David14: David14 átnevezte a(z) KerteszKerdesek lapot a következő névre: Orvosi képfeldolgozás és vizualizáció - Kertész kérdések

2013-02-06T10:11:34Z

David14 átnevezte a(z) KerteszKerdesek lapot a következő névre: Orvosi képfeldolgozás és vizualizáció - Kertész kérdések

← Régebbi változat		A lap 2013. február 6., 12:11-kori változata
(Nincs különbség)

Unknown user: Új oldal, tartalma: „{{GlobalTemplate|Valaszthato|KerteszKerdesek}} TOC == Orvosi képfeldolgozás - Kertész ellenőrző kérdései == * Az egyes feladatoknál a MATLAB kódrészlete…”

2012-10-22T11:41:34Z

Új oldal, tartalma: „{{GlobalTemplate|Valaszthato|KerteszKerdesek}} __TOC__ == Orvosi képfeldolgozás - Kertész ellenőrző kérdései == * Az egyes feladatoknál a MATLAB kódrészlete…”

Új lap

{{GlobalTemplate|Valaszthato|KerteszKerdesek}}

__TOC__
== Orvosi képfeldolgozás - Kertész ellenőrző kérdései ==

* Az egyes feladatoknál a MATLAB kódrészletek felírása előny

====1. Milyen formában tároljuk a különböző típusú képeket a számítógépes környezetben. Mik az egyes tárolási formák előnyei? Felbontás és kvantálás fogalmak.====
http://www.agt.bme.hu/tutor_h/terinfor/t23.htm
====2. Világosság (Brightness), kontraszt, gamma korrekció, színezet (Hue), színtelítettség (Saturation), fényesség (Lightness) fogalmak====
* Az ember színlátásában a következő összetevők játszanak szerepet:
** a színárnyalat vagy színezet (hue) (ezt a hétköznapokban csak színnek szoktuk nevezni), ami a szemünkbe jutó fény hullámhosszától függ,
** a színtelítettség (saturation), ami az érzékelt fényben megtalálható, fe-hér fény százalékos összetevőjétől függ,
** és a fényerősség (brightness), amit a szemünkbe érkező fényenergia mennyisége határoz meg.

* A Gamma-korrekcióval a kép fényessége és színeinek élessége szabályozható. Ezáltal a pontos részletek a sötétben játszódó jeleneteknél jobban láthatók, és a kép mélysége is megmarad. Ha a Gamma korrekció értéke magas, a kép világosabb tónusú lesz kevésbé telt színekkel, míg ellenkező esetben sötétebb árnyalatok és valamivel teltebb színek jellemzik a képet.

* A kép világos és sötét részei közötti tónuskülönbség. Ha két kép azonos motívumot ábrázol és az egyiken két adott részlet tónusának különbsége nagyobb mint a másikon, akkor ennek nagyobb a kontrasztja.

* fényesség (Lightness), relatív világosságérzet, a felület becsült reflektanciája vagy transzmittanciája.

* A színtelítettség a szín fehér színnel való „felhígítottságának”, fátyolos-ságának mértéke. A monokromatikus színek nem tartalmaznak fehér összetevőt, ezért ezeket 100%-os telítettségű színeknek is nevezzük. Szemünk egy konkrét színezeten belül kb. 20 telítettségi fokozatot tud megkülönböztetni.

====3. Lényegkiemelés lokális információ alapján, 2D konvolúció definíciója, "peremfeltételek problémája".====
* http://www.agt.bme.hu/tutor_h/terinfor/t33a.htm#fur

* '''Peremfeltételek problémája'''

* Egy DW × DW méretű szűrő esetén a kieső képszél mérete ⌊DW/2⌋. Ha több szűrőt alkalmazunk egymás után, a kieső sáv tovább nőhet. Hogyan töltsük ki a kép szélét? Nincs elméletileg korrekt megoldás, csak heurisztikus megoldások vannak.

* Töltsük ki nullákkal!
** egyszerű
** nemkívánatos erős mesterséges éleket kaphatunk
** megzavarhatjuk a kapott képértékek újranormálását (pl.[0,255]-re)

* Töltsük ki az eredménykép átlagértékével!
** egyszerű
** kevésbé erős mesterséges éleket kaphatunk
** nem változtatjuk meg a kapott kép értéktartományát

* Töltsük ki a legközelebbi kiszámított pixelértékkel!
** kicsit bonyolultabb
** megéri?

* Tekintsük a képet periodikusnak (hengernek)!
** elfogadható, ha amúgy is feltételezzük a periodicitást (pl. Fourier transzformációhoz)
** egyébként, miért tennénk?

* Szűrés elött egy "befestési" (inpainting) eljárással terjesszük ki a képet!
** bonyolultabb és lassubb
** nem igatán éri meg, ezért nem is alkalmazzák

====4. Heurisztikus szűrőtervezés: 1: Laplace szűrő tervezése, nullátmenet (zero-cross) jelentősége====
http://www.agt.bme.hu/tutor_h/terinfor/t33a.htm

====5. Élkereső konvolúciós szűrők rövid bemutatása (Laplace, Sobel, Prewitt, Roberts, Canny)====
* Roberts
{{InLineImageLink|Valaszthato|KerteszKerdesek|roberts.png}}
* Prewitt
{{InLineImageLink|Valaszthato|KerteszKerdesek|prewitt.png}}
* Sobel
{{InLineImageLink|Valaszthato|KerteszKerdesek|sobel.png}}
{{InLineImageLink|Valaszthato|KerteszKerdesek|oper.JPG}}
====6. Canny szűrő mőködése részletesebben, hiszterézis küszöb jelentősége.====
http://en.wikipedia.org/wiki/Canny_edge_detector
====7. Heurisztikus szűrőtervezés 2: Zaj fogalma és típusai. Zajcsökkentés az egyszerű átlagolástól a súlyozott átlagon keresztül a Gauss szűrőig.====

* A zaj több eltérő frekvenciájú és intenzitású jel zavaró összessége. Érdektelen, információ tartalom nélküli adat/jel.

* Additív képfüggetlen, azaz fehér zaj:
** g(x, y) = f (x, y) + vadd (x, y)
** f (x, y) az input, g(x, y) az outputkép, v(x, y) a zaj
** tipikus csatornazaj (jeltovábbítási zaj, transmission noise)
* Nemkorrelált multiplikatív zaj:
** g(x, y) = f (x, y) · vmult (x, y)
** amplitudó-moduláció (változás)
** jellemző TV rasztersorokra

* Kvantálási zaj (hiba):
** vkvant (x, y) = gkvant (x, y) − feredeti (x, y)
** az eredeti jelérték folytonos
** a kvantált jelérték diszkrét
** a különbség véletlen zajként jelenik meg

* Só-és-borsó zaj (salt-and-pepper, or peak noise):
** pontszerű, képpel nem korreláló, véletlen
** legtöbbször szélsőértékű (fekete és fehér)
** tipikus egyes fajta űrfelvételekre

* Heurisztikus szűrés
** Nem használunk explicit matematikai zajmodellt.
** Tudjuk, hogy különböző szűrők különböző zajfajtákra alkalmasak.
*** átlagszűrő: nulla átlagú véletlen zajra
*** mediánszűrő: só-és-borsó zajra

* Átlagszűrő (mean filter ) definíciója:
** Képtérben működő lineáris simítószűrő (spatial linear smoothing filter )
** vannak más térben, pl. frekvenciatérben működő szűr ők is
** fontosak és hasznosak, de nem foglalkozunk velük
** ⇒ lásd klasszkus jel- és képfeldolgozást
** A súlyok nemnegatívak, az összegük 1
** a gyakorlatban a súlyok gyakran egész számok
** a maszk alkalmazása után a súlyok összegével normálunk

* Doboz szűrő (box filter ) definíciója
** Egyenlő súlyokkal rendelkező átlagszűrő
** legegyszerűbb és leggyorsabb átlagszűrő

* Gauss-szűrő
** A súlyokat a normáleloszlás (Gauss-eloszlás) adja.
** r 2(x, y) = x2 + y2 a maszk középpontjától való távolság.
** a maszk körszimmetrikus: csak az r -től függ
** a maszk harangalakú az exponens miatt
** A szigma paraméter szabályozza a szűrő méretét.
** nagyobb szigma ⇒ nagyobb szűrő és erősebb simítás

* http://www.agt.bme.hu/tutor_h/terinfor/t33a.htm

====8. A Gauss és Laplace szűrő kombinációja: LoG szűrő tervezése.====
http://www.agt.bme.hu/tutor_h/terinfor/t33a.htm

====9. Statisztikus szűrés, trimmelt átlag, ennek speciális esete a medián szűrő. A nemlineáris medián szűrő előnyei és hátrányai.====

{{InLineImageLink|Valaszthato|KerteszKerdesek|median.JPG}}

* A mediánszűrő eredménye az ablakban levő értékek mediánja:
** szortírozzuk az értékeket növekvő sorrendben
** kiválasztjuk a szortírozott sorozat közepén levő értéket
** ha az ablakméret páratlan, a sorozat közepe egyértelmű

* A medián robusztus statisztikai mennyiség (robust statistics)

* tulajdonságai
** Eltávolítja a só-és-borsó zajt.
** nem mossa el az éleket
** nem csökkenti a kontrasztot
** Töröl vékony vonalakat,
** ha vonalvastagság kevesebb mint a szűrőméret fele.
** ⇒ háttérpixelek többségben vannak az ablakban
** ⇒ ők adják a mediánt
** Lekerekíti a sarkokat.

====10. (Egy speciális képfeldolgozó célhardver a Celluláris Neurális Hálózat)====
====11. Lényegkiemelés globális információ alapján: Diszkrét Fourier-transzformáció és annak gyors változata. Komplex képek kezelése, logaritmikus ábrázolása. Fourier transzformáció alkalmazásának előnyei, hátrányai.====
* http://e-oktat.pmmf.hu/kepeshang_8_fejezet
*
<pre>
[X,Y] = meshgrid(1:1024,1:1024);
I=exp(-j*(0.01*X+0.02*Y));
K=imag(I);
figure(1),imagesc(K)
F=fft2(K);
F=fftshift(F);
figure(2),imagesc(real(log(F)))
</pre>

==== 12. Fourier transzformáció néhány vizsgálójelre, pont, elforgatott síkhullám transzformáltja. Írja le szavakkal, milyen eredményeket kapunk és mi ennek az oka?!====
*
<pre>
N=1024
n_cyc = 256
x = (1:N)*n_cyc/N;
I_sin(1,:)=0.5*sin(2*pi*x)+0.5;
for i=1:N
I(i,:)=im2uint8(I_sin);
end
figure(1),imshow(I)
I = imrotate(I,45,'crop');
figure(2),imshow(I)
F=fft2(I);
F=fftshift(F);
figure(3),imagesc(real(log(F)))
colormap('default')
</pre>

====13. Élkiemelő és zajszűrő tervezése frekvenciatartományban. Aluláteresztő szűrő alkalmazása veszteséges tömörítésben.====

* Ha zajszűrést szeretnénk végezni a frekvencia tartományban, akkor aluláteresztő szűrőket, ha élkiemelést, akkor felüláteresztő szűrőket kell alkalmazni.

* Alul áteresztő szűrőnél a nagyfrekvenciás komponenseket hagyjuk el, amik a gyors változásokat tárolják a képen, így a kép elmosódottabb lesz (veszteség) viszont fontosabb információkat megőriztünk tömörebben.

====14. Konvolúció alkalmazása mintaillesztésre, a konvolúció és korreláció viszonya. Ugyanez a mintaillesztés frekvenciatartományban.====

* http://e-oktat.pmmf.hu/kepeshang_8_fejezet
*
<pre>
C = imread('CT.bmp');
A = imread('A.bmp');
Ar = imrotate(A,180);
F_CT = fft2(C);
F_Ar = fft2(Ar,size(C,1),size(C,2));
F = F_CT.*F_Ar;
I = ifft2(F);
[j,i]=find(I>14*10^5)
imshow(C), hold on, plot(i,j,'r+')
</pre>

-- [[KovacsDavidBalazs]] - 2009.11.16.
-- [[KovacsBalazs|obrien]] - 2009.11.16.
-- [[MolnarMiklos|Mike]] - 2009.11.17.

[[Category:Valaszthato]]

Orvosi képfeldolgozás és vizualizáció - Kertész kérdések - Laptörténet

David14: David14 átnevezte a(z) KerteszKerdesek lapot a következő névre: Orvosi képfeldolgozás és vizualizáció - Kertész kérdések

Unknown user: Új oldal, tartalma: „{{GlobalTemplate|Valaszthato|KerteszKerdesek}} __TOC__ == Orvosi képfeldolgozás - Kertész ellenőrző kérdései == * Az egyes feladatoknál a MATLAB kódrészlete…”

Unknown user: Új oldal, tartalma: „{{GlobalTemplate|Valaszthato|KerteszKerdesek}} TOC == Orvosi képfeldolgozás - Kertész ellenőrző kérdései == * Az egyes feladatoknál a MATLAB kódrészlete…”