Портрет
<<  Создание словесного портрета Портрет выпускника ДУ  >>
Медицинские приложения
Медицинские приложения
Неразрушающая диагностика
Неразрушающая диагностика
Анализ движущихся объектов в видео
Анализ движущихся объектов в видео
Анализ движущихся объектов в видео
Анализ движущихся объектов в видео
Поиск специальных объектов (маркеров)
Поиск специальных объектов (маркеров)
Поиск специальных объектов (маркеров)
Поиск специальных объектов (маркеров)
Поиск специальных объектов (маркеров)
Поиск специальных объектов (маркеров)
Поиск специальных объектов (маркеров)
Поиск специальных объектов (маркеров)
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Обнаружение естественных объектов
Анализ спутниковых снимков
Анализ спутниковых снимков
Бинарное изображение
Бинарное изображение
Бинарное изображение
Бинарное изображение
Пороговая фильтрация
Пороговая фильтрация
Пороговая фильтрация
Пороговая фильтрация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Адаптивная бинаризация
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Пример кластеризации в 2D
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Применение k-средних для сегментации изображений по яркости
Сравнение k-средних с порогом по средней яркости
Сравнение k-средних с порогом по средней яркости
Сравнение k-средних с порогом по средней яркости
Сравнение k-средних с порогом по средней яркости
Сравнение k-средних с порогом по средней яркости
Сравнение k-средних с порогом по средней яркости
Выделение связных областей
Выделение связных областей
Выделение связных областей
Выделение связных областей
Разметка связных областей путем последовательного сканирования
Разметка связных областей путем последовательного сканирования
Разметка связных областей путем последовательного сканирования
Разметка связных областей путем последовательного сканирования
Интегральные проекции
Интегральные проекции
Применение k-средних
Применение k-средних
Выделение однородных областей методом последовательного сканирования
Выделение однородных областей методом последовательного сканирования
Выделение однородных областей методом последовательного сканирования
Выделение однородных областей методом последовательного сканирования
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Опрос по заданиям
Преобразование Хафа (Hough)
Преобразование Хафа (Hough)
Преобразование Хафа (Hough)
Преобразование Хафа (Hough)
Преобразование Хафа (Hough)
Преобразование Хафа (Hough)
Преобразование Хафа (Hough)
Преобразование Хафа (Hough)
Выделение прямых на изображении
Выделение прямых на изображении
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Изображение и фазовое пространство
Размер ячеек стоит выбирать аккуратно
Размер ячеек стоит выбирать аккуратно
Примеры работы
Примеры работы
Примеры работы
Примеры работы
Примеры работы
Примеры работы
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (с шумом)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Примеры работы (фрагменты прямых)
Преобразование Хафа
Преобразование Хафа
Преобразование Хафа
Преобразование Хафа
Преобразование Хафа
Преобразование Хафа
Пример периметров области
Пример периметров области
Пример изображения с подсчитанными характеристиками областей
Пример изображения с подсчитанными характеристиками областей
Другие инвариантные характеристики области
Другие инвариантные характеристики области
Как анализировать признаки
Как анализировать признаки
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Машинное обучение
Картинки из презентации «Анализ информации, содержащейся в изображении» к уроку изо на тему «Портрет»

Автор: vvp. Чтобы познакомиться с картинкой полного размера, нажмите на её эскиз. Чтобы можно было использовать все картинки для урока изо, скачайте бесплатно презентацию «Анализ информации, содержащейся в изображении.ppt» со всеми картинками в zip-архиве размером 2472 КБ.

Анализ информации, содержащейся в изображении

содержание презентации «Анализ информации, содержащейся в изображении.ppt»
Сл Текст Сл Текст
1Анализ информации, содержащейся в 46принадлежит B. Сканируем изображение
изображении. сверху вниз, слева направо:
2Примеры практических задач. 47Выделение однородных областей методом
Практически все задачи решают одну из (или последовательного сканирования. Пример:
обе) задачи: поиск определенных объектов 48Другие методы сегментации полутоновых
на изображении измерение параметров изображений. Существует множество методов
объектов на изображении Медицинские сегментации полутоновых изображений,
приложения; Дефектоскопия; Анализ подробнее можно посмотреть вот тут:
движущихся объектов в видеопотоке; Поиск «Выделение связных областей в цветных и
специальных объектов (маркеров); полутоновых изображениях» (статья в онлайн
Обнаружение естественных объектов; Анализ журнале).
спутниковых снимков; 49Сегментация цветных изображений. Можно
3Медицинские приложения. Пример – применять большинство методов сегментации
анализ концентрации клеток определенного полутоновых, заменив: скалярную величину
типа в крови. яркости на вектор цвета: (R, G, B),
4Неразрушающая диагностика. Пример – разность яркостей на длину вектора
автоматический поиск трещин в асфальте по разности двух цветов.
ИК изображениям. Поиск и анализ дефектов 50Опрос по заданиям. Электронный кассир
без разрушения объекта исследования Сахар и ложки Распознавание циферблата
Автоматизированный поиск дефектов по аналоговых часов Поиск клада Распознавание
изображениям. двоичных чисел.
5Анализ движущихся объектов в видео. 51Опрос по заданиям. Электронный кассир.
Обнаружение изменяющихся областей видео, 52Опрос по заданиям. Сахар и ложки.
анализ их формы и динамики изменения 53Опрос по заданиям. Распознавание
(обычно для систем безопасности). циферблата аналоговых часов.
6Поиск специальных объектов (маркеров). 54Опрос по заданиям. Поиск клада.
Для решения ряда задач требуется 55Опрос по заданиям. Распознавание
обнаружение специальных маркеров на двоичных чисел.
изображении: дорожные знаки, дорожная 56Опрос по заданиям. Что интереснее
разметка объект для калибровки камеры. Электронный кассир? Сахар и ложки?
7Обнаружение естественных объектов. Распознавание циферблата аналоговых часов?
Примеры: Обнаружение лиц Обнаружение Поиск клада? Распознавание двоичных чисел?
красных глаз на фото (для коррекции) 57Выделение на изображении объектов
Обнаружение антропометрических точек лица. определенной структуры. Преобразование
8Обнаружение естественных объектов. Хафа позволяет находить на бинарном
Примеры: Обнаружение лиц Обнаружение изображении плоские кривые, заданные
красных глаз на фото (для коррекции) параметрически, например: прямые,
Обнаружение антропометрических точек лица. окружности, эллипсы, и т.д. Бинарное
9Обнаружение естественных объектов. изображение, считаем 0 – точками фона, 1 –
Примеры: Обнаружение лиц Обнаружение «точками интереса». Задача преобразования
красных глаз на фото (для коррекции) Хафа состоит в выделении кривых,
Обнаружение антропометрических точек лица. образованных точками интереса.
10Анализ спутниковых снимков. Погода 58Преобразование Хафа (Hough). Исходное
Геологические процессы (напр. таяние изображение. Выделенные края. Найденные
ледников) Экология. прямые. Что это ?!
11Как обычно анализируются изображения. 59Основная идея метода. На примере
Если цель – поиск объектов определенной прямых: Взять все возможные прямые
природы, обычно: Предобработка изображения проходящие по изображению Для каждой
для упрощения анализа (например – посчитаем – сколько точек через нее
шумоподавление) Выделение на изображении проходит Все прямые через которые проходит
областей-кандидатов в которых может достаточное число точек - существуют.
находится искомый объект Проверка – 60Выделение прямых на изображении.
является ли фрагмент изображения Прямую на плоскости можно задать следующим
изображением нужного нам объекта. образом: x cos? + y sin? = R, R - длина
12Как обычно анализируются изображения. перпендикуляра опущенного на прямую из
Если цель – измерение параметров начала координат, ? - угол между
определенного объекта (считаем что объект перпендикуляром к прямой и осью OX, ?
уже найден): Расчет необходимых изменяется в пределах от 0 до 2? , R
характеристик изображения Расчет ограничено размерами входного изображения.
параметров реального объекта по 61Выделение прямых на изображении. Таким
характеристикам объекта на изображении. образом функция, задающая семейство
13Выделение областей-кандидатов. Как прямых, имеет вид: F (R, ?, x, y) = x cos?
найти потенциальные области где может + y sin? - R. Через каждую точку (x, y)
находиться объект? Как облегчить изображения можно провести несколько
последующую задачу проверки – тот ли прямых с разными R и ?.
объект мы нашли? 62Изображение и фазовое пространство.
14Выделение областей-кандидатов. Каждой прямой пространства (x, y)
Распространенные варианты Разделить соответствует точка фазового пространства
(сегментировать) изображение на области (R, ?). Прямые с левого рисунка образуют
однородные по каким-то признакам и синусоиду. Через одну точку можно провести
анализировать области отдельно (облегчает несколько прямых. Учитывая дискретность их
последующий анализ, но может все испортить будет конечное число.
в случае неверной сегментации) Никак не 63Формально. Рассмотрим семейство кривых
находить. Проверять все возможные на плоскости, заданное параметрическим
фрагменты изображения (ничего не уравнением: F(a1, a2, …, an, x, y) = 0;
пропускает, но требует более сложного где F - некоторая функция, a1, a2, ..., an
пост-анализа). - параметры семейства кривых, x, y -
15Выделение областей-кандидатов. координаты на плоскости. Параметры
Варианты сегментации (вообще-то их масса) семейства кривых образуют фазовое
Бинаризация изображения, анализ связных пространство, каждая точка которого
компонент Цветовая или текстурная (конкретные значения параметров a1, a2,
сегментация изображения на однородные ..., an) соответствует некоторой кривой.
области. 64Машинное представление. Ввиду
16Бинарное изображение. Пример дискретности машинного представления и
изображения для обработки. входных данных (изображения), требуется
17Как получить бинарное изображение? перевести непрерывное фазовое пространство
Общая цель – выделение на изображении в дискретное. Вводим сетку на фазовом
интересных нам объектов. Простейший пространстве Каждой ячейке сетки ставим в
вариант - пороговая фильтрация соответствие счетчик Значение счетчика
(thresholding). каждой ячейки устанавливаем равным
18Пороговая фильтрация. Простейший количеству точек интереса, через которые
случай – выделение областей, яркость проходит хотя бы одна кривая, параметры
которых выше/ниже некоторого порога которой принадлежат данной ячейке. Анализ
заданного «извне». счетчиков ячеек позволяет найти на
19Пороговая фильтрация. Более интересный изображении кривые, на которых лежит
способ – определение порога автоматически, наибольшее количество точек интереса.
по характеристикам изображения; Анализ 65Дискретизация фазового пространства.
бимодальной гистограммы. Переводим непрерывное фазовое пространство
20Анализ симметричного пика гистограммы. в дискретное. Введем сетку на пространстве
Применяется когда фон изображения дает (R, ?), одной ячейке которой соответствует
отчетливый и доминирующий пик гистограммы, набор прямых с близкими значениями R и ?.
симметричный относительно своего центра. Счетчик ставится в соответствие каждой
Сгладить гистограмму; Найти ячейку ячейке сетки [Ri, Ri+1]x[?i,?i+1], равный
гистограммы hmax с максимальным значением; числу точек интереса на изображении,
На стороне гистограммы не относящейся к удовлетворяющих уравнению: x cos? + y sin?
объекту (на примере – справа от пика фона) = R, где ?i ? ? ? ?i+1, Ri ? R ? Ri+1.
найти яркость hp, количество пикселей с 66Размер ячеек стоит выбирать аккуратно.
яркостью >= hp равняется p% (например Если ячейки будут очень большими, то за
5%) от пикселей яркости которых >= «прямую» может приниматься разрозненный
hmax; Пересчитать порог T = hmax - (hp - набор точек. Если же наоборот, ячейки
hmax); будут слишком малы, есть вероятность, что
21Адаптивная бинаризация. Необходима в ни одной прямой не найдется – все счетчики
случае неравномерной яркости фона/объекта. будут иметь небольшое значение.
22Адаптивная бинаризация. Необходима в 67Алгоритм выделения прямых. В общем
случае неравномерной яркости фона/объекта. случае алгоритм поиска прямой на
Для каждого пикселя изображения I(x, y): В изображении при помощи преобразования Хафа
окрестности пикселя радиуса r выглядит так: Обнулить счетчики всех
высчитывается индивидуальный для данного ячеек; для каждой точки интереса на
пикселя порог T; Если I(x, y) > T + C , изображении: для каждой прямой, проходящей
результат 1, иначе 0; Варианты выбора T: T через данную точку увеличить
= mean T = median T = (min + max) / 2. соответствующий счетчик; выбрать ячейки со
23Адаптивная бинаризация. Исходное. r=7, значением счетчика, превышающим заданный
C=7. r=75, C=10. r=7, C=0. порог;
24Алгоритм k-средних. Дано: Набор 68Преобразование Хафа (Hough). Исходное
векторов xi i=1,…,p; k – число кластеров, изображение. Выделенные края. Найденные
на которые нужно разбить набор xi; Найти: прямые. Фазовое пространство.
k средних векторов mj j=1,…,k (центров 69Примеры работы.
кластеров); отнести каждый из векторов xi 70Примеры работы (с шумом).
к одному из k кластеров; Метод k-средних – 71Примеры работы (фрагменты прямых).
метод кластеризации данных. Целью задачи 72Преобразование Хафа. Искать можно не
кластеризации является разбиение множества только прямые!
объектов на классы (кластеры) на основе 73Преобразование Хафа. Подробнее:
некоторой меры сходства объектов. http://cgm.graphicon.ru/metodyi/hough_tran
25Алгоритм k-средних. Случайным образом form.html
выбрать k средних mj j=1,…,k; Для каждого http://cgm.graphicon.ru/mashinnoe_zrenie_c
xi i=1,…,p подсчитать расстояние до _i_obrabotka_izobrazheniy/parametric_curve
каждого из mj j=1,…,k, Отнести (приписать) _recognition_by_hough_transform.html.
xi к кластеру j’, расстояние до центра 74Как анализировать найденные области?
которого mj’ минимально; Пересчитать Для машинного анализа требуется вычислить
средние mj j=1,…,k по всем кластерам; некоторые числовые характеристики
Повторять шаги 2, 3 пока кластеры не (признаки) областей: Например:
перестанут изменяться; геометрические признаки фотометрические
26Алгоритм k-средних. Вариант k-средних признаки.
для бинаризации Выбрать порог T равным 75Геометрические признаки. Для каждой
середине диапазона яркостей; Вычислить области можно подсчитать некий набор
среднюю яркость всех пикселей с яркостью простейших числовых характеристик: Площадь
< T m1, аналогично m2 для пикселей с Периметр Компактность Ориентацию главной
яркостью > T; Пересчитать порог T = (m1 оси инерции Удлиненность (эксцентриситет)
+ m2) / 2; Повторять шаги 2, 3 порог не На основе этих характеристик можно
перестанет изменяться; классифицировать получаемые области.
27Пример кластеризации в 2D. Исходные 76Анализ формы связных областей. Площадь
данные. – количество пикселей в области; Периметр
28Пример кластеризации в 2D. Случайная – количество пикселей принадлежащих
инициализация центров кластеров (шаг 1). границе области; Компактность – отношение
29Пример кластеризации в 2D. Кластеры квадрата периметра к площади; Наиболее
после первой итерации (шаг 2). компактная фигура – круг, .
30Пример кластеризации в 2D. Пересчет 77Подсчет периметра области. Пиксель
центров кластеров после первой итерации лежит на границе области, если он сам
(шаг 3). принадлежит области и хотя бы один из его
31Пример кластеризации в 2D. Кластеры соседей области не принадлежит.
после второй итерации (шаг 2). (внутренняя граница) Пиксель лежит на
32Пример кластеризации в 2D. Стабильная границе области, если он сам не
конфигурация после четвертой итерации. принадлежит области и хотя бы один из его
33Применение k-средних для сегментации соседей области принадлежит. (внешняя
изображений по яркости. Рассматриваем граница) Периметр зависит также от того
одномерное пространство яркостей пикселей 4-х или 8-ми связность используется для
и производим в нем кластеризацию с помощью определения соседей.
k-средних. Это дает автоматическое 78Пример периметров области. Область.
вычисление яркостных порогов. (Для Внутренняя граница. Внешняя граница.
получения бинарного изображения k=2). 79Статистические моменты области.
34Сравнение k-средних с порогом по Дискретный центральный момент mij области
средней яркости. После лекции был задан определяется следующим образом: N – общее
вопрос: чем отличается сегментация с количество пикселей в области.
помощью k-средних на 2 кластера от 80Инвариантные характеристики области.
простейшей пороговой бинаризации по Для распознавания нас интересуют
средней яркости изображения? Пример: В характеристики инвариантные по отношению к
причинах предлагается разобраться масштабированию, переносу, повороту:
самостоятельно. K-средних. Порог по Удлиненность, нецентрированность
средней яркости. (эксцентриситет) Компактность.
35Выделение связных областей. 81Ориентация главной оси инерции. Не
Определение связной области: Множество является инвариантной к повороту, но в
пикселей, у каждого пикселя которого есть ряде случаев предоставляет полезную
хотя бы один сосед, принадлежащий данному информацию об ориентации объекта:
множеству. Соседи пикселей: 4-связность. 82Пример изображения с подсчитанными
8-связность. характеристиками областей.
36Разметка связных областей. 1. 1. 2. 2. 83Другие инвариантные характеристики
2. 1. 1. 2. 2. 2. 3. 4. 4. 5. 4. 4. 4. 6. области.
6. 6. 6. 6. 7. Бинарное изображение. 84Фотометрические признаки. Для каждой
Размеченное изображение. области можно подсчитать некий набор
37Рекурсивная разметка связных областей простейших числовых характеристик: Средняя
1. Void labeling(bit* img[], int* яркость Средний цвет (если изображение
labels[]) { // labels должна быть обнулена цветное) Гистограмма распределения
L = 1; for(y = 0; y < H; y++) for(x = яркостей (или три гистограммы
0; x < W; x++) { fill(img, labels, x, распределения R, G, B) Дисперсию (разброс)
y, L++); } }. яркостей или цвета Разумеется, все это
38Рекурсивная разметка связных областей считается не по бинарному изображению.
2. void Fill(BIT* img[], int* labels[], 85Как анализировать признаки. Как
int x, int y, int L) { if( (labels[x][y] = воспользоваться признаками для
= 0) && (img[x][y] = = 1) ) { классификации? Подобрать диапазоны
labels[x][y] = L; if( x > 0 ) Fill(img, значений для разных классов вручную,
labels, x – 1, y, L); if( x < W - 1 ) экспериментально (может быть весьма
Fill(img, labels, x + 1, y, L); if( y > трудоемко) Подобрать диапазоны значений
0 ) Fill(img, labels, x, y - 1, L); if( y графически (нужна база для тренировки,
< H - 1 ) Fill(img, labels, x, y + 1, трудно, если признаков много) Найти
L); } }. диапазоны с помощью методов машинного
39Разметка связных областей путем обучения (нужна база для тренировки и
последовательного сканирования. знания в области машинного обучения).
Последовательно, сканируем бинарное 86Как анализировать признаки. Пример –
изображение сверху вниз, слева направо: ложки и сахар.
Постобработка - переразметка с учетом 87Ручной подбор. Из общих соображений:
эквивалентностей областей. if A = O do Ложки более вытянутые, чем сахарные
nothing else if (not B labeled) and (not C кусочки Ложки больше чем сахарные кусочки
labeled) increment label numbering and Сахарные кусочки квадратные Области
label A else if B xor C labeled copy label появляющиеся из-за шума обычно небольшие и
to A else if B and C labeled if B label = неквадратные Пытаемся сконструировать
C label copy label to A else copy either B решающее правило, проверяем
label or C label to A record equivalence экспериментально Может быть весьма
of labels. утомительно.
40Разметка связных областей путем 88Графический анализ. Собрать
последовательного сканирования. Случай тренировочную базу изображений Где только
конфликта: Постобработка - переразметка с ложки Где только сахар Где только шум Как
учетом эквивалентностей областей. получить такие? Да просто закрасить все
41Интегральные проекции. Интегральные остальное. Брать признаки и строить
проекции – простой, но мощный инструмент графики.
анализа изображений. Определяются 89Графический анализ. Диаграмма
следующим образом: распределения эксцентриситета (проблема –
42Интегральные проекции. Использование не получается отличить шум от ложек).
интегральных проекций для обнаружения 90Графический анализ. График
объектов: Плюсы: менее чувствительны к распределения эксцентриситета и площади
«разрывам» очень быстро вычисляются. (гораздо лучше – можем подобрать значения
43Сегментация полутоновых и цветных порогов).
изображений. Выделение областей однородных 91Графический анализ. Удобнее, но при
по: Яркости Цвету Текстуре и т.д. большом кол-ве признаков все равно тяжело…
44Применение k-средних. Сегментация 92Машинное обучение. Собрать
изображения на области однородной яркости тренировочную базу изображений Где только
методом k-средних. k = 4. ложки Где только сахар Где только шум Как
45Применение k-средних. K-средних не получить такие? Да просто закрасить все
учитывают пространственное расположение остальное. Заложить эти данные в один из
пикселов, что не всегда удобно. Для алгоритмов машинного обучения.
K-средних требуется знать число k 93Машинное обучение. Алгоритмы машинного
изначально. обучения не входят в программу этого
46Выделение однородных областей методом курса, поэтому коротко: Их существует
последовательного сканирования. If I(A) – большое количество Применять их нужно с
iavg(cl(b)) > ? and I(A) – iavg(cl(c)) пониманием их возможностей и потенциальных
> ? - создаем новую область, проблем Намного более надежный способ,
присоединяем к ней пиксел A if I(A) – нежели ручной.
iavg(cl(b)) < ? xor I(A) – iavg(cl(c)) 94Машинное обучение. Рассмотрим один
< ? – добавить A к одной из областей if пример – деревья решений. Деревья решений
I(A) – iavg(cl(b)) < ? and I(A) – – это способ представления правил в
iavg(cl(c)) < ? : iavg(cl(b)) - иерархической, последовательной структуре.
iavg(cl(c)) < ? – сливаем области B и 95Машинное обучение. Конструирование
C. Iavg(cl(b)) - iavg(cl(c)) > ?– деревьев решений описано, например, тут:
добавляем пиксел A к тому классу, http://www.basegroup.ru/trees/description.
отклонение от которого минимально. I(A) – tm Пример использования дерева решений –
яркость пиксела A cl(b) – область к старая компьютерная игра animal
которой принадлежит пиксел B iavg(cl(b)) – (самообучающаяся программа разгадки слов).
средняя яркость области к которой
Анализ информации, содержащейся в изображении.ppt
http://900igr.net/kartinka/izo/analiz-informatsii-soderzhaschejsja-v-izobrazhenii-102432.html
cсылка на страницу

Анализ информации, содержащейся в изображении

другие презентации на тему «Анализ информации, содержащейся в изображении»

«Создание графических изображений» - Вставить рисунок из коллекции в текст. Вставка ? Рисунок ? Картинки. Вставка картинки из коллекции Microsoft Office. Сравнительная характеристика растровой и векторной графики. Задание 4. Создать рисунок, состоящий из автофигур. Границы полотна. Задание 2. Вставка картинки из коллекции Microsoft Word.

«Векторная и растровая графика» - Все изображения можно разбить на мельчайшие части. Недостатки векторной графики. Растровые рисунки могут быть легко распечатаны на принтерах. Формирование изображения в растровых редакторах. Достоинства векторной графики. Векторная графика не позволяет получать изображений фотографического качества.

«Компьютерное изображение» - Отображение ночного тона на дневной. Обработка изображений. На лекции. Реконструкция формы головы по фотографиям (4). Исходное изображение. Криволинейные поверхности (зеркальное отражение). Определение видимых линий. Реконструированная модель. Реконструкция сцены и фотомонтаж. Основные понятия. Основная задача алгоритмов компьютерной графики – создание изображений по модели.

«Изображения в ворде» - 7. Нажать левой кнопкой мыши ВСТАВИТЬ. 1. Поставить курсор, где необходимо вставить изображение. Вставка изображения из коллекции в ворд. 4. Нажмите левой кнопкой мыши ИЗ ФАЙЛА. 3. Нажмите левой кнопкой мыши РИСУНОК. Вставка изображения (из коллекции и из файла) в документ Word. 4. Нажмите левой кнопкой мыши КАРТИНКИ.

«Изображение в Word» - Панель инструментов - рисование. Выбор линий, стрелок, фигур. Рассмотрите меню панели Рисования. Панель инструментов – Настройка изображения. Для создание надписи. Две кнопки на панели Рисования помогут добавит картинку, добавить рисунок. Для красочного оформления вашего документа. Изменение яркости.

«Редактирование изображений» - Просто «Пейзаж». Исходное изображение Изображение после редактирования. Дискета. Программа элективного курса «Создание и редактирование изображений». Исходная фотография. Редактирование изображений. Рисунки, выполненные средствами «Adobe Photoschop». Примеры рисунков.

Портрет

14 презентаций о портрете
Урок

Изо

31 тема
Картинки
900igr.net > Презентации по изо > Портрет > Анализ информации, содержащейся в изображении