezért érdemes a hisztogramokat figyelni.<br /> <br /> A hisztogramok egy klasszikus felhasználása a színegyensúly beállítása (equalizing). A hisztogramot és a megfelelő színeket egy alkalmas függvénnyel transzformálják. Jobban kiegyensúlyozza a színeket, mint a kontrasztok erősítése. &lt;br/&gt;<br /> [http://hu.wikipedia.org/wiki/Hisztogram Forrás]<br /> <br /> == Milyen fontosabb zajok jellemezhetik a képeket? &lt;br/&gt;Sorolja fel a lehetséges eljárásokat ezek eltüntetésére? &lt;br/&gt;Ismertesse a konvolúciós ablakkal történő képjavítás módszerét. ==<br /> <br /> ===Zajok===<br /> '''Gauss zaj:''' Az erősítő képzaja. Gyenge megvilágítás, magas hőmérséklet és a fényképező elektronikája által okozott zaj.&lt;br/&gt;<br /> '''Só-bors zaj:''' A kép fekete és fehér pixelekkel van &quot;megszórva&quot;. A/D konverziós, átviteli hibák okozzák. <br /> <br /> [[Számítógépes_látórendszerek_-_Ellenőrző_kérdések:_Számítógépes_látás_alapok#Digitális_zaj|Digitális zaj típusok jellemzése]]<br /> <br /> ===Eljárások a zajok eltüntetésére===<br /> <br /> *Egyszerű átlagolás <br /> *Konvolúció<br /> *Gauss szűrés<br /> *Simító szűrők<br /> *Élesítő szűrők<br /> *Rank szűrők<br /> *Median<br /> <br /> ===Konvolúciós ablak===<br /> <br /> TODO<br /> <br /> == Hogyan tudunk simító szűrőt készíteni? &lt;br/&gt;Hogyan hat a képre a konvolúciós kernel mérete és a kernelen belüli értékek elrendezése? &lt;br/&gt;Milyen előnyei vannak az alábbi kernelnek: [ 1 2 1 ; 2 4 2 ; 1 2 1 ]? &lt;br/&gt;Ismertesse a Gauss szűrő lényegét. ==<br /> <br /> ===Simító szűrő===<br /> <br /> Vesszük a sima átlagoló szűrő kernelét, de különböző súlyozásokat használunk.<br /> <br /> ===Gauss szűrő===<br /> <br /> A Gauss-szűrő kernelében az értékek a kétdimenziós Gauss-eloszlás értékei. Kernel: [1 4 1; 4 16 4 ; 1 4 1]. Szépen elkeni a képet, viszont nem túl gyors.<br /> <br /> == Hogyan működnek az élesítő szűrők? &lt;br/&gt;Miben különbözik egy élesítő és egy élkereső szűrő? &lt;br/&gt;Milyen változtatást hajt végre a képen az alábbi szűrő: [ -2 -1 0 ; -1 1 1 ; 0 1 2 ]? ==<br /> == Milyen rank-szűrőket ismerünk, ismertesse ezek használatát. &lt;br/&gt;Milyen előnyei vannak a median szűrőnek. &lt;br/&gt;Hogyan hat a szűrésre a kernelméret és a kernel többszörös végrehajtása? ==<br /> == Ismertesse az élkeresés alapvető módszereit: &lt;br/&gt;DoG, első és második deriváltak, Canny, Frei &amp; Chen (a konkrét kernelek nem szükségesek). &lt;br/&gt;Hogyan lehet az élkeresés eredményén javítani ha több-féle eljárásra is lehetőségünk nyílik (pl. Sobel)? &lt;br/&gt;Hogyan hat a kernelméret az élkeresésre? ==<br /> == Milyen jellegű geometriai torzítások terhelhetik a képet? &lt;br/&gt;Ismertesse a perspektív illetve a radiális és tangenciális torzítás hatását és kezelésének módját. &lt;br/&gt;Hogyan tudjuk visszaállítani az eredeti arányokat egy ferde kamerával követett síkbeli képen? ==<br /> == Milyen interpolációs technikákat ismer? &lt;br/&gt;Ismertesse a legközelebbi szomszéd, a bilineáris és a biköbös interpolációs technikák alapelvét (képletek nem szükségesek). ==<br /> Ebben az értelemben az adott mennyiségű képpontból nagyobb felbontású, több képpontot tartalmazó képet állítunk elő. Motiválhatja például a [http://en.wikipedia.org/wiki/Image_scaling kép nagyítás]ának igénye.<br /> <br /> * '''[http://en.wikipedia.org/wiki/Nearest-neighbor_interpolation Legközelebbi szomszéd]''': A nagyított kép egyes pixeleinek értékeit az alapján határozzuk meg, hogy melyik eredeti pixelhez vannak legközelebb, azzal tesszük őket egyenlővé. ''Pixeles'' képet eredményez.<br /> * '''[http://en.wikipedia.org/wiki/Bilinear_interpolation Bilineáris]''': Az új pixelek értékét mindkét irányban lineárisan interpoláljuk (név innen), azaz egyenest illesztünk a két közeli eredeti pixel érték közé, és a keresett érték az egyenes pixelnek megfelelő helyén felvett értéke lesz. Az egyenesillesztést tehát a legközelebbi 4 pixel alapján hajtjuk végre. Furcsa ''artifact''-okat tud okozni, viszont nagyon gyors.<br /> * '''[http://en.wikipedia.org/wiki/Bicubic_interpolation Biköbös (bicubic)]''': Lassabb a bilineárisnál, de szebb eredményt is ad. A legközelebbi 16 pixel alapján számol. Figyelembe veszi a szomszédos pixel értékeket, az x-y irányú deriváltakat és kereszt deriváltakat. [TODO?]<br /> * [http://en.wikipedia.org/wiki/Lanczos_resampling Lánczos]<br /> * Komplex megoldások<br /> ** Görbeillesztés<br /> ** Fraktál<br /> ** [http://scale2x.sourceforge.net/ Scale2x, 3x, 4x]<br /> <br /> == Mit jelent a képi matematika? &lt;br/&gt;Milyen műveleteket alkalmazhatunk a gyakorlatban? &lt;br/&gt;Adja meg, hogy melyik eljárás milyen feladatra használható. ==<br /> Képi matematika esetén végezhetünk műveleteket '''kép-érték''' vagy '''kép-kép''' között.<br /> <br /> A lehetséges műveletek:<br /> * összeadás/kivonás/átlagolás<br /> * szorzás/osztás/normalizálás<br /> * maximum/minimum<br /> * logikai műveletek (főleg bináris képeknél)<br /> <br /> A szorzás művelet használható textúrázásra (maszkolásra). A kivonás használható különbségképzésre, a háttér eltávolítására (mozgó/elmozdult objektumok keresésére).</div>

Nyircsák Ákos