„Számítógépes látórendszerek - Ellenőrző kérdések: Frekvenciatartomány” változatai közötti eltérés
aNincs szerkesztési összefoglaló |
|||
| 6. sor: | 6. sor: | ||
== 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? == | == 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. | |||
===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. További előnye, hogy valós értékeket kapunk, jobb tömörítést tesz lehetővé (kevesebb nagyfrekvenciás komponens a szélek miatt), illetve egyszerűbb is. | |||
===FCT:=== | |||
1. Szimmetrikus függvény | |||
2. DFT(2N) | |||
3. 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? == | == Hogyan lehet frekvenciatartományban szűrést végezni? <br/>Mit jelent az alul- és felül-áteresztő szűrés? <br/>Milyen jellegű zajok kiszűrésére van lehetőség frekvenciatartományban, és hogyan? == | ||
== Ismertesse a konvolúció és a frekvenciatartománybeli műveletek kapcsolatát. <br/>Mit jelent a dekonvolúció? <br/>Mit jelent a Wiener dekonvolúció és mikor használjuk? == | == Ismertesse a konvolúció és a frekvenciatartománybeli műveletek kapcsolatát. <br/>Mit jelent a dekonvolúció? <br/>Mit jelent a Wiener dekonvolúció és mikor használjuk? == | ||
A lap 2015. április 15., 16:46-kori változata
Mutassa be, hogy mit jelent egy kép frekvenciatere, hogyan kell értelmezni? (Képletekre nincs szükség).
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?
Mi a DCT, miben különbözik a DFT-től?
Hogyan működik a FCT?
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.
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. További előnye, hogy valós értékeket kapunk, jobb tömörítést tesz lehetővé (kevesebb nagyfrekvenciás komponens a szélek miatt), illetve egyszerűbb is.
FCT:
1. Szimmetrikus függvény 2. DFT(2N) 3. 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)
