Kuvanlaadunparantaminen. Mikko Nuutinen
|
|
- Oskari Melasniemi
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Kuvanlaadunparantaminen Mikko Nuutinen
2 Luennon sisältö Termistöä Kuvanentisöinti Terävyys unsharp masking Kohina non-local means Linssivääristymän korjaus Kuvanlaadunehostaminen Kontrasti Auto-levels Retinex
3 Oppimistavoitteet Periaatteellinen ero kuvanentisöinnin ja kuvanlaadunehostamisen välillä Kuvan terävöitys unsharp masking Kuvan kohinanpoisto gaussin- ja mediaanisuodin NLmeans -menetelmä Kuvan kontrastin kasvattaminen auto-levels retinex
4 Kuvanlaadunparantamisen termistöä Kuvanentisöinnin image restoration tarkoitus on korjata kuva vastaamaan alkuperäistä näkymää Yleisesti tarkoituksena on poistaa tai kompensoida kuvan taltioinnissa syntynyt laatuvika joka vääristää kuvaa verrattaessa sitä alkuperäiseen näkymään Laatuvikoja ovat mm. epäterävyys kohina linssivirhe Kuvanehostamisella image enhancement pyritään lopputulokseen joka on visuaalisesti mahdollisimman miellyttävä Menetelmästä riippuen kuvaa voidaan samanaikaisesti sekä ehostaa että entisöidä; raja menetelmien välillä on muutenkin hieman epäselvä
5 Kuvanentisöinti - kuvan yleinen heikennysmalli Kuvan entisöinti pohjautuu perinteisesti kuvan heikennysmalliin Yleinen malli spatiaalisessa avaruudessa g x y h x y f x y n x y h x y funktio laatuheikennykselle nx y funktio kohinalle fx y alkuperäinen kuva Sama taajuusavaruudessa G u v H u v F u v N u v Kuvanentisöinnin päämäärä on estimoida fxy
6 Kuvanentisöinti tavoite on löytää alkuperäinen signaali Alkuperäinen näkymä Alipäästösuodatus: Esimerkiksi kameran näytteistys aiheuttaa pisteenleviämistä Kohina: Esimerkiksi kamerassa useita kohinalähteitä Kuvanentisöinnin tavoite on löytää alkuperäinen signaali näkymä vääristyneestä signaalista
7 Kuvanehostaminen tavoite on tuottaa visuaalisesti mahdollisimman miellyttävä lopputulos Kuva näkymästä Kuvan kontrastia kasvatettu Kuvaa yliterävöitetty* Kuvanehostamisessa on tavoitteena muokata kuva visuaalisesti mahdollisimman miellyttäväksi * Huomaa ero kuvanentisöinnissä tapahtuvaan terävöitykseen joka kompensoi kuvauksessa tapahtunutta epäterävöitymistä kun taas kuvanehostuksessa terävöitys muokkaa kuvaa visuaalisesti mahdollisimman miellyttäväksi
8 Kuvan entisöinti - epäterävöitys Kuvan epäterävöityminen voidaan yleistää tapahtuvaksi epäterävyys-funktion konvoluutiolla Epäterävyys-funktioita mm. kameran pisteenleviämisfunktio ja liike-epäterävyys Alkuperäinen kuva Liike-epäterävä kuva
9 Kuvan entisöinti - epäterävöitys Käänteissuodatus Jos epäterävyysfunktio on tiedossa niin yksinkertaisin tapa palauttaa alkuperäinen kuva on käänteissuodatus eli käänteiskonvoluutio Heikennysmalli taajuusavaruudessa Fourier Käänteissuodatus alkuperäiselle kuvalle Fuv v u N v u F v u H v u G v u H v u N v u H v G u v u F Toimisi hyvin jos kuvassa ei olisi kohinaa!
10 Kuvan entisöinti - epäterävöitys Käänteissuodatus ilman kohinaa Liike-epäterävä kuva kun prosessissa ei ole kohinalähteitä Entisöity liike-epäterävä kuva =palautettu alkuperäinen kuva G u v H u v F u v F u v G u v H u v Esimerkiksi yksittäiselle kameralle voisi mitata epäterävyysfunktion ja näin ollen tuotetun kuvan voisi palauttaa vastaamaan alkuperäistä näkymää mutta koska kuvassa on käytännössä aina kohinaenergiaa niin tämä ei ole mahdollista
11 Kuvan entisöinti - epäterävöitys Käänteissuodatus kuvassa kohinaa v u H v u N v u H v G u v u F v u N v u F v u H v u G Liike-epäterävä kuva kun prosessiin on lisätty kohinalähde Entisöity liike-epäterävä kuva
12 Kuvan entisöinti/ehostus epäterävöitys unsharp masking Unsharp-masking on yleisesti käytössä useassa kuvankäsittelyohjelmistossa Menetelmä tuottaa ylipäästökuvan unsharp mask USM vähentämällä kuvasta kuvan sumennetun version Kuvan terävöitys toteutetaan kolmen kuvan avulla: ylipäästökuva alkuperäinen kuva sekä korkeamman kontrastin alkuperäinen kuva Terävöitetty kuva syntyy niin että jos USM saa pienen arvon niin käytetään alkuperäisen kuvan intensiteettiarvoja ja jos USM saa korkean arvon niin käytetään korkeamman kontrastin kuvan pikseliarvoja
13 Kuvan entisöinti/ehostus epäterävöitys unsharp masking - = Tuotetaan terävöitetty kuva valitsemalla pikseliarvot joko korkeamman kontrastin kuvasta tai alkuperäisestä kuvasta riippuen ylipäästökuvan intensiteettiarvoista = Korkeamman kontrastin kuva Ylipäästökuva Alkuperäinen kuva Terävöitetty kuva Tuotetaan ylipäästökuva vähentämällä sumennettu versio alkuperäisestä
14 Kuvan entisöinti/ehostus epäterävöitys unsharp masking Unsharp masking ei kasvata kuvan resoluutiota vaikka se saa esimerkiksi tekstidokumentin näyttämään terävämmältä Prosessi ei tuota ideaalista terävää reunaa vaan se yli- ja alivahvistaa reuna-alueita Alkuperäinen Terävöitetty
15 Kuvan entisöinti/ehostus epäterävöitys unsharp masking Alkuperäinen Terävöitetty
16 Kuvan entisöinti - kohina Kuvassa esiintyvällä kohinalla tarkoitetaan kirkkauden satunnaista vaihtelua kuvassa Yleisiä kohinatyyppejä kuvaprosessoinnin alueella: Gaussinen kohina on pikseliriippumatonta eli se vaihtelee satunnaisesti eikä ole riippuvaista pikseliarvosta tai naapuripikseleistä Suola-pippuri -kohina on impulsiivinen kohina joka havaitaan tummina pisteinä vaaleilla kuva-alueilla ja vastaavasti vaaleina pisteinä tummilla alueilla. Johtuu esimerkiksi kameran kennon ns. kuolleista pikseleistä Raekohina on kuvan vaaleilla alueilla esiintyvä kohinatyyppi joka johtuu sensorin havaitsemien fotonien lukumäärän vaihtelusta
17 Kuvan entisöinti - kohina Gaussin / keskiarvoistava suodin Jokainen pikseli saa naapurustoalueen keskiarvoisen intensiteettiarvon Vähentää kohinaa mutta samalla myös kuvan yksityiskohtia Ei toimi hyvin Suola-pippuri-kohinan tapauksessa Sopii paremmin raekohinalle Suodatetussa kuvassa vaaleita läiskiä Suola-pippuri-kohina Keskiarvoistavalla suotimella suodatettu suola-pippuri-kohinainen kuva
18 Kuvan entisöinti - kohina Mediaani-suodin Naapuruston pikselit lajitellaan pienimmästä suurimpaan arvoon ja valitaan pikselin arvoksi mediaani Vähentää varsinkin suola-pippuri kohinaa Suola-pippuri-kohina Mediaanisuotimella suodatettu suolapippuri-kohinainen kuva
19 Kuvan entisöinti - kohina Non-Local Means -algoritmi Taustateoria: jos esimerkiksi yhdeksän saman väriarvon pikseliä keskiarvoistetaan niin pikselin kohinakeskihajonta keskimäärin pienenee kolmannekseen; tai vastaavasti 16 pikselin keskiarvo pienentää hajonnan neljäsosaan Idea: Non-Local Means etsii kuvasta näitä saman väriarvon pikseleitä; ajatuksena on että pikseleiden ei tarvitse olla lähellä toisiaan vrt. keskiarvoistava suodin ja kuvan yksityiskohdat säilyvät mahdollisesti paremmin Miten samankaltaiset pikselit löydetään? p1 p8 p1 p2 p3 p4 p5 P6 p7 p8 p9 p2 p9 p4 p3 p5 p7 p6
20 Kuvan entisöinti - kohina Non-Local Means -algoritmi Haetaan käsiteltävälle pikselille väriltään samanlaisia pikseleitä etsimällä samankaltaisia naapurustoalueita / blokkeja Samankaltaisuus lasketaan blokkikohtaisesti lasketuilla euklidisilla etäisyyksillä Euklidinen etäisyys määrittää painokertoimen sille miten löydettyä samankaltaista pikseliä painotetaan keskiarvoistavassa kohinasuodatuksessa. Esim. kuvan blokkien q1 ja q2 keskipisteen väriarvot saavat korkean painotuskertoimen kun taas blokin q3 saa matalan kun pisteelle p lasketaan uusi kohinasuodatettu estimaatti A. Buades B. Coll J.M. Morel "A review of image denoising algorithms with a new one" Multiscale Modeling and Simulation
21 Kuvan entisöinti - kohina NL Means -algoritmi A. Buades B. Coll J.M. Morel "A review of image denoising algorithms with a new one" Multiscale Modeling and Simulation
22 Kuvan entisöinti - kohina NL Means menetelmä NL Means menetelmä toimii varsin hyvin ainakin jos kohina on tyypiltään Gaussista
23 Kuvan entisöinti - kohina NL Means menetelmä On-line demo
24 Linssivääristymän korjaaminen Linssivääristymä luokitellaan tyyny- tai tynnyrivääristymäksi Etenkin heikkolaatuisen kameran optiikka saattaa tuottaa molempia vääristymätyyppejä samanaikaisesti
25 Linssivääristymän korjaaminen Lasketaan uudet pikselisijainnit linssivääristymän korjausyhtälön avulla Jos vääristymä on tynnyrivääristymä niin K1 on positiivinen ja jos vääristymä on tyynyvääristymä niin K1 on negatiivinen Parametri K1 siirtää korjatun kuvan pikselisijainteja joko lähemmäksi tai kauemmaksi kuvan optisesta keskipisteestä missä: = vääristyneen kuvapisteen sijainti = korjatun kuvapisteen sijainti = optinen keskipiste = radiaalinen vääristymävakio = tangentiaalinen vääristymävakio =
26 Linssivääristymän korjaaminen Tynnyrivääristymä Korjattu tynnyrivääristymä
27 Kuvanlaadunehostaminen - kontrasti Heikko kontrasti on yleinen ongelma varsinkin matalalaatuisilla kameroilla otetuissa kuvissa
28 Kuvanlaadunehostaminen - kontrasti Auto-levels menetelmä Histogrammi-perustainen menetelmä joka löytyy jossakin muodossa lähes kaikista kuvankäsittelyohjelmista Yksinkertainen toteuttaa ja laskea Auto-levels menetelmä aloittaa etsimällä kuvan histogrammin minimi- ja maksimiarvot Minimi- ja maksimiarvojen avulla intensiteettiarvot levitetään koko skaalalle output = input input_low input_high input_low 1/gamma
29 Kuvanlaadunehostaminen - kontrasti Auto-levels menetelmä Auto-levels
30 Kuvanlaadunehostaminen - kontrasti Auto-levels menetelmä Auto-levels
31 Kuvanlaadunehostaminen - kontrasti Auto-levels menetelmä Auto-levels Tässä tapauksessa kuvan kohde erottuu ehkä huonommin prosessoinnin jälkeen. Tämä johtuu siitä että auto-levels on globaali menetelmä ja alkuperäisen kuvan intensiteettijakauma on valmiiksi laaja
32 Kuvanlaadunehostaminen - kontrasti Multiscale Retinex with Color Restoration menetelmä Retinex on alun perin Edwin Landin 1971 kehittämä malli ihmisen näköjärjestelmälle Näköjärjestelmän mallintamisen lisäksi jo Land itse ehdotti Retinex:in käyttämistä kuvankorjauksessa Perusidea on prosessoida kuva niin että se muistuttaa enemmän havaittua näkymää Retinex terävöittää kuvaa pakkaa sen dynamiikkaa sekä tekee valkotasapainoprosessointia Alkuperäinen teoria perustuu ns. satunnaissiirtymä random walk konseptiin Satunnaissiirtymä-konseptissa pikselin kirkkaus lasketaan useiden satunnaisesti valittujen polkujen päätepikselien intensiteettien suhteiden keskiarvosta i n i j k k=1 /n
33 Kuvanlaadunehostaminen - kontrasti Single Scale Retinex menetelmä Nykyään perus-retinex perustuu pikselin ja alipäästetyn kuvan pikselin suhteeseen Käytössä on single-scale SSR multi-scale MSR ja multi-scale with color restoration MSRCR Retinex-menetelmät Käytännössä kuvan pikseliarvot jaetaan gaussisesti suodatetun kuvan pikseliarvoilla. F on gaussin-suodatin R x y log I i jossa I i i x y log F x y I x y x y on kuvan kanavan i intensiteettijakauma i
34 Kuvanlaadunehostaminen - kontrasti Single Scale Retinex menetelmä Kuva jaetaan pikselikohtaisesti gaussisesti suodatetulla kuvalla Alkuperäinen kuva Gaussisesti suodatettu kuva Retinex-menetelmän tulos
35 Kuvanlaadunehostaminen - kontrasti Multiscale Retinex menetelmä Koska keskialue/tausta operaattorin taustan leveys = suotimen leveys vaikuttaa sävyntoistoon niin käyttämällä useampaa skaalaa saadaan usein parempilaatuisia kuvia Kapea tausta tuottaa haaleat sävyt mutta tuo yksityiskohtia esille Leveä tausta säilyttää sävyinformaation mutta kuvan yksityiskohdat tummassa ja vaaleassa päässä eivät säily R x y i jossa W k 1 k K W k log I i x y log on skaalan k painokerroin F k x y I i x y
36 Kuvanlaadunehostaminen - kontrasti Multiscale Retinex menetelmä Z. Rahman D.J. Jobson G.A. Woodel Retinex Processing for Automatic Image Enhancement Journal of Electronic Imaging
37 Kuvanlaadunehostaminen - kontrasti Multiscale Retinex with Color Restoration menetelmä Yleinen Retinex-funktio tekee kuvista harmahtavia jos ne rikkovat harmaa-maailma* oletusta lokaalisti tai globaalisti Tähän on kehitetty kanavakohtainen värinkorjaus-funktio N on kanavien lukumäärä jossa log 1 N n n i i y x I y x NI y x K k i k i k i i y x I y x F y x I W y x a y x R 1 log log Käytännössä jos yksittäisen kanavan intensiteetti on suuri suhteessa toisiin kanaviin niin kyseinen kanava saa suuren painokertoimen *harmaa-maailma oletuksen mukaan kuvan keskimääräinen sävy on keskiharmaa
38 Kuvanlaadunehostaminen - kontrasti Multiscale Retinex with Color Restoration menetelmä Z. Rahman D.J. Jobson G.A. Woodel Retinex Processing for Automatic Image Enhancement Journal of Electronic Imaging
39 Kuvanlaadunehostaminen - kontrasti Multiscale Retinex with Color Restoration menetelmä MSRCR
40 Kuvanlaadunehostaminen - kontrasti Multiscale Retinex with Color Restoration menetelmä MSRCR
41 Kuvanlaadunehostaminen - kontrasti Multiscale Retinex with Color Restoration menetelmä MSRCR
42 Kuvanlaadunehostaminen - kontrasti MSRCR+Auto-levels Auto-levels ei toimi tai paranna kuvaa jos kuvassa on samanaikaisesti paljon tummia ja kirkkaita pikseleitä koska se on globaali menetelmä Retinex parantaa kontrastia myös lokaalisti Esim. kasvattaa tummien varjo-alueiden kontrastia Retinex saattaa jättää kuvan edelleen harmaaksi se pakkaa kuvan dynamiikan intensiteettiskaalan keskialueelle Kun Auto-levels-funktio toteutetaan Retinexin jälkeen niin saadaan hyvin toimiva sovellus automaattiselle kuvankorjaukselle
43 Kuvanlaadunehostaminen - kontrasti MSRCR+Auto-levels Auto-levels MSRCR+Auto-levels
44 Kuvanlaadunehostaminen - kontrasti MSRCR+Auto-levels Auto-levels MSRCR+Auto-levels
45 Kuvanlaadunehostaminen - kontrasti MSRCR+Auto-levels Auto-levels MSRCR+Auto-levels
Digitaalinen signaalinkäsittely Kuvankäsittely
Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät,
LisätiedotDigikuvan peruskäsittelyn. sittelyn työnkulku. Soukan Kamerat 22.1.2007. Soukan Kamerat/SV
Digikuvan peruskäsittelyn sittelyn työnkulku Soukan Kamerat 22.1.2007 Sisält ltö Digikuvan siirtäminen kamerasta tietokoneelle Skannaus Kuvan kääntäminen Värien säätö Sävyjen säätö Kuvan koko ja resoluutio
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Kuvasignaalit. Jyrki Laitinen
TL553 DSK, laboraatiot (.5 op) Kuvasignaalit Jyrki Laitinen TL553 DSK, laboraatiot (.5 op), K25 Suorita oheisten ohjeiden mukaiset tehtävät Matlab- ja VCDemo-ohjelmistoja käyttäen. Kokoa erilliseen mittauspöytäkirjaan
Lisätiedot6.6. Tasoitus ja terävöinti
6.6. Tasoitus ja terävöinti Seuraavassa muutetaan pikselin arvoa perustuen mpäristön pikselien ominaisuuksiin. Kuvan 6.18.a nojalla ja Lukujen 3.4. ja 3.5. harmaasävjen käsittelssä esitellillä menetelmillä
LisätiedotLEHDISTÖTIEDOTE. Nikon tuo markkinoille uuden sukupolven. kuvankäsittelyohjelmiston. Capture NX2: entistä tehokkaampi ja helppokäyttöisempi
Nikon tuo markkinoille uuden sukupolven kuvankäsittelyohjelmiston Capture NX2: entistä tehokkaampi ja helppokäyttöisempi Amsterdam, Alankomaat, 3. kesäkuuta 2008 Nikon Europe julkistaa uuden Capture NX2
Lisätiedot2D piirrelaskennan alkeet, osa I
2D piirrelaskennan alkeet, osa I Ville Tirronen aleator@jyu.fi University of Jyväskylä 18. syyskuuta 2008 Näkökulma Aiheet Tarkastellaan yksinkertaisia 2D kuvankäsittelyoperaattoreita Näkökulmana on tunnistava
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN
LisätiedotKuvien lisääminen ja käsittely
Kuvien lisääminen ja käsittely KUVIEN LISÄÄMINEN JA KÄSITTELY Tämä on ote VIS Online Mediahallinta ohjeesta. Kuvia lisätään autojen tietoihin VIS Online kuvankäsittelyohjelmalla. Ohjelma käynnistyy klikkaamalla
LisätiedotCCD-kamerat ja kuvankäsittely
CCD-kamerat ja kuvankäsittely Kari Nilsson Finnish Centre for Astronomy with ESO (FINCA) Turun Yliopisto 6.10.2011 Kari Nilsson (FINCA) CCD-havainnot 6.10.2011 1 / 23 Sisältö 1 CCD-kamera CCD-kameran toimintaperiaate
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 Väliarvolause Oletetaan, että funktio f on jatkuva jollain reaalilukuvälillä [a, b] ja derivoituva avoimella välillä (a, b). Funktion muutos tällä välillä on luonnollisesti
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:
LisätiedotKUVAMUOKKAUS HARJOITUS
KUVAMUOKKAUS HARJOITUS PUNASILMÄISYYS, VÄRI, KUVAKOKO, RAJAUS PUNASILMÄISYYS Kuvien punasilmäisyyden joutuu kohtaamaan usein huolimatta kameroiden hyvistä ominaisuuksista. Ohjelma tarjoaa hyvän työvälineen
LisätiedotTampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus
Tampereen yliopisto Tietokonegrafiikka 201 Tietojenkäsittelytiede Harjoitus 6 1..201 1. Tarkastellaan Gouraudin sävytysmallia. Olkoon annettuna kolmio ABC, missä A = (0,0,0), B = (2,0,0) ja C = (1,2,0)
LisätiedotHavaitsevan tähtitieteen peruskurssi I. Datan käsittely. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos
Datan käsittely Helsingin yliopisto, Fysiikan laitos kevät 2013 3. Datan käsittely Luennon sisältö: Havaintovirheet tähtitieteessä Korrelaatio Funktion sovitus Aikasarja-analyysi 3.1 Havaintovirheet Satunnaiset
LisätiedotS09 04 Kohteiden tunnistaminen 3D datasta
AS 0.3200 Automaatio ja systeemitekniikan projektityöt S09 04 Kohteiden tunnistaminen 3D datasta Loppuraportti 22.5.2009 Akseli Korhonen 1. Projektin esittely Projektin tavoitteena oli algoritmin kehittäminen
Lisätiedot7. Kuvankäsittely. 1. CCD havainnot. 2. CCD kuvien jälkikäsittely 3. FITS. 4. Kuvankatseluohjelmistoja. 5. Kuvankäsittelyohjelmistoja. 6.
7. Kuvankäsittely 1. CCD havainnot 2. CCD kuvien jälkikäsittely 3. FITS 4. Kuvankatseluohjelmistoja 5. Kuvankäsittelyohjelmistoja 6. Demo 7.1 CCD havainnot 1. Jäähdytys 2. Darkit (jos tarpeen) 3. Biakset
LisätiedotGimp+Karttapaikan 1:40 000 => 1:50 000. Pika ohje versio 0.5 09042007
Gimp+Karttapaikan 1:40 000 => 1:50 000 Pika ohje versio 0.5 09042007 1:50 000 kartan teko karttapaikan materiaalia & GIMP:iä hyväksikäyttäen 1. Tallenna karttapaikasta 1:40 000 kartta 2. Avaa se Gimpillä
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Suodatus 2 (ver 1.0) Jyrki Laitinen
TL5503 DSK, laboraatiot (1.5 op) Suodatus 2 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab-ohjelmistoa käyttäen. Kokoa erilliseen
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS AI-TUTKIJAN URANÄKYMIÄ AJATUSTENLUKUA COMPUTER VISION SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA MUUTTUJIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA
LisätiedotTehdään laadukas painotuote
Tehdään laadukas painotuote 8 vinkkiä valokuvien ottamisesta ja toimittamiseen painotuotteisiin 1. Kuvaa kameran parhailla asetuksilla Kuvien tarkkuuden ja tiedostopakkauksen vaikutukset ovat korostuneet
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotLuento 6: 3-D koordinaatit
Maa-57.300 Fotogrammetrian perusteet Luento-ohjelma 1 2 3 4 5 6 7 8 9 10 11 12 13 Luento 6: 3-D koordinaatit AIHEITA (Alkuperäinen luento: Henrik Haggrén, 16.2.2003, Päivityksiä: Katri Koistinen 5.2.2004
LisätiedotSuodattimet. Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth. Suodattimet samalla asteluvulla (amplitudivaste)
Suodattimet Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth Suodattimet samalla asteluvulla (amplitudivaste) Kuvasta nähdään että elliptinen suodatin on terävin kaikista suodattimista, mutta sisältää
Lisätiedot5. Kuvanennallistus. Kuvanennallistus 269
5. Kuvanennallistus Ennallistus eroaa korostamisesta edellisen ollessa objektiivista ja jälkimmäisen pikemmin subjektiivista käsittelyä, vaikka niiden menetelmissä on päällekkäisyyttä. Objektiivinen tarkoittaa,
Lisätiedot58131 Tietorakenteet (kevät 2009) Harjoitus 6, ratkaisuja (Antti Laaksonen)
58131 Tietorakenteet (kevät 2009) Harjoitus 6, ratkaisuja (Antti Laaksonen) 1. Avaimet 1, 2, 3 ja 4 mahtuvat samaan lehtisolmuun. Tässä tapauksessa puussa on vain yksi solmu, joka on samaan aikaan juurisolmu
LisätiedotIhminen havaitsijana: Luento 6. Jukka Häkkinen ME-C2600
Ihminen havaitsijana: Luento 6 Jukka Häkkinen ME-C2600 Kevät 2016 1 Luento 6 Kontrastiherkkyys Muodon havaitseminen 2 Campbell-Robson-kuva Vaakasuunta = juovaston frekvenssi Pystysuunta = juovaston kontrasti
LisätiedotDigitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu
Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen,
LisätiedotKameroiden suorituskykymittaus
Kameroiden suorituskykymittaus T-75.5100 Kuvaus- ja näyttötekniikka Mikko Nuutinen, 1.9.01 Luennon sisältö: Mitä kuvanlaatu on? Mittoja / menetelmiä: resoluutio, kohina, oecf, dynaaminen alue, värintoisto,
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 17. helmikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotMediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin
Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1
T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotKognitiivinen mallintaminen Neuraalimallinnus, luento 1
Kognitiivinen mallintaminen Neuraalimallinnus, luento 1 Nelli Salminen nelli.salminen@helsinki.fi D433 Neuraalimallinnuksen osuus neljä luentokertaa, muutokset alla olevaan suunnitelmaan todennäköisiä
LisätiedotToinen harjoitustyö. ASCII-grafiikkaa
Toinen harjoitustyö ASCII-grafiikkaa Yleistä Tehtävä: tee Javalla ASCII-merkkeinä esitettyä grafiikkaa käsittelevä ASCIIArt-ohjelma omia operaatioita ja taulukoita käyttäen. Työ tehdään pääosin itse. Ideoita
LisätiedotT Luonnollisten kielten tilastollinen käsittely
T-61.281 Luonnollisten kielten tilastollinen käsittely Vastaukset 3, ti 11.2.2003, 16:15-18:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotKuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Olkoon f : R R f(x 1, x ) = x 1 + x Olkoon C R. Määritä tasa-arvojoukko Sf(C) = {(x 1, x
LisätiedotTekstuurintunnistuksen lyhyt oppimäärä. Ts. pari tapaa erottaa tiiliseinä pensaasta.
Tekstuurintunnistuksen lyhyt oppimäärä Ts. pari tapaa erottaa tiiliseinä pensaasta. Mitä on tekstuuri? Vaikea määritellä, mutta: Pintakuvio Ornamentti tuntu kuviointi Miksi tämän pitäisi kiinnostaa? (Maantienmerkkausrobotti)
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
Lisätiedot3. Intensiteettimuunnokset ja spatiaalinen suodatus 3.1. Tausta
3. 3.1. Tausta Spatiaalinen alue viittaa itse kuvaan, ja kuvanprosessointi kohdistuu tällöin suoraan pikseleihin. Tämä on eri asia kuin muunnosavaruuden yhteydessä edellä. Tässä luvussa tarkastellaan intensiteettimuunnoksia
Lisätiedot3. Intensiteettimuunnokset ja spatiaalinen suodatus 3.1. Tausta
3. 3.1. Tausta Spatiaalinen alue viittaa itse kuvaan, ja kuvanprosessointi kohdistuu tällöin suoraan pikseleihin. Tämä on eri asia kuin muunnosavaruuden yhteydessä edellä. Tässä luvussa tarkastellaan intensiteettimuunnoksia
LisätiedotMatterport vai GeoSLAM? Juliane Jokinen ja Sakari Mäenpää
Matterport vai GeoSLAM? Juliane Jokinen ja Sakari Mäenpää Esittely Tutkimusaineiston laatija DI Aino Keitaanniemi Aino Keitaanniemi työskentelee Aalto yliopiston Rakennetun ympäristön mittauksen ja mallinnuksen
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta
LisätiedotRadiointerferometria II
Radiointerferometria II Kolme ALMA-antennia ALMA tulevaisuudessa Puuttuva informaatio Epätäydellinen uv-tason peitto: 1. Keskusaukko : pintamaisen lähteen kokonaisvuontiheys jää mittaamatta, V (0, 0) =
LisätiedotTasot. Valitse ensin tasopaletit näkyviin Window Layers. Uusi taso Säätötaso Tason poistaminen. Sekoitustilat
Tasot Valitse ensin tasopaletit näkyviin Window Layers Sekoitustila Tason näkyvyys Peittävyys Käsiteltävä taso Uusi taso Säätötaso Tason poistaminen Tasomaski Tason lukitus Sekoitustilat Normal, normaali:
LisätiedotARTWEAVER:N ASENNUS JA PERUSKÄYTTÖ
ARTWEAVER:N ASENNUS JA PERUSKÄYTTÖ Asentaminen Artweaverin asennus aloitetaan hakemalla Internetistä Artweaver asennuspaketti. Asennuspaketin voit hakea osoitteesta http://www.artweaver.de/direct/artweaver.exe.
LisätiedotAlgoritmit 2. Luento 13 Ti Timo Männikkö
Algoritmit 2 Luento 13 Ti 30.4.2019 Timo Männikkö Luento 13 Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Ositus ja rekursio Rekursion toteutus Algoritmit 2 Kevät 2019 Luento 13 Ti 30.4.2019
LisätiedotDigitaalikameran optiikka ja värinmuodostus
Digitaalikameran optiikka ja värinmuodostus T-75.5100 Kuvaus- ja näyttötekniikka Mikko Nuutinen, 14.9.2012 Luennon sisältö: Optiikka: polttoväli, valovoima, linssivirheet Värillisyys: värisuodinmatriisi,
LisätiedotKuvankäsittelyohjelma GIMP
Kuvankäsittelyohjelma GIMP GIMP on ilmainen kuvankäsittelyohjelma, jonka voi ladata internetistä. Silti siitä löytyy toimintoja ihan tarpeeksi. Käynnistetään GIMP Gimp-ohjelman käynnistyttyä ilmestyy kolme
LisätiedotDigitaalisen kuvankäsittelyn perusteet
Digitaalisen kuvankäsittelyn perusteet Jukka Teuhola Turun yliopisto Tietojenkäsittelytiede Syksy 2010 http://staff.cs.utu.fi/kurssit/digitaalisen_kuvankasittelyn_perusteet/syksy_2010/index.htm DKP-1 J.
LisätiedotPIKSELIT JA RESOLUUTIO
PIKSELIT JA RESOLUUTIO 22.2.2015 ATK Seniorit Mukanetti ry / Tuula P 2 Pikselit ja resoluutio Outoja sanoja Outoja käsitteitä Mikä resoluutio? Mikä pikseli? Mitä tarkoittavat? Miksi niitä on? Milloin tarvitaan?
LisätiedotGA & robot path planning. Janne Haapsaari AUTO Geneettiset algoritmit
GA & robot path planning Janne Haapsaari AUTO3070 - Geneettiset algoritmit GA robotiikassa Sovelluksia liikkeen optimoinnissa: * eri vapausasteisten robottien liikeratojen optimointi * autonomisten robottien
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotKognitiivinen mallintaminen. Nelli Salminen
Kognitiivinen mallintaminen Neuraalimallinnus 24.11. Nelli Salminen nelli.salminen@tkk.fi Tällä kerralla ohjelmassa vielä perseptronista ja backpropagationista kilpaileva oppiminen, Kohosen verkko oppimissääntöjen
Lisätiedot10. Esitys ja kuvaus
10. Esitys ja kuvaus Kun kuva on ensin segmentoitu alueisiin edellisen luvun menetelmin, segmentoidut pikselit kootaan esittämään ja kuvaamaan kohteita muodossa, joka sopii hyvin jatkokäsittelyä varten.
Lisätiedot12. Kuvankäsittely. 1. CCD havainnot. 2. CCD kuvien jälkikäsittely 3. FITS. 4. Kuvankatseluohjelmistoja. 5. Kuvankäsittelyohjelmistoja. 6.
12. Kuvankäsittely 1. CCD havainnot 2. CCD kuvien jälkikäsittely 3. FITS 4. Kuvankatseluohjelmistoja 5. Kuvankäsittelyohjelmistoja 6. Demo 12.1 CCD havainnot 1. Jäähdytys 2. Darkit (jos tarpeen) 3. Biakset
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
LisätiedotS-114.3812 Laskennallinen Neurotiede
S-114.3812 Laskennallinen Neurotiede Laskuharjoitus 2 4.12.2006 Heikki Hyyti 60451P Tehtävä 1 Tehtävässä 1 piti tehdä lineaarista suodatusta kuvalle. Lähtötietoina käytettiin kuvassa 1 näkyvää harmaasävyistä
LisätiedotHigh Dynamic Range. Simo Veikkolainen 6.9.2010
High Dynamic Range Simo Veikkolainen 6.9.2010 High Dynamic Range High Dynamic Range: kuvantamista jossa kuvaan saadaan laajempi dynamiikka kuin mitä kamera pystyy tallentamaan Dynamiikalla tarkoitetaan
LisätiedotDynamiikan hallinta Lähde: Zölzer. Digital audio signal processing. Wiley & Sons, 2008. Zölzer (ed.) DAFX Digital Audio Effects. Wiley & Sons, 2002.
Dynamiikan hallinta Lähde: Zölzer. Digital audio signal processing. Wiley & Sons, 2008. Zölzer (ed. DAFX Digital Audio Effects. Wiley & Sons, 2002. Sisältö:! Johdanto!! Ajallinen käyttäytyminen! oteutus!
LisätiedotSuodatus ja näytteistys, kertaus
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 6: Kantataajuusvastaanotin AWGN-kanavassa II: Signaaliavaruuden vastaanotin a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.6.3-10.6.6;
Lisätiedot3D-kuvauksen tekniikat ja sovelluskohteet. Mikael Hornborg
3D-kuvauksen tekniikat ja sovelluskohteet Mikael Hornborg Luennon sisältö 1. Optiset koordinaattimittauskoneet 2. 3D skannerit 3. Sovelluskohteet Johdanto Optiset mittaustekniikat perustuvat valoon ja
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
LisätiedotJohdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö
Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
LisätiedotQosmioEngine Mullistava videokokemus
QosmioEngine Mullistava videokokemus Qosmio yhdistää QosmioEnginen ja QosmioPlayerin korkealuokkaiset video ominaisuudet, Harman Kardonin kaiuttimet, SRS TruSurround XT:n surround äänen sekä digitaaliset
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 Korkeamman asteen derivaatat Tutkitaan nyt funktiota f, jonka kaikki derivaatat on olemassa. Kuten tunnettua, funktion toista derivaattaa pisteessä x merkitään f (x).
LisätiedotTeledyne Optech Titan -monikanavalaser ja sen sovellusmahdollisuudet
Teledyne Optech Titan -monikanavalaser ja sen sovellusmahdollisuudet Jan Biström TerraTec Oy TerraTec-ryhmä Emoyhtiö norjalainen TerraTec AS Liikevaihto 2015 noin 13 miljoonaa euroa ja noin 90 työntekijää
Lisätiedot2 Pistejoukko koordinaatistossa
Pistejoukko koordinaatistossa Ennakkotehtävät 1. a) Esimerkiksi: b) Pisteet sijaitsevat pystysuoralla suoralla, joka leikkaa x-akselin kohdassa x =. c) Yhtälö on x =. d) Sijoitetaan joitain ehdon toteuttavia
LisätiedotKÄYTTÖLIITTYMÄT. Visuaalinen suunnittelu
KÄYTTÖLIITTYMÄT Visuaalinen suunnittelu MUISTETTAVA Yksinkertaisuus Selkeys Johdonmukaisuus Sommittelutyyli on säilytettävä samankaltaisen koko sivustossa Sivustolle yhtenäinen ulkoasu Miellyttävä ulkonäkö
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.
Lisätiedot10.2. Säteenjäljitys ja radiositeettialgoritmi. Säteenjäljitys
10.2. Säteenjäljitys ja radiositeettialgoritmi Säteenjäljitys Säteenjäljityksessä (T. Whitted 1980) valonsäteiden kulkema reitti etsitään käänteisessä järjestyksessä katsojan silmästä takaisin kuvaan valolähteeseen
LisätiedotMetsäalueen kuviointi laserkeilausaineiston ja soluautomaatin avulla
Metsäalueen kuviointi laserkeilausaineiston ja soluautomaatin avulla Taksaattoriklubin vuosikokous 9.4.2019 Eero Viitanen Taustaa Metsikkökuvio Oliver & Larson: Spatiaalisesti jatkuva joukko puita ja muuta
LisätiedotPassikuva - Käyttöohje Pispalan Insinööritoimisto Oy
Passikuva - Käyttöohje Pispalan Insinööritoimisto Oy Pispalan Insinööritoimisto Oy Harry Karvonen harry.karvonen@pispalanit.fi 27. lokakuuta 2013 Passikuva - Käyttöohje Sisältö i Sisältö 1 Passikuva 1
LisätiedotTekoäly ja koneoppiminen metsävaratiedon apuna
Tekoäly ja koneoppiminen metsävaratiedon apuna Arbonaut Oy ja LUT University 26. marraskuuta 2018 Metsätieteen päivä 2018 Koneoppimisen kohteena ovat lukujen sijasta jakaumat Esimerkki 1 Koneoppimisessa
LisätiedotTällä kerralla ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus Kertausta: Perseptronin oppimissääntö
Tällä kerralla ohjelmassa Kognitiivinen mallintaminen Neuraalimallinnus 19.2. Nelli Salminen nelli.salminen@helsinki.fi D433 vielä perseptronista ja backpropagationista kilpaileva oppiminen, Kohosen verkko
LisätiedotOhjelmoinnin peruskurssi Y1
Ohjelmoinnin peruskurssi Y1 CSE-A1111 30.9.2015 CSE-A1111 Ohjelmoinnin peruskurssi Y1 30.9.2015 1 / 27 Mahdollisuus antaa luentopalautetta Goblinissa vasemmassa reunassa olevassa valikossa on valinta Luentopalaute.
LisätiedotProjektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén
Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén Sonifikaatio Menetelmä Sovelluksia Mahdollisuuksia Ongelmia Sonifikaatiosovellus: NIR-spektroskopia kariesmittauksissa
LisätiedotPong-peli, vaihe Koordinaatistosta. Muilla kielillä: English Suomi. Tämä on Pong-pelin tutoriaalin osa 2/7. Tämän vaiheen aikana
Muilla kielillä: English Suomi Pong-peli, vaihe 2 Tämä on Pong-pelin tutoriaalin osa 2/7. Tämän vaiheen aikana Laitetaan pallo liikkeelle Tehdään kentälle reunat Vaihdetaan kentän taustaväri Zoomataan
LisätiedotMäärittelydokumentti
Määrittelydokumentti Aineopintojen harjoitustyö: Tietorakenteet ja algoritmit (alkukesä) Sami Korhonen 014021868 sami.korhonen@helsinki. Tietojenkäsittelytieteen laitos Helsingin yliopisto 23. kesäkuuta
Lisätiedot4 Yleinen potenssifunktio ja polynomifunktio
4 Yleinen potenssifunktio ja polynomifunktio ENNAKKOTEHTÄVÄT 1. a) Tutkitaan yhtälöiden ratkaisuja piirtämällä funktioiden f(x) = x, f(x) = x 3, f(x) = x 4 ja f(x) = x 5 kuvaajat. Näin nähdään, monessako
LisätiedotOpetusmateriaalin visuaalinen suunnittelu. Kirsi Nousiainen 27.5.2005
Opetusmateriaalin visuaalinen suunnittelu Kirsi Nousiainen 27.5.2005 Visuaalinen suunnittelu Ei ole koristelua Visuaalinen ilme vaikuttaa vastaanottokykyyn rauhallista jaksaa katsoa pitempään ja keskittyä
Lisätiedotverkkojen G ja H välinen isomorfismi. Nyt kuvaus f on bijektio, joka säilyttää kyseisissä verkoissa esiintyvät särmät, joten pari
Tehtävä 9 : 1 Merkitään kirjaimella G tehtäväpaperin kuvan vasemmanpuoleista verkkoa sekä kirjaimella H tehtäväpaperin kuvan oikeanpuoleista verkkoa. Kuvan perusteella voidaan havaita, että verkko G on
LisätiedotKomennolla Muokkaa-Väriasetukset avautuu tämännäköinen ikkuna:
PHOTOSHOP CS ALBUMIN RAKENTAJALLE Alkeiden perusteiden pohjatiedot Photoshop on laaja ohjelmisto, jonka käyttömahdollisuudet ovat hyvin monipuoliset. Tämä ohje liittyy versioon 8 (CS), mutta samat toimenpiteet
Lisätiedot1. Lineaarinen optimointi
0 1. Lineaarinen optimointi 1. Lineaarinen optimointi 1.1 Johdatteleva esimerkki Esimerkki 1.1.1 Giapetto s Woodcarving inc. valmistaa kahdenlaisia puuleluja: sotilaita ja junia. Sotilaan myyntihinta on
LisätiedotGaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely)
Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely) Ohjaaja: TkT Aki Vehtari Valvoja: Prof. Harri Ehtamo Kandidaattiseminaari 21 1.11.21 Esityksen rakenne Tausta Derivaattahavaintojen
LisätiedotSimulointi. Varianssinhallintaa Esimerkki
Simulointi Varianssinhallintaa Esimerkki M C Esimerkki Tarkastellaan lasersäteen sirontaa partikkelikerroksesta Jukka Räbinän pro gradu 2005 Tavoitteena simuloida sirontakuvion tunnuslukuja Monte Carlo
Lisätiedot4.3.6 Eräitä diskreettejä Markov-kenttiä
0.4 0.35 Gauss l1 Cauchy 0.3 0.25 0.2 0.15 0.1 0.05 0 10 8 6 4 2 0 2 4 6 8 10 Kuva 4.20: L2-priorin tnft, Cauchy-priorin tntf kun α = α = 2. 2π π 2π ja L1-priorin tntf kun 4.3.6 Eräitä diskreettejä Markov-kenttiä
LisätiedotMuita kuvankäsittelyohjelmia on mm. Paint Shop Pro, Photoshop Elements, Microsoft Office Picture Manager
Missio: 1. Asentaminen 2. Valokuvien tarkastelu, tallennus/formaatit, koko, tarkkuus, korjaukset/suotimet, rajaus 3. Kuvan luonti/työkalut (grafiikka kuvat) 4. Tekstin/grafiikan lisääminen kuviin, kuvien/grafiikan
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 6 1 Korkolaskentaa Oletetaan, että korkoaste on r Jos esimerkiksi r = 0, 02, niin korko on 2 prosenttia Tätä korkoastetta käytettään diskonttaamaan tulevia tuloja ja
Lisätiedotisomeerejä yhteensä yhdeksän kappaletta.
Tehtävä 2 : 1 Esitetään aluksi eräitä havaintoja. Jokaisella n Z + symbolilla H (n) merkitään kaikkien niiden verkkojen joukkoa, jotka vastaavat jotakin tehtävänannon ehtojen mukaista alkaanin hiiliketjua
LisätiedotMuuntavat analogisen signaalin digitaaliseksi Vertaa sisääntulevaa signaalia referenssijännitteeseen Sarja- tai rinnakkaismuotoinen Tyypilliset
Muuntavat analogisen signaalin digitaaliseksi Vertaa sisääntulevaa signaalia referenssijännitteeseen Sarja- tai rinnakkaismuotoinen Tyypilliset valintakriteerit resoluutio ja nopeus Yleisimmät A/D-muunnintyypit:
LisätiedotKUVAN SÄÄDÖT SUMOPAINTISSA
KUVAN SÄÄDÖT SUMOPAINTISSA Kuvien käsittelyä pidetään yhtenä digitaalisten kuvien vahvuuksina (ja osittain myös heikkoutena). Monien ammattilaisten mielestä kuvien valoisuutta ja värejä kannattaa useimmiten
LisätiedotKohina. Havaittujen fotonien statistinen virhe on kääntäen verrannollinen havaittujen fotonien lukumäärän N neliö juureen ( T 1/ N)
Kohina Havaittujen fotonien statistinen virhe on kääntäen verrannollinen havaittujen fotonien lukumäärän N neliö juureen ( T 1/ N) N on suoraan verrannollinen integraatioaikaan t ja havaittuun taajuusväliin
Lisätiedot