„Számítógépes látórendszerek - Ellenőrző kérdések: Frekvenciatartomány” változatai közötti eltérés

VizuálisWikiszöveges

@@ 1. sor: / 1. sor: @@
 {{Vissza|Számítógépes látórendszerek}}
+== Mutassa be, hogy mit jelent egy kép frekvenciatere, hogyan kell értelmezni? (Képletekre nincs szükség). <br/>Hogyan hat egy objektum pozíciója és orientációja a frekvenciatartománybeli képre? ==
+A kép frekvenciatere megadja azon komplex exponenciális komponensek együtthatóját, amelyekből a kép előállítható. Két dimenziós kép esetén a frekvenciatartomány is két dimenziós lesz. Mivel egy kép diszkrét pontokból áll, ezért a frekvenciatartomány periodikus lesz, azonban ennek csak az első periódusát ábrázoljuk, mivel a többi nem tartalmaz plusz információt. Továbbá mivel a pixelek a képen nyilvánvalóan valós értékűek, ezért a frekvenciatartományban komplex konjugált párokat kell kapnunk.
+Egy kép frekvenciaterében az egyes komponensekhez hasonlóan az egy dimenziós esethez két jellemző tartozik: a fázis és az amplitúdó. Lényeges különbség azonban, hogy egy komponenst már két koordináta azonosítja (k és l). Ezek a koordináták határozzák meg a képtartományban a szinuszos hullámok orientációját (ha az egyik nulla, akkor tengelyirányú), illetve periódusát.
+Eltolás a képtartományban nincs hatással az amplitúdókarakterisztikára a frekvenciatartományban (csak a fázisra). A forgatás már hatással van mind a két jellemzőre, de az amplitúdó karakterisztika esetén egy képtartománybeli forgatás az amplitúdó karakterisztikában is egy forgatásként jelenik meg.
+== Mit jelent az FFT? Hogyan működik az algoritmus? <br/>Mi a DCT, miben különbözik a DFT-től? <br/>Hogyan működik a FCT? <br/>Miért lehet jól alkalmazni ezt az algoritmust tömörítés során és hogyan? ==
+===FFT: Fast Fourier Transformation===
+Algoritmus működése: 2N méretű adathalmazon működik. Lényegében a problémát mindig megfelezi a páros és páratlan komponensek mentén, egészen addig, amíg már csak egy pár marad, amire már triviálisan számolható a feladat. Az így kapott eredményeken azonban minden fokozat végén pillangó műveleteket kell végezni. Két dimenziós esetben először vízszintes, majd függőleges irányban.
+Megjegyzés az értelmezéshez: Fourirer transzformálni csak periodikus jeleket lehet, ezt úgy biztosítjuk, hogy a képet ''végtelenszer'' ismételjük az x és y irányokban (pusztán elméleti értelemben, nyilván).
+===DCT vs DFT:===
+Koszinusz transzformáció esetén olyan, mintha a kép tükörképe lenne a kép után x és y irányban, ennek megfelelően, nincsenek olyan hirtelen ugrások, mint DFT esetén (ez energiatömörítés, kisebb lesz a spektrum integrálja). További előnye, hogy valós értékeket kapunk, jobb tömörítést tesz lehetővé (kevesebb nagyfrekvenciás komponens a szélek miatt), illetve egyszerűbb is.
+* '''DCT''': Discrete Cosine Transform
+* '''DFT''': Discrete Fourier Transform
+===FCT: Fast Cosine Transform===
+# Szimmetrikus függvény
+# DFT(2N)
+# Pozitív tartomány
+===Adattömörítés===
+Jóval kisebb intenzitású nagyfrekvenciás komponensek, mivel nincs hirtelen átmenet a kép széleinél, mint DFT esetén. (kevesebb információt vesztünk el a nagyfrekvenciás komponensek eldobásával)
+== Hogyan lehet frekvenciatartományban szűrést végezni? <br/>Mit jelent az alul- és felül-áteresztő szűrés? <br/>Milyen jellegű zajok kiszűrésére van lehetőség frekvenciatartományban, és hogyan? ==
+'''Szűrés frekvenciatartományban:''' Az egyes frekvenciatartománybeli komponenseket meghatározott értékekkel szorozzuk meg, attól függően, hogy milyen ezeknek az értékeknek az eloszlása (milyen frekvenciákon csillapít, átereszt, erősít) az egyes szűrőket csoportosíthatjuk. A szűrés frekvenciatartományban egy egyszerű szorzással valósítható meg, ellenben a képtartománnyal, ahol az konvolúcióval számítható. <br/>
+'''Aluláteresztő szűrő:''' Ebben az esetben alacsonyabb frekvenciás komponensek súlya nagyobb, mint a magasabb frekvenciásoké. <br/>
+'''Felüláteresztő szűrő:''' Ebben az esetben magasabb frekvenciás komponensek súlya nagyobb, mint az alacsonyabb frekvenciásoké. <br/>
+'''Zajszűrés frekvenciatartományban:''' Periodikus zajok nagyon jól kiszűrhetőek, mivel frekvenciatartományban jól körülhatárolható komponensek okozzák őket. Elméletileg ez megoldható lenne képtartományban is, de túl költséges lenne, mert nagyon nagy kernel kellene hozzá a szűrő jellege miatt (lyukszűrő?). Aluláteresztő szűrővel a nagyfrekvenciás zaj is jól kiszűrhető. Felüláteresztő szűrővel az élek, körvonalak jól meghatározhatóak. <br/>
+== Ismertesse a konvolúció és a frekvenciatartománybeli műveletek kapcsolatát. <br/>Mit jelent a dekonvolúció? <br/>Mit jelent a Wiener dekonvolúció és mikor használjuk? ==
+'''Konvolúció a frekvenciatartományban:''' A szűrés frekvenciatartományban egy egyszerű szorzással valósítható meg, ellenben a képtartománnyal, ahol az konvolúcióval számítható. <br />
+'''Dekonvolúció:''' A dekonvolúció során adott egy kép, amely valamely kernellel végzett konvolúció eredménye. A cél az eredeti kép meghatározása. A feladathoz elengedhetetlen a kernel nagyságrendi ismerete vagy sejtése. Tipikus felhasználási terület: defókuszált kép élesítése. <br />
+'''Wiener-dekonvolúció:''' Annyiban nehezebb problémát old meg, hogy feltételezi, hogy a konvolúció során előálló kép zajjal terhelt. Tehát nem a konvolúció eredményén dolgozik, hanem annak egy additív zajjal terhelt változatán. Egy frekvenciatartománybeli eljárásról van szó, amely azokon a frekvenciákon jobban csillapít, ahol a jel-zaj viszony rosszabb. <br />