JPEG:n algoritmit ja niiden vaihtoehdot
|
|
- Kaarina Kahma
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 JPEG:n algoritmit ja niiden vaihtoehdot Tutkielma kurssille T Digitaalinen signaalinkäsittely ja suodatus Marko Knuutila, 51284D Sisällysluettelo Johdanto...2 JPEG:n algoritmi... 2 Häviöttömät algoritmit... 5 Häviöllinen koodaus...6 Muunnos... 6 Kvantisointi...7 Subjektiivisuudesta... 8 Yhteenveto...8 LIITE LIITE
2 Johdanto JPEG on todennäköisesti maailman käytetyin standardi luonnollisten, jatkuvasävyisten monokromaattisten sekä värikuvien pakkaukseen ja arkistointiin. Se toimii parhaiten valokuvien ja monisävyiseksi luotujen piirrosten pakkaamiseen, mistä syystä JPEG onkin de facto standardi digitaalikameroissa ja www:n kautta välitettävissä monivärisissä kuvissa. JPEG on periaatteellisesti häviöllinen pakkausmenetelmä (tässä tutkielmassa ei käsitellä JPEG-LS -laajennusta), toisin sanoen prosessoinnissa suoritetaan kvantisointi, joka pudottaa pois epärelevanttia informaatiota. Koska JPEG tuottaa vaihtelevan pituista koodia (käytetty bittimäärä pixeliä kohti ei ole vakio) on sen avulla helppo tuottaa myös eri suuruudella kvantisoituja kuvia halutun kuvanlaadun ja vaadittavan koon mukaan. JPEG:n algoritmi Kuva 1 Häviöllinen ja häviötön pakkaus JPEG:n toimintaa voidaan helposti havainnollistaa kahdella yksinkertaistetulla "laatikkorealisaatiolla". Kuvassa 1 havainnollistetaan yleistä häviöllisen pakkausmenetelmän toimintatapaa, johon kuuluu häviötön kompressointi sekä erikseen häviöllinen kvantisointi. Tavallisessa toiminnassa häviöllisestä koodauksesta saadut kertoimet pakataan häviöttömästi (nk. entropiakoodaus) - Äärimmäisessä tapauksessa häviöllinen lohko voidaan jättää pois, jolloin kuvan yksittäiset elementit (esim. pikselien väriarvot) pakataan suoraan häviöttömästi. 2
3 Kuva 2 JPEG-algoritmin realisaatio Kuva 2 esittää JPEG:n yksityiskohtaisempaa toteutusta. JPEG hyödyntää muunnoskoodausta (engl. transform coding), jossa varsinaiset kuvaelementit (esim. pikselit) aluksi muunnetaan muunnosavaruuteen diskreetin kosinimuunnoksen (DCT, discrete cosine transform) avulla. Optimaalisinta muunnoskoodaus olisi tehdä koko kuvalle, mutta käytännön laskutehorajoituksista johtuen JPEG:ssä DCT on standardoitu tehtäväksi 8x8-kokoisilla, toisiaan leikkaamattomilla elementtiryhmillä. Alkuperäisen kuvan elementeistä muuntamalla saadut kertoimet kvantisoidaan skalaarikvantisaattorilla, mistä saadaan huomattavasti parempi vääristymisen ja bittimäärän (R/D, rate/distortion) suhde, kuin alkuperäisten kuvaelementtien kvantisoinnilla olisi saatu. Muunnos myös muuttaa kuvaelementtien painoarvoja: yksi muunnettu kerroin ei enää vastaakaan vain yhtä pistettä kuvassa vaan se vaikuttaa tietynkokoiseen alueeseen kuvassa - jotkut kertoimet jopa koko kuvaan. DCT tuottaa yhden "tasavirtakertoimen" (DC-komponentti), joka määrittää kuvaelementtiryhmän yleisen ominaisuuden (esim. värisävyn ja tummuuden keskiarvon) lisäksi muunnoksesta saadaan joukko "vaihtovirtakomponentteja" (AC-komponentit, esim poikkeamat keskiarvosta), jotka "taajuudestaan" riippuen implikoivat eri suuruisia muutoksia, kuten reunojen jyrkkyyksiä ja muita nopeita värivaihteluja (kvantisoinnissa usein tiputetaan pois enemmän korkeataajuisia komponentteja, jolloin kuvan reunat "pyöristyvät" ja tulevat sameammiksi eli terävyys kärsii). DC-komponentin redundanssia pienennetään vielä ennustavalla erotuskoodauksella (predictive differential coding), jolloin entropiakoodaus on tehokkaampaa. AC-komponentit on järjestettävä joillain tapaa, sillä kaikki tallennus- ja siirtomediat käsittelevät vain yksiulotteista dataa (siis bittijonoja), vaikka kuvat ovat kaksiulotteisia. Oletusarvoisesti JPEG:ssä käytetään zig-zagskannausta, jossa aloitetaan pienimmän taajuisesta AC-komponentista ja edetään kohti suurempitaajuisia komponentteja - periaate on esitetty kuvassa 3. 3
4 Kuva 3 Zig-Zag-skannaus Häviöttömät algoritmit JPEG:ssa käytetään Huffman-koodausta. Menetelmässä koodataan JPEG-algoritmin häviöllisestä saadut kertoimet Huffman-koodiksi, jossa yleisimin esiintyvä symboli saa lyhimmän koodisanan ja harvimmin esiintyvä pisimmän koodisanan. Jotta vastaanottaja tietäisi oikean koodisanojen merkityksen, jokaisen JPEG-kuvan alkuun liitetään Huffman-taulukko, jossa jokaisen symbolin ja koodisanan yhteys on kerrottu. Pienikokoisilla kuvilla Huffman-taulukon koon suhde varsinaisen tiedon kokoon saattaa olla jo merkittävän suuri ja pahimmassa tapauksissa symbolit ilman Huffman-koodausta saattaisivat vielä vähemmän bittejä kuin koodisanat ja Huffman-taulukot. JPEG on kuitenkin tarkoitettu luonnollisten ja moniväristen kuvien arkistointiin, jolloin millään järjellisen kokoisella kuvalla ongelma ei muodostu kovin suureksi. Huffman-koodauksen toinen huono puoli on, että jokaista koodisanaa varten joudutaan käyttämään vähintään yksi bitti. Näin siis kuvan bittimäärä on vähintään koodattavien symbolien määrä. Tämäkin on merkityksellistä vain kuvilla, joissa on vain vähän värejä tai paljon yhtä väriä, mutta yhtä kaikki JPEG:n standardoinnin jälkeen koneiden laskentateho on kasvanut niin radikaalisti, että aritmeettinen koodaus on noussut varteenotettavaksi vaihtoehdoksi (ja se on myös standardoitu JPEG-2000:en). Aritmeettinenkoodaus on periaatteeltaan yksinkertainen. Siinä lasketaan todennäköisyydet jokaiselle syötteessä esiintyvälle symbolille (perustapauksessa "0" ja "1") ja jaetaan väli [0,1) näiden todennäköisyyksien kesken. Otetaan ensimmäinen koodattava symboli ja katsotaan mille välille se kuuluu. Jaetaan tämä väli jälleen kaikken todennäköisyyksien kesken ja tutkitaan mille välille seuraava koodattava symboli osuu ja jaetaan jälleen tämä väli todennäköisyyksien mukaan - jakamista jatketaan jonkun tietyn tai täysin mielivaltaisen syötesymbolimäärän verran, minkä jälkeen tuloksena on jokin murtoluku, jonka vastaanottaja pystyy yksikäsitteisesti tunnistamaan tietyksi symbolijonoksi tietäessään symbolien todennäköisyydet. Kuva 4 esittää aritmeettisen koodauksen ideaa graafisesti bittijonolle 1010 kun molempien bittien todennäköisyys on sama vastaanottajalle siis lähetetään vain kuvassa esitetty lukuarvo P ja tieto siitä, montako bittiä on koodattu. 4
5 Kuva 4 Aritmeettinen koodaus, kun P(1)=P(0)=0,5 Alin mahdollinen bittimäärä määritellään Shannonin rajan myötä laskemalla lähteen entropia. Kuvan käsittelyssä on löydetty keinoja pienentää kuvan elementtien entropiaa, jolloin myös entropiakoodauksella saavutetaan suurella todennäköisyydellä pienenpi bittimäärä (engl. bit rate). Kaksi tehokasta menetelmää on jo käytössä JPEG-algoritmissä: elementin tai kertoimen ennustaminen, eli ennustetaan seuraavaa syötteen alkiota tämän hetkisen alkion perusteella ja vasteena annetaan ennustetun arvon (käytännössä edellinen arvo) ja oikean arvon (tämänhetkinen arvo) erotus. JPEG-kuvat tallennetaan lähes poikkeuksetta luminenssi-krominenssi(ycbcr) -muodossa. Kuvat tosin esitetään tavallisesti RGB-muodossa, jossa jokaiselle värille (punainen, vihreä ja sininen) on oma kanavansa, mutta koska luonnollisissa kuvissa värikanavat ovat tasaisesti jakautuneita on niiden entropia suuri - muuttamalla kuva yhden valoisuuden sekä kahden värikomponentin tasoihin, muuttuvat kanavien histogrammit kapeimmiksi ja korkeammiksi, jolloin entropia pienenee ja entropiakoodaus tuottaa lyhyempää koodia. Luonnollisesti C(yan)M(agenda)Y(ellow)-väriesitys antaa yhtä huonon tuloksen kuin RGB:kin, mutta hyviin tuloksiin voitaisiin päästä myös HSB- tai CIELAB-esityksillä. Ne eivät kuitenkaan tuo ratkaisevasti parempaa tulosta kuin YCbCr-esityksestä saatu, mutta saattavat hankaloittaa prosessointia tai ainakin värien hahmottamista, joten niitä ei juurikaan käytetä. Häviöllinen koodaus Kvantisointi poistaa syötteestä epärelevanttia tietoa, jolla on mahdollisimman pieni merkitys kuvanlaadun kannalta. Havaitty kuvanlaatu on hyvin subjektiivinen käsite, joka riippuu niin katsojasta kuin nimenomaisesta kuvastakin. Muunnos Parhaaseen tulokseen päästään kvantisoimalla syötteestä muunnoksen kautta saatuja kertoimia eikä syötteen elementtejä itseään. Muunnokseksi voidaan valita mikätahansa haluttu ja mielellään helposti laskettavissa oleva muunnos y=ax, jossa y=muunnoskeroimet, A=muunnosmatriisi, x=nxn kuvasyöte. Tarkoituksenmukaista on kuitenkin löytää ortogonaalinen muunnos sillä tällöin tiedetään 5
6 muuntokertoimien määrän (sähköteknillisessä mielessä "vektorin energia") olevan sama kuin syötealkioiden määrä. Matemaatikot ovat todistaneet Karhunen-Loeve-muunnoksen(KLT) tuottavan optimaalisen energiakeskittymän korreloimattomilla muunnoskeroimilla. Tämä on ideaalinen tilanne kuvankäsittelyssä, mutta yksikään kuvaformaatti ei käytä KLT:ta muunnoskertoimien tuottamiseen, sillä muunnokselle ei tunneta nopeasti laskettavissa olevaa muotoa (vrt. Fast Fourier Transform) ja lisäksi KLT riippuu kulloinkin käsiteltävästä kuvasta (pakatun kuvan mukaan tulisi siis aina lisätä muunnoksen parametrit). Fourier-muunnokselle tunntetaan nopea laskutapa ja se ei ole riippuvainen käsiteltävän kuvan statistiikasta. Lisäksi Fourier-muunnos on yleisesti tunnetuin muunnosväline ja on näin helposti implementoitavissa sovellukseen kuin sovellukseen. Kokeilemalla kuitenkin osoittautuu, että luonnollisille kuville DFT (ja siten FFT) aiheuttaa mosaikkiefektiä kun lasketaan muunnosta lohkokoolla > 2, jolloin kuvan näkyvä laatu kärsii tai lohkokoon pysyessä pienenä, muunnos on tehoton. Hyvin lähelle KLT:n suorituskykyä sen sijaan pääsee diskreetti kosinimuunnos (DCT). DCT onkin lähes jokaisessa standardoidussa kuvien muunnoskoodaamisessa käytetty muunnos. Myös DCT:lle on löydetty FFT:hen verrattavissa oleva nopea toteutus, joka voidaan realisoida 8x8 kuvalle vain 5 (+8 skaalausta varten) kertolaskulla. Sekä tarvittava matriisikerroin, että yksinkertainen realisaatio löytyvät liittestä 2. Kvantisointi Kvantisoinnissa yksittäinen arvo pyöristetään johonkin lähimpänä olevaan, ennalta päätettyyn arvoon, joka pystytään ilmaisemaan pienemmällä bittimäärällä. JPEG:ssa käytetään tasavälistä skalaarikvantisointia (uniform scalar quantizer). Tasavälinen kvantisaattori on ajatukseltaan yksinkertainen ja helppototeuttaa, mutta se on hyvin harvalle kuvalle optimaali metodi. Toisaalta tasavälisyys mahdollistaa sulautetun kvantisoinnin, jolloin vasteena saatavan bittivirran alkuun liitetään vain osa muunnoskertoimista ja myöhemmin lisää ja taas lisää. Näin matalan bittinopeuksisen siirtomedian yli kuvaa siirrettäessä pystytään muodostamaan karkea kuva ennenkuin kaikki kuvan bitit ovat perillä. Tehokkuuden havaitsee selvästi www:stä kuvia siirtäessä, sillä hyvin mosaikkimaisen kuvan, joka tarkentuu vähitellen, voi saada ruudulleen sekunnissa, vaikka kokonaisen kuvan siirtoon kuluu kahdeksan sekuntia. Kuitenkin kvantisointivirheen minimoimiseksi tulisi tasavälisen sijaan käyttää esim. Lloyd-Max-kvantisaattoria, jossa päätöksentekokynnystä (engl. decision threshold) on siirretty kohti todennäköisempiä arvoja. Kaikkein suurin pakkaustehon nousu kuitenkin saavutetaan siirtymällä skalaarikvantisoinnista vekrtorikvantisointiin, jossa yksittäistä elementtiä (muunnoksesta saatua kerrointa) ei kvantisoida yksinään, vaan se kvantisoidaan yhdessä toisen elementin (edellisen/seuraava elementin) kanssa. Jos elementit ovat toisistaan riippuvaisia, niin niiden yhteinen todennäköisyyden tiheysfunktio ei peitä koko määritelyä avaruutta, vaan vain osan, jolloin yhtämonella kvantisointiportaalla tarvitsee kattaa vähemmän alaa ja näin kvantisointivirhe vähenee. Jopa elementtien ollessa riippumattomia kvantisointivirhe pienenee, sillä tällöin päätöksentekokynnykset saadaan tasaisemmin kvantisoidun arvon ympärille, mikä on esitetty kuvassa 5. Huomattava toki on, että vaikka usean elementin kvantisoinnissa virhe pienenee mitä enemmän elementtejä kvantisoidaan yhdessä (suurempi "koodivektori"), niin laskennan kompleksisuus kasvaa kahden potenssissa - esim. 512x512 lohko tuottaa koodivektoreita 2 512*512 = Kuitenkin nykyisillä kotitietokoneilla esim. 8x8 lohkojen kvantisointi ei tuota lainkaan ongelmaa. Myöskään vektorikvantisaattorin ei tarvitse olla tasavälinen, eikä edes säännöllinen. Laskennallisen helppouden kannalta hyvä kompromissi onkin nk. Lattice-kvantisaattori, jossa päätöksentekokynnykset ovat tasavälein, mutta kvantisointiarvot eivät ole keskellä päätöksentekokynnyksiä, vaan ne on painotettu arvojen esiintymistodennäköisyyden mukaan. 6
7 Kuva 5 Skalaarikvantisointi lukusuoralla, skalaarikvantisointi esitettynä yhtäaikaa kahdella muuttujalla ja vekrtorikvantisointi kahdella muuttujalla, kun kvantisointirajojen muotoilulla pyritään kvantisointivirheen minimointiin ja kun x 1 ja x 2 ovat riippumattomia Subjektiivisuudesta Kuvan muuttaminen YCbCr-esitykseen on hyvä tyyppiesimerkki subjektiivisuuden tuomasta hyödystä: Ihmissilmä on paljon herkempi valoisuuden kuin värin muutokselle. Niinpä kvantisoimalla krominenssikomponentteja voimakkaammin kuin luminenssikomponenttia, voidaan bittimäärää pudottaa huomattavasti havaitun kuvanlaadun kärsimättä. Kuvassa 6 nähdään orginaalikuva, G- ja B-komponentteja kvantisoitu RGB-kuva sekä Cb- ja Cr-komponentteja kvantisoitu YCbCr-kuva. Kuva 6 Havaittu vääristymä samalla kvantisointisuhteella riippuu kvantisoiduista elementeistä JPEG käyttää luminenssi-krominenssi-esitystä oletusarvoisesti kuvien arkistoinnissa. Muita ihmissilmän epäideaalisuuksia se ei hyödynnä, mutta useimmat niistä ovatkin vielä psykofysiikan tutkimusten kohteena, eivätkä sinällään laskennallisesti hyödynnettävissä missään arkistointialgoritmissä. Yhteenveto JPEG on suosituin kuvien arkistoinimenetelmä, eikä suotta. Julkaisuvuonnaan 1991 se edusti uusimpia ja tehokkaimpia menetelmiä, jotka olivat tavallisella kotitietokoneellakin toteutettavissa järjellisessa ajassa. Kuitenkin niin koneet kuin menetelmätkin kehittyvät ja nykyään tunnetaan parannuksia JPEG:n algoritmeihin - mm. tässä esitellyt aritmeettinen koodaus Huffman-koodauksen tilalla ja vektorikvantisointi skalaarikvantisoinnin tilalla. Mahdollinen parannus olisi myös 7
8 moniresoluutioisuuden lisääminen eli että kuvasta olisi helposti irroitettavissa pienenpi resoluutioinen versio esim. kun www:n kuvaa haluttaisiin katsoa matkapuhelimen näytöltä. Muut JPEG:ssa käytetyt yksittäiset algoritmit edustavat edelleenkin kehityksen tehokkainta kärkeä, eikä juuri muita vaihtoehtoja yleisesti kuvankäsittelyssä tarjota. Kokonaan oma lukunsa on JPEG-2000-standardi, joka käyttää hyväkseen sekä aritmeettista koodausta, että vektorikvantisaatiota. Näiden lisäksi standardi tarjoaa laajan joukon määriteltyjä vaihtoehtoja, esim. häviöttömän koodauksen voi edelleenkin tehdä Huffman-koodauksella tai vaihtoehtoisesti aritmeettisella koodauksella; kvantisoitujen AC-komponenttien skannauksen voi tehdä zig-zag-skannauksella, ylhäältä-alas-skannauksella tai jollain muulla lukemattomista vaihtoehdoista. JPEG-2000:ssa on siis mahdollistettu vielä kaikki parannukset, joista JPEG:ssa tehtiin hyvä kompromisseja ja säilytetty silti kaikki toimivat osat. 8
9 LIITE 1 Lähteet: [1] D. Taubman: "JPEG2000-Image Compression Fundamentals, Standards and Practice", Kluwer Academic Publishers, 2002 [2] E. Steinbach: "Image and Video Compression", Technische Universität München, 2003 [3] D. Lee: An analytical study of JPEG functionalities, [4] E. Bodden: 9
10 LIITE 2 Marko Knuutila: JPEG:n algoritmit ja niiden vaihtoehdot Nopea diskreetti kosinimuunnos, jonka muuntomatriisi A on hajoitettu kahdeksaan osaan, jotka noudattavat yhtälöä y=ax=spm 1 M 2 M 3 M 4 M 5 M 6 x, jossa y edustaa muunniksesta saatujen kertoimien vektoria ja x kuvapisteiden arvojen vektoria. Nopealle 8-DCT (käsitellään siis hyvänä kompromissina pidettävää 8x8-lohkoa) -algoritmille saadaan hyvin yksinkertainen realisaatio, jonka laskentaan tarvitaan vain viisi kertolaskua sekä skaalaukseen kahdeksan kertolaskua (laskennallisesti hyvin kevyt): Kuvassa laatikot a 1,a 2,... sekä s 0,s 1,... edustavat kertolaskua ja nuolet yhteenlaskua. 10
Kuvan pakkaus JPEG (Joint Photographic Experts Group)
Kuvan pakkaus JPEG (Joint Photographic Experts Group) Arne Broman Mikko Toivonen Syksy 2003 Historia 1840 1895 1920-luku 1930-luku Fotografinen filmi Louis J. M. Daguerre, Ranska Ensimmäinen julkinen elokuva
LisätiedotOngelma 1: Onko datassa tai informaatiossa päällekkäisyyttä?
Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä? 2012-2013 Lasse Lensu 2 Ongelma 2: Voidaanko dataa tai informaatiota tallettaa tiiviimpään tilaan koodaamalla se uudelleen? 2012-2013 Lasse
LisätiedotPuheenkoodaus. Olivatpa kerran iloiset serkukset. PCM, DPCM ja ADPCM
Puheenkoodaus Olivatpa kerran iloiset serkukset PCM, DPCM ja ADPCM PCM eli pulssikoodimodulaatio Koodaa jokaisen signaalinäytteen binääriseksi (eli vain ykkösiä ja nollia sisältäväksi) luvuksi kvantisointitasolle,
LisätiedotDigitaalinen audio & video I
Digitaalinen audio & video I Johdanto Digitaalinen audio + Psykoakustiikka + Äänen digitaalinen esitys Digitaalinen kuva + JPEG 1 Johdanto Multimediassa hyödynnetään todellista ääntä, kuvaa ja videota
LisätiedotKuvan- ja videontiivistys. Mikko Nuutinen 14.2.2013
Kuvan- ja videontiivistys Mikko Nuutinen 14.2.2013 Oppimistavoitteet Redundanssi kuvissa: esimerkkitapauksina koodaus-, pikseleiden välinen sekä psykovisuaalinen redundanssi Kuvantiivistys: JPEG-koodauksen
LisätiedotAV-muotojen migraatiotyöpaja - video. KDK-pitkäaikaissäilytys seminaari / Juha Lehtonen
AV-muotojen migraatiotyöpaja - video KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen Elävän kuvan muodot Videoon vaikuttavia asioita Kuvamuotojen ominaisuudet Audiomuotojen ominaisuudet
LisätiedotDigitaalinen Audio & Video I
Digitaalinen Audio & Video I Johdanto Digitaalinen audio Psykoakustiikka Äänen digitaalinen esitys Monikanavaääni ja äänen digitaalinen siirto Digitaalinen kuva Diskreetti kosiinimuunnos JPEG 1 Johdanto
LisätiedotVÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA
VÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA Juha Lehtonen 20.3.2002 Joensuun yliopisto Tietojenkäsittelytiede Kandidaatintutkielma ESIPUHE Olen kirjoittanut tämän kandidaatintutkielman Joensuun yliopistossa
LisätiedotMatias Sumanen Mittaussignaalin häviötön pakkaaminen. Kandidaatintyö
Matias Sumanen Mittaussignaalin häviötön pakkaaminen Kandidaatintyö Tarkastaja: Yliopistonlehtori Heikki Huttunen Jätetty tarkastettavaksi: 17.5.2015 2 TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Signaalinkäsittelyn
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
Lisätiedotpuheen laatu kärsii koodauksesta mahdollisimman vähän. puhe pakkautuu mahdollisimman pieneen määrään bittejä.
Luku 1 Puheen koodaus Puheen koodauksella tarkoitetaan puhesignaalin esittämiseen tarvittavan bittimäärän pienentämistä sillä tavalla, että puhesignaalin laatu ja ymmärrettävyys kärsivät mahdollisimman
LisätiedotIIR-suodattimissa ongelmat korostuvat, koska takaisinkytkennästä seuraa virheiden kertautuminen ja joissakin tapauksissa myös vahvistuminen.
TL536DSK-algoritmit (J. Laitinen)..5 Välikoe, ratkaisut Millaisia ongelmia kvantisointi aiheuttaa signaalinkäsittelyssä? Miksi ongelmat korostuvat IIR-suodatinten tapauksessa? Tarkastellaan Hz taajuista
LisätiedotDigitaalinen audio & video, osa I
Digitaalinen audio & video, osa I Johdanto Digitaalinen audio + Psykoakustiikka + Äänen digitaalinen esitys Digitaalinen kuva +JPEG Petri Vuorimaa 1 Johdanto Multimediassa hyödynnetään todellista ääntä,
LisätiedotDigitaalinen audio & video, osa I. Johdanto. Digitaalisen audion sovellusalueet. Johdanto. Taajuusalue. Psykoakustiikka. Johdanto Digitaalinen audio
Digitaalinen audio & video, osa I Johdanto Digitaalinen audio + Psykoakustiikka + Äänen digitaalinen esitys Digitaalinen kuva +JPEG Petri Vuorimaa 1 Johdanto Multimediassa hyödynnetään todellista ääntä,
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät Välikoe
SGN-00 Signaalinkäsittelyn menetelmät Välikoe 9.3.009 Sivuilla - on. Älä vastaa siihen, jos et ollut ensimmäisessä välikokeessa. Tentin kysymykset ovat sivuilla 3-4. Vastaa vain jompaan kumpaan kokeeseen,
LisätiedotAV-muotojen migraatiotyöpaja - ääni. KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen
AV-muotojen migraatiotyöpaja - ääni KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen Äänimuodot Ääneen vaikuttavia asioita Taajuudet Äänen voimakkuus Kanavien määrä Näytteistys Bittisyvyys
LisätiedotOngelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida?
Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida? 2 Tieto on koodattu aikaisempaa yleisemmin digitaaliseen muotoon,
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
LisätiedotMitä on konvoluutio? Tutustu kuvankäsittelyyn
Mitä on konvoluutio? Tutustu kuvankäsittelyyn Tieteenpäivät 2015, Työohje Sami Varjo Johdanto Digitaalinen signaalienkäsittely on tullut osaksi arkipäiväämme niin, ettemme yleensä edes huomaa sen olemassa
LisätiedotAlla olevassa kuvassa on millisekunnin verran äänitaajuisen signaalin aaltomuotoa. Pystyakselilla on jännite voltteina.
TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki 1 Kirjan lukuun 3 liittyvää lisäselitystä ja esimerkkejä Kirjan luvussa 3 (Signals Carried over the Network) luodaan katsaus siihen, minkälaisia
LisätiedotVirheen kasautumislaki
Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain
LisätiedotMatlab-tietokoneharjoitus
Matlab-tietokoneharjoitus Tämän harjoituksen tavoitteena on: Opettaa yksinkertaisia piirikaavio- ja yksikkömuunnoslaskuja. Opettaa Matlabin perustyökaluja mittausten analysoimiseen. Havainnollistaa näytteenottotaajuuden,
LisätiedotELEC-C5070 Elektroniikkapaja (5 op)
(5 op) Luento 5 A/D- ja D/A-muunnokset ja niiden vaikutus signaaleihin Signaalin A/D-muunnos Analogia-digitaalimuunnin (A/D-muunnin) muuttaa analogisen signaalin digitaaliseen muotoon, joka voidaan lukea
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 14 To 20.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 14 To 20.10.2011 p. 1/39 p. 1/39 Nopeat Fourier-muunnokset Diskreetti Fourier-muunnos ˆf k = 1 N 1 N
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 13 Ti 18.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 13 Ti 18.10.2011 p. 1/43 p. 1/43 Nopeat Fourier-muunnokset Fourier-sarja: Jaksollisen funktion esitys
LisätiedotDIGITAALISTEN KUVAVÄÄRENNÖSTEN TUNNISTAMINEN JPEGPAKKAUSTA HYÖDYNTÄEN
Ilkka Ollari DIGITAALISTEN KUVAVÄÄRENNÖSTEN TUNNISTAMINEN JPEGPAKKAUSTA HYÖDYNTÄEN Tietojenkäsittelytieteen pro gradu -tutkielma 1.8.21 JYVÄSKYLÄN YLIOPISTO TIETOJENKÄSITTELYTIETEIDEN LAITOS SISÄLTÖ 1
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 3. helmikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SGN-1200 Signaalinkäsittelyn menetelmät, Tentti 18.3.2008 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotHarmaasävykuvien häviötön tiivistäminen
Harmaasävykuvien häviötön tiivistäminen Kaisa Komulainen 9. huhtikuuta 2001 Joensuun yliopisto Tietojenkäsittelytiede Pro gradu -tutkielma Tiivistelmä Digitaalisessa muodossa olevien kuvien määrä kasvaa
LisätiedotFlash AD-muunnin. Ominaisuudet. +nopea -> voidaan käyttää korkeataajuuksisen signaalin muuntamiseen (GHz) +yksinkertainen
Flash AD-muunnin Koostuu vastusverkosta ja komparaattoreista. Komparaattorit vertailevat vastuksien jännitteitä referenssiin. Tilanteesta riippuen kompraattori antaa ykkösen tai nollan ja näistä kootaan
LisätiedotLaskuharjoitus 4 ( ): Tehtävien vastauksia
TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki Laskuharjoitus 4 (2.10.2013): Tehtävien vastauksia 1. Tutkitaan signaalista näytteenotolla muodostettua PAM (Pulse Amplitude Modulation) -signaalia.
LisätiedotDigitaalitekniikan matematiikka Luku 13 Sivu 1 (10) Virheen havaitseminen ja korjaus
Digitaalitekniikan matematiikka Luku 13 Sivu 1 (10) Digitaalitekniikan matematiikka Luku 13 Sivu 2 (10) Johdanto Tässä luvussa esitetään virheen havaitsevien ja korjaavien koodaustapojen perusteet ja käyttösovelluksia
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 2. Lukujen esittäminen ja aritmetiikka 2.1 Kantajärjestelmät ja lukujen esittäminen Käytettävät lukujoukot: Luonnolliset luvut IN = {0,1,2,3,... } Positiiviset kokonaisluvut
LisätiedotAlgebralliset menetelmät virheenkorjauskoodin tunnistamisessa
Algebralliset menetelmät virheenkorjauskoodin tunnistamisessa Jyrki Lahtonen, Anni Hakanen, Taneli Lehtilä, Toni Hotanen, Teemu Pirttimäki, Antti Peltola Turun yliopisto MATINE-tutkimusseminaari, 16.11.2017
Lisätiedot1 Peruslaskuvalmiudet
1 Peruslaskuvalmiudet 11 Lukujoukot N {1,, 3, 4,} on luonnollisten lukujen joukko (0 mukana, jos tarvitaan), Z {, 3,, 1, 0, 1,, 3,} on kokonaislukujen joukko, Q m n : m, n Z, n 0 on rationaalilukujen joukko,
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-1200 Signaalinkäsittelyn menetelmät, Tentti 21.3.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotNumeeriset menetelmät TIEA381. Luento 14. Kirsi Valjus. Jyväskylän yliopisto. Luento 14 () Numeeriset menetelmät / 55
Numeeriset menetelmät TIEA381 Luento 14 Kirsi Valjus Jyväskylän yliopisto Luento 14 () Numeeriset menetelmät 15.5.2013 1 / 55 Luennon 14 sisältö Nopeat Fourier-muunnokset (FFT) Yleinen algoritmi 2-kantainen
LisätiedotHarmaasävykuvien häviöttömästä tiivistyksestä
Harmaasävykuvien häviöttömästä tiivistyksestä TURUN YLIOPISTO Informaatioteknologian laitos Tietojenkäsittelytiede Pro gradu tutkielma 9.2.2004 Marko Männistö SISÄLLYSLUETTELO SISÄLLYSLUETTELO...2 1 JOHDANTO...5
LisätiedotLÄHTEENKOODAUS. Mikä on lähteenkoodauksen perusidea? A Tietoliikennetekniikka II Osa 20 Kari Kärkkäinen Syksy 2015
1 LÄHTEENKOODAUS Mikä on lähteenkoodauksen perusidea? LÄHTEENKOODAUKSEN IDEA 2 Lähteen symbolien keskimääräinen informaatio (keskimääräinen epävarmuus) määritellään entropian H(X) avulla, ja se on symbolien
LisätiedotValokuvien matematiikkaa
Valokuvien matematiikkaa Avainsanat: valokuva, pikseli, päättely Luokkataso: 3.-5. luokka, 6.-9. luokka, lukio, yliopisto Välineet: Kynä, tehtävämonisteet (liitteenä), mahdollisiin jatkotutkimuksiin tietokone
LisätiedotSignaalien datamuunnokset. Digitaalitekniikan edut
Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 09/02/2009 Signaalien datamuunnokset 1 Digitaalitekniikan edut Tarkoituksena
LisätiedotSignaalien datamuunnokset
Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 06/02/2004 Luento 4a: Signaalien datamuunnokset 1 Digitaalitekniikan
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotDigitaalitekniikan matematiikka Luku 1 Sivu 1 (19) Johdatus digitaalitekniikkaan
Digitaalitekniikan matematiikka Luku 1 Sivu 1 (19) Digitaalitekniikan matematiikka Luku 1 Sivu 2 (19) Johdanto Tässä luvussa esitellään tiedon lajeja ja tiedolle tehtävää käsittelyä käsitellään tiedon
LisätiedotLuku 4 - Kuvien taajuusanalyysi
Luku 4 - Kuvien taajuusanalyysi Matti Eskelinen 8.2.2018 Kuvien taajuusanalyysi Tässä luvussa tutustumme taajuustasoon ja opimme analysoimaan kuvia ja muitakin signaaleja Fourier-muunnoksen avulla. Aiheina
LisätiedotAlgoritmit 2. Luento 9 Ti Timo Männikkö
Algoritmit 2 Luento 9 Ti 17.4.2018 Timo Männikkö Luento 9 Merkkitiedon tiivistäminen Huffmanin koodi LZW-menetelmä Taulukointi Editointietäisyys Algoritmit 2 Kevät 2018 Luento 9 Ti 17.4.2018 2/29 Merkkitiedon
LisätiedotD B. Levykön rakenne. pyöriviä levyjä ura. lohko. Hakuvarsi. sektori. luku-/kirjoituspää
Levyn rakenne Levykössä (disk drive) on useita samankeskisiä levyjä (disk) Levyissä on magneettinen pinta (disk surface) kummallakin puolella levyä Levyllä on osoitettavissa olevia uria (track), muutamasta
LisätiedotC = P Q S = P Q + P Q = P Q. Laskutoimitukset binaariluvuilla P -- Q = P + (-Q) (-Q) P Q C in. C out
Digitaalitekniikan matematiikka Luku ivu (2).9.2 Fe C = Aseta Aseta i i = n i > i i i Ei i < i i i Ei i i = Ei i i = i i -- On On On C in > < = CI CO C out -- = + (-) (-) = + = C + Digitaalitekniikan matematiikka
LisätiedotLappeenrannan teknillinen korkeakoulu Tietotekniikan osasto. Diplomityön aihe on hyväksytty Tietotekniikan osaston osastoneuvostossa
Lappeenrannan teknillinen korkeakoulu Tietotekniikan osasto Spektrivideo Diplomityön aihe on hyväksytty Tietotekniikan osaston osastoneuvostossa 15.9.1999. Tarkastajat: professori, TkT Heikki Kälviäinen
LisätiedotMultimedia. Mitä on multimedia? Mediatyypit. Siirtoformaatit. + Teksti + Grafiikka + Audio + Kuva + Video. Petri Vuorimaa 1
Multimedia Mitä on multimedia? Mediatyypit + Teksti + Grafiikka + Audio + Kuva + Video Siirtoformaatit Petri Vuorimaa 1 Mitä on multimedia? Multimedia = monta mediaa Käyttäjän vuorovaikutus = interaktiivisuus
LisätiedotLaskuharjoitus 2 ( ): Tehtävien vastauksia
TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki Laskuharjoitus 2 (11.9.2013): Tehtävien vastauksia 1. Eräässä kuvitteellisessa radioverkossa yhdessä radiokanavassa voi olla menossa samanaikaisesti
LisätiedotVaatimusmäärittely Ohjelma-ajanvälitys komponentti
Teknillinen korkeakoulu 51 Vaatimusmäärittely Ohjelma-ajanvälitys komponentti Versio Päiväys Tekijä Kuvaus 0.1 21.11.01 Oskari Pirttikoski Ensimmäinen versio 0.2 27.11.01 Oskari Pirttikoski Lisätty termit
Lisätiedot4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä
JYVÄSKYLÄN YLIOPISTO 4. Luennon sisältö Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi Lineaarinen optimointitehtävä Minimointitehtävä
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotSGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen
SGN- Signaalinkäsittelyn perusteet Välikoe.5.4 Heikki Huttunen Tentissä ja välikokeessa saa käyttää vain tiedekunnan laskinta. Tenttikysymyksiä ei tarvitse palauttaa. Sivuilla -3 on. Sivuilla 4-5 on. Sivulla
LisätiedotLARI KUMPU ADPCM:N KÄYTTÖ ÄÄNEN HÄVIÖTTÖMÄSSÄ PAKKAUKSESSA
LARI KUMPU ADPCM:N KÄYTTÖ ÄÄNEN HÄVIÖTTÖMÄSSÄ PAKKAUKSESSA Kandidaatintyö Tarkastaja: lehtori Konsta Koppinen Työ jätetty tarkastettavaksi 19. joulukuuta 2010 ii TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SGN-1200 Signaalinkäsittelyn menetelmät, Tentti 5.5.2008 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotAlgoritmit 1. Luento 11 Ti Timo Männikkö
Algoritmit 1 Luento 11 Ti 14.2.2017 Timo Männikkö Luento 11 Algoritminen ongelmanratkaisu Osittaminen Lomituslajittelu Lomituslajittelun vaativuus Rekursioyhtälöt Pikalajittelu Algoritmit 1 Kevät 2017
LisätiedotYhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt
Yhtälöryhmät 1/6 Sisältö Yhtälöryhmä Yhtälöryhmässä on useita yhtälöitä ja yleensä myös useita tuntemattomia. Tavoitteena on löytää tuntemattomille sellaiset arvot, että kaikki yhtälöt toteutuvat samanaikaisesti.
LisätiedotT-61.246 DSP: GSM codec
T-61.246 DSP: GSM codec Agenda Johdanto Puheenmuodostus Erilaiset codecit GSM codec Kristo Lehtonen GSM codec 1 Johdanto Analogisen puheen muuttaminen digitaaliseksi Tiedon tiivistäminen pienemmäksi Vähentää
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Audiosignaalit (ver 1.0) Jyrki Laitinen
TL5503 DSK, laboraatiot (1.5 op) Audiosignaalit (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab- ja SPDemo-ohjelmistoja käyttäen. Kokoa
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
Lisätiedot7. Kuvantiivistys 7.1. Perusteet
7. Kuvantiivistys 7.1. Perusteet Kuvan- tai laajemmin tiedontiivistys (tai -pakkaus) käsittää tärkeän algoritmien alueen informaation muokkaamiseksi muotoon, joka käyttää vähemmän muistitilaa kuin alkuperäinen
LisätiedotKuvankäsittely. DigiReWork Annamari Mäenhovi Kati Nieminen
Kuvankäsittely DigiReWork 14.11.2017 Annamari Mäenhovi Kati Nieminen Työpajan sisältö Valokuvaamisen karkeat perusteet Kuvien ottamisen ja käyttämisen laillisuus Digitaalinen kuva Erityisvaatimukset alustoille
LisätiedotSatunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos
Satunnaisalgoritmit Topi Paavilainen Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Helsinki, 23. helmikuuta 2014 1 Johdanto Satunnaisalgoritmit ovat algoritmeja, joiden
Lisätiedot9. Vektorit. 9.1 Skalaarit ja vektorit. 9.2 Vektorit tasossa
9. Vektorit 9.1 Skalaarit ja vektorit Skalaari on koon tai määrän mitta. Tyypillinen esimerkki skalaarista on massa. Lukumäärä on toinen hyvä esimerkki skalaarista. Vektorilla on taas suuruus ja suunta.
LisätiedotDigitaalinen signaalinkäsittely Kuvankäsittely
Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät,
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
Lisätiedotesimerkkejä erilaisista lohkokoodeista
6.2.1 Lohkokoodit tehdään bittiryhmälle bittiryhmään lisätään sovitun algoritmin mukaan ylimääräisiä bittejä [k informaatiobittiä => n koodibittiä, joista n-k lisäbittiä], käytetään yleensä merkintää (n,k)-koodi
LisätiedotReaalilukuvälit, leikkaus ja unioni (1/2)
Luvut Luonnolliset luvut N = {0, 1, 2, 3,... } Kokonaisluvut Z = {..., 2, 1, 0, 1, 2,... } Rationaaliluvut (jaksolliset desimaaliluvut) Q = {m/n m, n Z, n 0} Irrationaaliluvut eli jaksottomat desimaaliluvut
LisätiedotJANI URAMA LIIKKEENESTIMOINTI VIDEONPAKKAUKSESSA. Kandidaatintyö
JANI URAMA LIIKKEENESTIMOINTI VIDEONPAKKAUKSESSA Kandidaatintyö Tarkastaja: yliopistonlehtori Heikki Huttunen Jätetty tarkastettavaksi 14. joulukuuta 2012 ii TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO
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
LisätiedotVideon tallentaminen Virtual Mapista
Videon tallentaminen Virtual Mapista Kamera-ajon tekeminen Karkean kamera ajon teko onnistuu nopeammin Katseluohjelmassa (Navigointi > Näkymät > Tallenna polku). Liikeradan ja nopeuden tarkka hallinta
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
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
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
LisätiedotKompleksiluvut signaalin taajuusjakauman arvioinnissa
Kompleksiluvut signaalin taajuusjakauman arvioinnissa Vierailuluento IMA-kurssilla Heikki Huttunen Lehtori, TkT Signaalinkäsittely, TTY heikki.huttunen@tut.fi Department of Signal Processing Fourier-muunnos
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
LisätiedotKoodausteoria, Kesä 2014
Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 6. Ryöppyvirheitä korjaavat koodit Topi Törmä Matemaattisten tieteiden laitos 2 / 34 6.1 Peruskäsitteitä Aiemmin on implisiittisesti
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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 2 To 8.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 2 To 8.9.2011 p. 1/33 p. 1/33 Lukujen tallennus Kiintoluvut (integer) tarkka esitys aritmeettiset operaatiot
LisätiedotShannonin ensimmäinen lause
Shannonin ensimmäinen lause Pro gradu Maija-Liisa Metso Matemaattisten tieteiden laitos Oulun yliopisto Syksy 2014 Sisältö Tiivistelmä 2 1 Johdanto informaatioteoriaan 2 1.1 Informaatioteorian historiaa...................
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:
LisätiedotWebP-kuvaformaatin käyttö ja hyödyllisyys
Silja Karesto WebP-kuvaformaatin käyttö ja hyödyllisyys Metropolia Ammattikorkeakoulu Insinööri (AMK) Mediatekniikan koulutusohjelma Insinöörityö 6.5.2017 Tiivistelmä Tekijä Otsikko Sivumäärä Aika Silja
LisätiedotTietotekniikan valintakoe
Jyväskylän yliopisto Tietotekniikan laitos Tietotekniikan valintakoe 2..22 Vastaa kahteen seuraavista kolmesta tehtävästä. Kukin tehtävä arvostellaan kokonaislukuasteikolla - 25. Jos vastaat useampaan
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
Lisätiedot811312A Tietorakenteet ja algoritmit 2015-2016. I Johdanto
811312A Tietorakenteet ja algoritmit 2015-2016 I Johdanto Sisältö 1. Algoritmeista ja tietorakenteista 2. Algoritmien analyysistä 811312A TRA, Johdanto 2 I.1. Algoritmeista ja tietorakenteista I.1.1. Algoritmien
LisätiedotHäviötön tiedon pakkaaminen
Päivi Toikkanen Häviötön tiedon pakkaaminen Tietotekniikan pro gradu -tutkielma 26. marraskuuta 2014 Jyväskylän yliopisto Tietotekniikan laitos Kokkolan yliopistokeskus Chydenius Tekijä: Päivi Toikkanen
LisätiedotDigitaalinen media. Petri Vuorimaa
Digitaalinen media Petri Vuorimaa Luennon sisältö Mitä on digitaalinen media? Mediatyypit Teks; Grafiikka Audio Kuva Video Siirtoformaa;t 30.3.2012 Petri Vuorimaa / Mediatekniikan laitos 2 Median osuus
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
LisätiedotMitä on multimedia? Multimedia. Jatkuva-aikainen media. Yleisimmät mediatyypit. Jatkuvan median käsittelyvaiheet. Interaktiivuus
Multimedia Mitä on multimedia? Mediatyypit +Teksti + Grafiikka + Audio + Kuva +Video Siirtoformaatit Mitä on multimedia? Multimedia = monta mediaa Käyttäjän vuorovaikutus = interaktiivisuus Käsikirjoitus
Lisätiedot7. Kuvantiivistys 7.1. Perusteet
7. Kuvantiivistys 7.1. Perusteet Kuvan tai laajemmin tiedontiivistys (tai pakkaus käsittää tärkeän algoritmien alueen informaation muokkaamiseksi muotoon, joka käyttää vähemmän muistitilaa kuin alkuperäinen
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
Lisätiedot6*. MURTOFUNKTION INTEGROINTI
MAA0 6*. MURTOFUNKTION INTEGROINTI Murtofunktio tarkoittaa kahden polynomin osamäärää, ja sen yleinen muoto on P() R : R(). Q() Mikäli osoittajapolynomin asteluku on nimittäjäpolynomin astelukua korkeampi
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Lisätiedot