matalan tason kuvankäsittelyyn. Ylemmän tason prosessointi on jätetty toiseen seminaariaiheeseen.
|
|
- Ville-Veikko Mattila
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Kuvankäsittelytekniikat Kari Pihkala TKK Tiivistelmä Tämä artikkeli käsittelee tietokonenäön tasoa tällä hetkellä. Artikkelissa keskitytään matalan tason tietokonenäköön, kuvankäsittelyyn. Kuvan ymmärtäminen on jätetty toiseen seminaariaiheeseen. Kuvankäsittelytekniikoiden esittelyn jälkeen käydään läpi eräs käytännön toteutus. Lopuksi esitetään alan tämänhetkisiä ongelmia sekä tulevaisuus. 1 JOHDANTO Tämä artikkeli on kirjoitettu Digitaalisen Median Tutkimusseminaaria varten. Seminaarin aiheena oli Stanley Kubrickin ohjaama elokuva "Avaruusseikkailu 2001". Seminaarissa on tarkoituksena verrata nykypäivän tekniikkaa elokuvassa olevaan HAL 9000 tietokoneeseen. Tässä artikkelissa keskitytään tietokonenäköön. Tietokonenäön tutkimus alkoi 1950-luvulla (Jaenicke et al., 1999). Sen juuret ovat tekoälyn tutkimuksessa. Yhtenä alkuperäisistä ajatuksista oli antaa tietokoneelle yhtä hyvä tai parempi näkökyky kuin ihmiselle. Tämä tuli suoraan tekoälyn tarpeista, koska näkökyky on tarpeellinen, jotta voisi oppia ja ymmärtää ympäröivää maailmaa. Näiden yritysten jälkeen tutkimus keskittyi tehdasautomaatioon sekä robotiikkaan. Näissä järjestelmissä tarkasteltava maailma oli tunnettu ja tätä valmista tietoa pystyttiin käyttämään hyväksi kuvia analysoidessa. Näissä järjestelmissä tietokonenäkö oli passiivista. Passiivisessa järjestelmässä kamera on lukittu kuvaamaan kokoajan samaa kohtaa luvulla todettiin etteivät passiiviset järjestelmät voineet käsitellä todellisen maailman monimuotoisia kuvia. Tällaista prosessointia varten tarvittiin toisenlainen järjestelmä. Tämän seurauksena syntyivät aktiiviset järjestelmät. Ajatus aktiivisista järjestelmistä syntyi ihmissilmistä, jotka esikäsittelevät kuvan ennen kuin aivot analysoivat sen. Tähän kuuluu muun muassa liikkuvan kohteen seuranta ja näön tarkennus. Näköjärjestelmää täytyy siis kontrolloida aktiivisesti, jotta se olisi tehokas. Aktiiviseen näköjärjestelmään kuuluu osana kameran liikuttaminen, niin että järjestelmä voi automaattisesti valita parhaan näkökulman katselukohteeseen. Jotta tietokonenäön käsittely olisi helpompaa, jaetaan se usein kahteen osaan, alemman ja ylemmän tason prosessointiin (Sonka et al., 1995). Tämä artikkeli perehtyy erityisesti 1
2 matalan tason kuvankäsittelyyn. Ylemmän tason prosessointi on jätetty toiseen seminaariaiheeseen. Perusperiaatteet kuvan esikäsittelyssä eivät ole muuttuneet viime vuosina. Luvuissa 2 ja 3 käydään läpi kuvan syöttöä ja perusoperaatioita (Saarelma, 1997). Luvussa 4 käydään läpi segmentointia ja hahmontunnistusta, ja luvussa 5 kolmiulotteista näköä ja liikettä (Sonka et al., 1995). Luvussa 6 käydään läpi esimerkki tietokonenäön toteutuksesta (Scassellati, 1998). Lopuksi verrataan nykytekniikkaa elokuvan HAL 9000 tietokoneeseen ja arvioidaan tulevaisuutta. 2 KUVAN SYÖTTÖ Tietokone näkee yleensä katsomalla maailmaa kameralla. Eri tarkoituksiin on rakennettu erilaisia kameroita. Kameran ei tarvitse välttämättä nähdä vain näkyvää valoa. Jotkin kamerat voivat nähdä infrapunaa, jotkin ultraäänen avulla. Saarelma (1997) on käynyt läpi kuvansyöttölaitteita, digitointia ja kuvankäsittelyä, joita käsitellään tässä ja seuraavassa luvussa. 2.1 Tyypillisimmät kamerat Tyypillisimpiä kuvansyöttölaitteita ovat putkikamerat ja CCD-kamerat. Kuvassa 1 on hahmoteltu putkikameran rakennetta. Putkikameroissa elektronisuihku skannaa valolle herkkää pintaa, joka aiheuttaa sähkövirran. Tämä sähkövirta tulee ulos analogisena videosignaalina. Jotta tietokone pystyisi käsittelemään tätä videosignaalia, on se muunnettava digitaaliseen muotoon, usein erillisellä laitteella. Varsinkin nykyään käytetään paljon kevyitä CCD-kameroita, joista voi saada suoraan digitaalisen signaalin kameroihin sisään rakennetun digitoijan vuoksi. Näin säästytään erilliseltä videodigitoijalta. Kamera toimii seuraavasti: Kamerassa olevat valolle herkät elementit toimivat kondensaattoreina, jotka reagoivat ympäristön valaistuksen intensiteettiin keräämällä valaistuksen tasoa vastaavan varauksen. Varauksen luennan ja digitoinnin jälkeen elementit nollataan, jolloin valaistus alkaa kasvattaa uutta varausta. Eräs CCD-kameran rakenne on esitetty kuvassa 2. suihku Kuva 1: Putkikameran rakenne. videosignaali 2
3 R G B R G G B R G B B R G B R R G B R G videosignaali Kuva 2: CCD-kameran rakenne. 2.2 Kuvan digitointi Analoginen videosignaali täytyy muuntaa digitaaliseen muotoon, jotta tietokone pystyy käsittelemään sitä. Tämä tapahtuu digitoinnilla, joka koostuu näytteenotosta ja kvantisoinnista kuvan 3 osoittamalla tavalla. Näytteenotossa analogisesta signaalista otetaan tietyn ajan välein näytteitä, jolloin jatkuva signaali muuttuu diskreetiksi. Tämä diskreetti signaali, joka on vielä analoginen, kvantisoidaan pyöristämällä sen arvo lähimpään esivalittuun arvoon. (a) (b) (c) Kuva 3: Signaalin digitointi: (a) Analoginen jatkuva signaali, (b) näytteistetty signaali, (c) kvantisoitu signaali. 3 KUVAN ESIKÄSITTELY Kun kuva on siirretty digitaalisessa muodossa tietokoneeseen, täytyy sitä esikäsitellä, jotta kuvassa olevat virheet korjataan ja sitä olisi helpompi käsitellä. Tämä voi tapahtua pisteoperaatioilla, suodatusoperaatioilla, geometrisilla operaatioilla tai globaaleilla operaatioilla. Nämä ovat kuvankäsittelyohjelmistoissa yleisesti löytyviä ominaisuuksia. 3.1 Pisteoperaatiot Pisteoperaatiolla kuvan kirkkautta ja kontrastia voidaan muuttaa kaavan (1) mukaan. g(i,j) = a f(i,j) + b, (1) jossa g viittaa käsiteltyyn kuvaan, f viittaa alkuperäiseen kuvaan, i ja j määrittelevät laskettavan pisteen koordinaatit, a kontrastin ja b kokonaistummuuden. 3
4 3.2 Suodatusoperaatiot Kuvaa suodatettaessa voidaan kuvalle tehdä monenlaisia operaatioita, esimerkiksi pehmentää, korostaa tai hakea reunoja. Suodatuksessa on kyse matemaattisesta operaatiosta, jossa lasketaan alkuperäisen kuvan ja suodatinmatriisin konvoluutio. Esimerkkejä suodatuksesta on kuvassa 4. (a) (b) (c) (d) Kuva 4: Suodatus: (a) Alkuperäinen kuva, (b) pehmennetty kuva, (c) korostettu kuva, (d) reunat tunnistettu. 3.3 Geometriset operaatiot Kuvaa voidaan muokata myös geometrisillä operaatioilla, jotka venyttävät, supistavat tai kääntävät kuvaa. Tällainen operaatio tarvitsee tehdä, jos kameran linssi vääristää kuvaa. Tämä operaatio koostuu kahdesta vaiheesta, spatiaalimuunnoksesta, joka järjestää kuvan pisteet uudelleen ja harmaatasojen interpoloinnista, jolla uudelleenjärjestetystä kuvasta tehdään tummuuden ja värin suhteen jatkuva. Spatiaalimuunnos voidaan esittää kaavoilla (2) ja (3). x = r(x, y) (2) y = s(x, y), (3) jossa x ja y ovat kuvapisteen vanhat koordinaatit, x ja y kuvapisteen uudet koordinaatit ja funktiot r(x, y) ja s(x, y) ovat geometrisia kuvauksia alkuperäisen ja uuden kuvan välillä. Tästä tehdään tummuusinterpolaatio helpoiten vierekkäisten pisteiden välisenä nollannen kertaluvun interpolaationa. Tämä tosin usein tuottaa ylimääräisiä viivoja kuvaan. Parempi tulos saadaan bilineaarisella interpolaatiolla kaavan (4) mukaan (Saarelma, 1997). Näin kuvasta, jolle on tehty spatiaalimuunnos, saadaan pehmeämpi. Esimerkiksi suurennetuista pisteistä tulee helposti laatikkomaisia. Interpoloimalla kuvasta saadaan laatikkomaisuus pois. v(x, y ) = ax + by + cx y + d, (4) jossa x ja y ovat kaavasta (3) saadut uudet koordinaatit, ja a, b, c ja d ovat kertoimia, v(x, y) on pisteen uusi tummuus. 4
5 3.4 Globaalit operaatiot Globaalissa operaatiossa yhteen tuloskuvan pisteeseen vaikuttaa alkuperäisen kuvan kaikki pisteet. Tyypillinen globaali operaatio on diskreetti Fourier-muunnos. Sitä voidaan käyttää moniin eri tarkoituksiin, kuten kuvan korjaukseen, korostukseen, koodaukseen ja kuvatiedon tiivistykseen. Fourier-muunnoksessa kuvan komponentit on esitetty taajuuden mukaan järjestettyinä. Aivan kuten äänestä voidaan tehdä taajuusanalyysi, voidaan se tehdä kuvallekin. Fourier-muunnos voidaan esittää kaavalla 1 F( h, i) = n n 1 n 1 k = 0 l= 0 f ( k, l) e j2π ( kh+ li) / n missä f(k, l) on alkuperäinen kuva, F(h, i) saatu Fourier-muunnos, n on näytteiden määrä eli kuvan koko, 0 < h < n ja 0 < i < n., (5) 4 SEGMENTOINTI JA HAHMONTUNNISTUS Segmentoinnin päätavoite on jakaa kuva paloihin, jotka vastaavat kuvassa oikeasti olevia kohteita (Sonka et al., 1995). Segmentointi voidaan suorittaa täydellisesti, jolloin kuvassa olevat kohteet on jaoteltu täydellisesti oikein. Tämä kuitenkin usein vaatii myös ylemmän tason prosessointia. Kuva voidaan myös segmentoida osittain, jolloin palat eivät välttämättä vastaa täysin kuvassa oikeasti olevia kohteita. Tämä osittaissegmentointi jakaa kuvan paloihin kuva-alueiden ominaisuuksien perusteella, kuten kirkkauden, värin tai heijastuskyvyn mukaan. Usein segmentoinnin tulos on kaavio, joka kuvaa palaset ja niiden suhteet. Näin saatua segmentoitua kuvaa käytetään usein syötteenä ylemmän tason prosessoinnille. Segmentointitavat voidaan jakaa kolmeen ryhmään, globaaleihin metodeihin, reunapohjaisiin metodeihin ja aluepohjaisiin metodeihin. 4.1 Globaalit metodit Yksinkertaisin segmentointi saadaan porrastamalla kuva. Tällöin kuva jaetaan paloihin suoraan kirkkauden, värin tai jonkin muun ominaisuuden mukaan. Kuvassa 6 on kuva jaettu osiin kirkkauden mukaan. Tällöin kuvassa olevat kappaleet tulevat selvästi esille, ja ylemmän tason prosessien on helpompi tunnistaa ne. (a) (b) Kuva 6: Kuvan segmentointi kirkkauden porrastuksella: (a) Alkuperäinen kuva, (b) porrastettu kuva. 5
6 4.2 Reunapohjaiset metodit Reunapohjaiset metodit käsittelevät reunantunnistuksella esikäsiteltyä kuvaa. Niiden tarkoituksena on löytää palojen väliset reunat. Jälleen yksinkertaisin metodi on porrastus. Siinä kuva, josta on reunat tuotu esiin, porrastetaan esimerkiksi kirkkauden mukaan. Kuvassa 7 on esimerkki tästä. On myös kehitetty monia muitakin reunapohjaisia metodeja, joissa esimerkiksi yhdistetään katkenneita reunoja tai haetaan piilossa olevia reunoja. (a) (b) (c) Kuva 7: Kuvan reunojen segmentointi: (a) Alkuperäinen kuva, (b) reunat suodatettu kuva, (c) porrastettu kuva. 4.3 Aluepohjaiset metodit Edellinen metodi jakoi kuvan paloihin etsimällä reunoja. Aluepohjaisissa metodeissa kuva jaetaan suoraan paloihin. Tässä metodissa kuva-alueet jaetaan paloihin niiden ominaisuuksien mukaan, kuten kirkkauden tai värin perusteella. Erona globaaliin porrastukseen on se, ettei kuvasta aina luokitella samaa kirkkautta samaksi palaseksi. Sen sijaan kuvasta valitaan piste, jota ei ole vielä luokiteltu, ja sitä lähdetään kasvattamaan isommaksi alueeksi. Aluetta kasvatetaan niihin pisteisiin, joilla saman kaltaiset ominaisuudet. Näin kaksi erillistä yhtä kirkasta aluetta ei luokitella yhdeksi ja samaksi palaksi, vaan kahdeksi eri palaksi. Kuva 8 osoittaa eron kuvaan 6. Tässä kolme erillistä kohdetta on luokiteltu eri paloiksi, kuten kuuluukin. (a) (b) Kuva 8: Kuvan segmentointi alueenkasvatuksella: (a) Alkuperäinen kuva, (b) kolmeen palaan segmentoitu kuva. 4.4 Hahmontunnistus Kun esikäsitellystä kuvasta lähdetään tunnistamaan erilaisia esineitä, voidaan käyttää useita menetelmiä. Näitä ovat statistiset tunnistusmenetelmät, neuroverkkomenetelmät ja 6
7 esineen syntaktiset tunnistusmenetelmät. Statistisissa tunnistusmenetelmissä kappaleen ulkonäkö luokitellaan erilaisin ominaisuuksin ja kappale tunnistetaan vertailemalla näitä ominaisuuksia tallennettuihin vertailutietoihin. Neuroverkot ovat statistisien menetelmien tapaisia menetelmiä, laajennettuna muun muassa itseoppimisella. Syntaktisessa tunnistuksessa kappale on jaettu primitiiveihin ja näiden välisiin suhteisiin, esimerkiksi pallo neliön sisällä. Tämän jälkeen tätä syntaksista kuvausta verrataan muistissa oleviin kuvauksiin ja kappale tunnistetaan kun vastaava löytyy. 5 KOLMIULOTTEISUUS JA LIIKE Tähän asti on käsitelty ainoastaan kaksiulotteisia kuvia, mutta jos halutaan päästä lähemmäksi ihmisen tapaa käsitellä kuvia, on käsiteltävä kolmiulotteisia kuvia ja analysoitava liikettä. Näin koneen on myös helpompi analysoida kuvassa olevien kohteiden muotoja ja ominaisuuksia. Varsinkin robotit, joiden täytyy liikkua jossain tilassa tai nostaa jokin kappale, tarvitsevat kolmiulotteista näköä. 5.1 Kolmiulotteinen näkö Kolmiulotteisen kuvan ottoon tarvitaan kaksi kameraa, kuvan 9 osoittamalla tavalla. Ne on suunnattu johonkin tiettyyn kohteeseen, mutta eri pisteistä. Näin kamerat näkevät hieman eri kuvat. Kuvassa 10 on esimerkki kahden vierekkäin olevan kameran näkemistä kuvista. Kuva 9: Kaksi kameraa ja niiden suuntaus samaan kohteeseen. (a) (b) Kuva 10: Kahden kameran näkemät hieman erilaiset kuvat: (a) vasen kamera, (b) oikea kamera. 7
8 Kahdesta hieman erilaisesta kuvasta pystyy päättelemään kohteen kolmiulotteisen muodon helpommin kuin yhdestä kuvasta. Myös kohteen etäisyyden, koon ja nopeuden arviointi on huomattavasti helpompaa. Tietokoneella näitä kahta kuvaa käsiteltäessä tulee ongelmaksi, miten kone ymmärtää näissä erilaisissa kuvissa olevat kohteet yhdeksi ja samaksi kohteeksi. Toisessa kuvassa saattaa jopa näkyä sellaisia asioita, joita toisessa kuvassa ei näy ollenkaan. Tähän on kehitetty erilaisia algoritmeja. Yksi näistä on PMF-algoritmi. Siinä käytetään kolmea sääntöä. 1. Koska kamerat (kuten ihmisen silmät) ovat samalla korkeudella, on eri kuvissa olevat kappaleet myös samalla korkeudella. Ainoastaan kuvien vaakakoordinaatit ovat muuttuneet. Tämä muuttaa ongelman kaksiulotteisesta yksiulotteiseksi. 2. Yhtä vasemman kuvan pistettä ei voi vastata kuin enintään yksi oikean kuvan piste. Vain harvoissa tapauksissa yhtä pistettä voi vastata monta pistettä, tämä tapahtuu jos kuution seinämä näkyy viivana toiselle kameralle ja kapeasti toiselle. 3. Kolmiulotteisessa maailmassa kahden lähekkäin olevan pisteen tulee olla lähekkäin myös vasemmassa ja oikeassa kuvassa. Tämän lisäksi voidaan erilaisia visuaalisia vinkkejä käyttää hyväksi kohteen tunnistamisessa. Näitä ovat muodon tunnistus varjoista ja heijastuksista, liikkeestä ja pinnan kuvioista. Ihminen on erittäin harjaantunut tunnistamaan kohteita näkemästään kuvasta. Tässä auttaa ihmisen tieto ympärillä olevista kappaleista. Tiellä voidaan olettaa olevan autoja, ilmassa lintuja ja hyllyssä kirjoja. Sen sijaan lentävän auton tunnistaminen olisi varmasti vaikeampaa ihmiselle, joka ei osaa odottaa sitä. 5.2 Liikkeen tunnistus Liikkeentunnistusmenetelmät voidaan jakaa kolmeen ryhmään. Yksinkertaisin on minkä tahansa liikkeen havaitseminen. Tätä käytetään esimerkiksi murtohälyttimissä. Tähän tarkoitukseen riittää yksi paikallaan oleva kamera. Toisessa ryhmässä havaitaan liike sekä sen paikka. Tässä voi kamera olla paikallaan tai liikkeessä. Usein myös halutaan tunnistaa liikkuva kohde, havaita sen kulkusuunta sekä ennustaa sen suunta tulevaisuudessa. Yksi tapa tunnistaa liikkuva kappale on vähentää peräkkäiset kuvat toisistaan. Tällöin paikallaan olevat kohdat antavat tulokseksi nolla ja liikkuva kohde nollasta poikkeavan arvon. Tästä voidaan johtaa muun muassa liikkeen suunnan tunnistus, loittonemisen, lähenemisen ja kappaleen pyörimisen tunnistus. Kolmannessa ryhmässä selvitetään kohteen kolmiulotteista muotoa sen tai kameran liikkeen perusteella. Tämä liittyy läheisesti luvun 5.1. hahmontunnistukseen. 6 NÄKEVÄ IHMISROBOTTI COG Massachusetts Institute of Technologyn (MIT) Artificial Intelligence Laboratory on kehittänyt ihmisen ja eläimien kaltaisia robotteja, joilla on näkökyky. Seuraavassa 8
9 käydään läpi yhden robotin näkötekniikka, joka on esitetty Scassellatin (1998) artikkelissa. MIT:n laboratoriossa on kehitetty ihmismäinen robotti nimeltä Cog. Tämän projektin tarkoituksena on ollut rakentaa ihmisen ylävartaloa muistuttava robotti. Kyseinen robotti on rakennettu, jotta voitaisiin tutkia tarvitseeko ihmismäinen älykkyys ihmismäistä vuorovaikutusta ympäristön kanssa. Cog onkin ihmismäinen, sillä on kaksi kättä sekä pää. Cogissa on mallinnettu ihmisen näköaistia sekä motoriikkaa nykytekniikalla. Tämä tarkoittaa myös stereonäköä. Cogilla on aktiivinen näköjärjestelmä, joten se pystyy liikuttamaan päätään ja silmiään. Ihmissilmä näkee laajan alueen epätarkasti ja suppean alueen erittäin tarkasti. Tämä johtuu silmän retinassa olevien reseptorien, tappien ja sauvojen, erilaisista jakaumista. Laaja näkökenttä on tarpeen, jotta voisi saada hyvän käsityksen ympäristöstä ja suppea tarkka alue (fovea) tarvitaan kohteiden tarkkaan tutkiskeluun. Cogissa on yritetty saavuttaa sama. Tähän tarkoitukseen olisi tarvittu kamera, jossa on laaja kuvakulma, mutta tarkka keskikohta. Tällaisia kameroita on kehitetty koeasteelle, joko muuttuvalla reseptoritiheydellä tai keskikohtaa suurentavan linssin avulla. Nämä kamerat ovat vielä kalliita ja epäluotettavia, joten Cogiin on valittu kaksi tavallista kameraa yhtä silmää kohti. Toinen ottaa laajakulmakuvaa ja toinen tarkkaa kohdistettua kuvaa. Tämän lisäksi Cogissa on kopioitu ihmissilmän motoriikkaa. Cogin silmät pystyvät samoihin liikkeisiin kuin ihmissilmät. Kumpikin silmä voi liikkua ylös tai alas yhtäaikaa tai vaakatasossa toisistaan riippumattomasti. Kameroista kuva on syötetty tietokoneeseen, joka koostuu useasta signaaliprosessorista. Nämä prosessorit on yhdistetty toisiinsa 40 megabitin rinnakkaisverkolla. Tämä mahdollistaa reaaliaikaisen kuvan siirron prosessorien välillä. Pentium Pro -prosessori ohjaa näitä signaaliprosessoreja. Tällä kokoonpanolla on toteutettu erilaisia testejä. Signaaliprosessorien helppo ohjelmointi auttaa toteuttamaan erilaisia sovelluksia. Yksi näistä oli liikkuvan kohteen seuraaminen. Tällöin saatu kamerakuva on tallennettu kolmen kuvapuskurin rinkiin. Yksi pitää tämänhetkistä kuvaa, seuraava puskuri edellistä kuvaa ja kolmas sitä edellistä kuvaa. Kaksi viimeisintä kuvaa on vähennetty toisistaan, jolloin saadaan selville kohdat, jotka ovat muuttuneet, eli tunnistetaan liike. Tämä erotuskuva on sitten segmentoitu, jotta saataisiin selville suurin alue, jossa on tapahtunut liikettä. Tätä aluetta seurataan kameralla suuntaamalla se liikkuneeseen kohteeseen. 7 ONGELMAT JA TULEVAISUUS Schalkoff (1989) on esittänyt kuvankäsittelyyn liittyviä ongelmia. Suurimmat puutteet nykyisissä järjestelmissä lienevät muistin ja prosessointinopeuden vähyys. Prosessointinopeutta pystytään nostamaan rinnakkaisprosessoinnilla tai prosessoreilla, jotka käsittelevät yhden käskyn aikana montaa muistia (SIMD) tai monta käskyä sekä muistipaikkaa yhtäaikaa (MIMD). Myös täysin rinnakkaisesti prosessoivilla neuroverkoilla voisi nostaa prosessointitehoa. Tällainen prosessointi muistuttaa ihmisen aivojen toimintaa. 9
10 Tulevaisuudessa tietokoneiden muistikapasiteetti sekä suorituskyky nousee. Mooren lain (1965) mukaan elementtien lukumäärä mikropiirissä tuplaantuu joka 18 kuukausi. Tämän perusteella voidaan ennustaa että tietokoneiden tiedonkäsittelykapasiteetti tulee kasvamaan niin, että ihmisen näköä vastaava tietokonenäkö on mahdollista rakentaa tulevaisuudessa. Tavoitteena on kuitenkin aluksi reaaliaikainen stereonäkö sekä liikkeen seuranta. Nykyiset järjestelmät ovat usein tiettyyn tarkoitukseen rakennettuja järjestelmiä, joiden tuloksia on hankala yleistää. Tämän takia on hankalaa ennustaa, milloin ihmismäinen yleisnäkö pystytään rakentamaan. Tosin jos katsotaan mitä viimeisen 20 vuoden aikana alalla on tapahtunut, on muutos valtava. Sama kehitys tulee varmasti jatkumaan seuraavien vuosien aikana. Kuvankäsittely vaatii paljon prosessointitehoa, varsinkin suurien tarkkojen kuvien käsittely. Tällä hetkellä pystytään käsittelemään reaaliajassa televisiokuvan laatuista kuvaa. Jos tämän kuvan tarkkuus kaksinkertaistetaan, kasvaa prosessoinnin tarve helposti nelinkertaiseksi tai suuremmaksi riippuen käsittelytekniikasta. Voidaan siis ajatella, ettei tietokoneessa ole koskaan tarpeeksi prosessointitehoa, koska käsiteltävää kuvaa voidaan aina tarkentaa tai suurentaa. Tosin käytännön peruskuvankäsittelyongelmien ratkaisu on jo nyt mahdollista. Myöskään kuvankäsittelyssä käytettävien algoritmien optimointi ei ole mahdollista, sillä kuvan pisteet on aina käytävä piste pisteeltä läpi ja algoritmit ovat jo yksinkertaisia. 8 JOHTOPÄÄTÖKSET Tietokonenäkö ei ole vielä ihmissilmän tasolla. Yksinkertainen hahmontunnistus sekä raakakuvan käsittely on nyt jo mahdollista reaaliajassa rinnakkaisprosessorijärjestelmillä. Aiemmin tietokonenäöllä oli todellista käyttöä vain tehtaassa tuotannon valvojana. Nykyään kehitetään jo aktiivisia näköjärjestelmiä, jotka kopioivat silmän liikkeitä ja kuvankäsittelyä. Se, onko nykyään jo päästy HAL 9000-koneen tasolle, on hankala sanoa. HAL omisti vain yksittäisiä silmiä ripoteltuna eri paikkoihin avaruusaluksessa. Näytti siltä että kyseessä oli vain yksittäisiä kameroita, ei ollenkaan stereonäköä. Tosin on hankala sanoa mitä yksittäisen punahehkuisen linssin takana on kyseessähän voi olla vaikka kärpäsen silmää matkiva monikennorakenne. Jos oletetaan, ettei HALilla tosiaankaan ollut stereonäköä, ollaan nykyään paljon pidemmällä tässä suhteessa. Varsinkin kolmiulotteisten kappaleiden hahmottaminen olisi yhdellä silmällä erittäin hankalaa. Tosin jos HALilla on ihmismäinen näkö- ja ajattelukyky, ei yksisilmäisyydestä sinänsä välttämättä ole haittaa. Pystyväthän yksisilmäiset ihmisetkin näkemään tarpeeksi hyvin ymmärtääkseen maailmaa. Tietokonenäkö on erittäin laaja käsite ja se ei rajoitu pelkästään ihmisen näkemän valon näkemiseen. Myös käyttötarkoitukset ovat moninaisia. Standardiksi tietokonenäkö on muotoutumassa teollisuudessa, jossa tarvitsee tarkastaa tuotteen laatu. Sen sijaan "älyllisestä" näkemisestä ollaan vielä kaukana. 10
11 LÄHDELUETTELO Jaenicke A., Siddharth K., Smith J Computer Vision and Photogrammetry. [viitattu ] <URL: Moore, G. E Cramming more components onto integrated circuits. Electronics, Vol. 38, Nro 8. 4 s. Saarelma H Kuvan- ja tekstinkäsittelytekniikka. Helsinki, Yleisjäljennös Oy. 172 s. Scassellati, B A Binocular, Foveated Active Vision System. Technical Report 1628, MIT Artificial Intelligence Lab Memo. 10 s. Schalkoff, R. J Digital Image Processing and Computer Vision. New York: Wiley. 489 s. Sonka, M. Hlavac, V. ja Boyle R Image Processing, Analysis and Machine Vision. 2nd ed. Pacific Grove (CA) PWS Publishing, 770 s. 11
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,
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
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
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
LisätiedotMalleja ja menetelmiä geometriseen tietokonenäköön
Malleja ja menetelmiä geometriseen tietokonenäköön Juho Kannala 7.5.2010 Johdanto Tietokonenäkö on ala, joka kehittää menetelmiä automaattiseen kuvien sisällön tulkintaan Tietokonenäkö on ajankohtainen
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
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?
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
LisätiedotS11-04 Kompaktikamerat stereokamerajärjestelmässä. Projektisuunnitelma
AS-0.3200 Automaatio- ja systeemitekniikan projektityöt S11-04 Kompaktikamerat stereokamerajärjestelmässä Projektisuunnitelma Ari-Matti Reinsalo Anssi Niemi 28.1.2011 Projektityön tavoite Projektityössä
Lisätiedot1. STEREOKUVAPARIN OTTAMINEN ANAGLYFIKUVIA VARTEN. Hyvien stereokuvien ottaminen edellyttää kahden perusasian ymmärtämistä.
3-D ANAGLYFIKUVIEN TUOTTAMINEN Fotogrammetrian ja kaukokartoituksen laboratorio Teknillinen korkeakoulu Petri Rönnholm Perustyövaiheet: A. Ota stereokuvapari B. Poista vasemmasta kuvasta vihreä ja sininen
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
LisätiedotKuvan käsittelyn vaiheet
Kuvan käsittelyn vaiheet Kuvan muodostus Kuva kaapataan analogisella tai digitaalisella kameralla [image acquisition]. Analoginen kuva digitoidaan. Digitoituun kuvaan otetaan tehtävän ratkaisun kannalta
LisätiedotLuku 8. Aluekyselyt. 8.1 Summataulukko
Luku 8 Aluekyselyt Aluekysely on tiettyä taulukon väliä koskeva kysely. Tyypillisiä aluekyselyitä ovat, mikä on taulukon välin lukujen summa tai pienin luku välillä. Esimerkiksi seuraavassa taulukossa
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
LisätiedotHissimatkustajien automaattinen tunnistaminen. Johan Backlund
Hissimatkustajien automaattinen tunnistaminen Johan Backlund Johdanto Hissien historia pitkä Ensimmäiset maininnat voidaan jäljittää Rooman valtakuntaan Matkustaja hissien synty 1800-luvun puolessavälissä
LisätiedotKoodaamme uutta todellisuutta FM Maarit Savolainen https://blog.edu.turku.fi/matikkaajakoodausta/
Koodaamme uutta todellisuutta FM Maarit Savolainen 19.1.2017 https://blog.edu.turku.fi/matikkaajakoodausta/ Mitä on koodaaminen? Koodaus on puhetta tietokoneille. Koodaus on käskyjen antamista tietokoneelle.
Lisätiedotja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2
Johdatus diskreettiin matematiikkaan Harjoitus 4, 7.10.2015 1. Olkoot c 0, c 1 R siten, että polynomilla r 2 c 1 r c 0 on kaksinkertainen juuri. Määritä rekursioyhtälön x n+2 = c 1 x n+1 + c 0 x n, n N,
LisätiedotTee-se-itse -tekoäly
Tee-se-itse -tekoäly Avainsanat: koneoppiminen, tekoäly, neuroverkko Luokkataso: 6.-9. luokka, lukio, yliopisto Välineet: kynä, muistilappuja tai kertakäyttömukeja, herneitä tms. pieniä esineitä Kuvaus:
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 4 Jatkuvuus Jatkuvan funktion määritelmä Tarkastellaan funktiota f x) jossakin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jatkuva tai epäjatkuva. Jatkuvuuden
LisätiedotT-110.460 Henkilöturvallisuus ja fyysinen turvallisuus, k-04
T-110.460 Henkilöturvallisuus ja fyysinen turvallisuus, k-04 Harri Koskenranta Fyysinen turvallisuus 21.4.2004: Videovalvontajärjestelmät SUOJAUKSET UHKAT VAHINGOT TURVALLISUUSVALVONTA 21.4.2004 T-110.460
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.
LisätiedotS-108.3020 Elektroniikan häiriökysymykset. Laboratoriotyö, kevät 2010
1/7 S-108.3020 Elektroniikan häiriökysymykset Laboratoriotyö, kevät 2010 Häiriöiden kytkeytyminen yhteisen impedanssin kautta lämpötilasäätimessä Viimeksi päivitetty 25.2.2010 / MO 2/7 Johdanto Sähköisiä
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
LisätiedotNeuroverkkojen soveltaminen vakuutusdatojen luokitteluun
Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Sami Hokuni 12 Syyskuuta, 2012 1/ 54 Sami Hokuni Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Turun Yliopisto. Gradu tehty 2012 kevään
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
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
LisätiedotLaboratoriotyö. 1. Laitteisto. 1.1 Kamera
Laboratoriotyö 1. Laitteisto 1.1 Kamera Järjestelmän kamerassa (Hitachi, VK-C77E) on CCD -kenno ja mahdollisuus kuvan asynkroniseen päivitykseen. Kamerassa on sarjaliitäntä, jonka kautta voidaan ohjata
LisätiedotT-110.5610 TOIMITILATURVALLISUUS. - Videovalvontajärjestelmä. Harri Koskenranta 25.4.06
T-110.5610 TOIMITILATURVALLISUUS - Videovalvontajärjestelmä Harri Koskenranta 25.4.06 T-110.5610 Koskenranta 1 SUOJAUKSET UHKAT VAHINGOT TURVALLISUUSVALVONTA T-110.5610 Koskenranta 2 VIDEOVALVONTA / KAMERAVALVONTA
LisätiedotOngelma(t): Mihin perustuu tietokoneiden suorituskyky ja sen jatkuva kasvu? Mitkä tekijät rajoittavat suorituskyvyn parantamista ja mitkä niistä ovat
Ongelma(t): Mihin perustuu tietokoneiden suorituskyky ja sen jatkuva kasvu? Mitkä tekijät rajoittavat suorituskyvyn parantamista ja mitkä niistä ovat ehdottomia? 2012-2013 Lasse Lensu 2 Nykyiset tietokoneet
LisätiedotS-114.2720 Havaitseminen ja toiminta
S-114.2720 Havaitseminen ja toiminta Heikki Hyyti 60451P Harjoitustyö 2 visuaalinen prosessointi Treismanin FIT Kuva 1. Kuvassa on Treismanin kokeen ensimmäinen osio, jossa piti etsiä vihreätä T kirjainta.
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
LisätiedotOngelma(t): Mihin perustuu tietokoneiden suorituskyky ja sen jatkuva kasvu? Mitkä tekijät rajoittavat suorituskyvyn parantamista ja mitkä niistä ovat
Ongelma(t): Mihin perustuu tietokoneiden suorituskyky ja sen jatkuva kasvu? Mitkä tekijät rajoittavat suorituskyvyn parantamista ja mitkä niistä ovat ehdottomia? 2013-2014 Lasse Lensu 2 Nykyiset tietokoneet
LisätiedotMatikkaa KA1-kurssilaisille, osa 3: suoran piirtäminen koordinaatistoon
Matikkaa KA1-kurssilaisille, osa 3: suoran piirtäminen koordinaatistoon KA1-kurssi on ehkä mahdollista läpäistä, vaikkei osaisikaan piirtää suoraa yhtälön perusteella. Mutta muut kansiksen kurssit, no
LisätiedotProfessional-sarjan liiketunnistimet
1 Professional-sarjan liiketunnistimet tietävät, milloin hälytys on laukaistava ja milloin taas ei. Monipisteinen peittämisen tunnistus ja integroitu suihkeen havainnointi! 2 Kehittynyt anturien tietojen
LisätiedotLOPPURAPORTTI 19.11.2007. Lämpötilahälytin. 0278116 Hans Baumgartner xxxxxxx nimi nimi
LOPPURAPORTTI 19.11.2007 Lämpötilahälytin 0278116 Hans Baumgartner xxxxxxx nimi nimi KÄYTETYT MERKINNÄT JA LYHENTEET... 3 JOHDANTO... 4 1. ESISELOSTUS... 5 1.1 Diodi anturina... 5 1.2 Lämpötilan ilmaisu...
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
LisätiedotKun yritän luoda täydellisen kuvan, käytän aina tarkoin määriteltyjä
Täydellisen kuvan niksit Kun yritän luoda täydellisen kuvan, käytän aina tarkoin määriteltyjä suuntaviivoja. Kutsun niitä 9 elementiksi. Tässä artikkelissa käyn läpi mitä tarvitsen ja mitä otan huomioon
LisätiedotKONENÄÖN MAHDOLLISUUDET KATUJEN JA TEIDEN OMAISUUDEN HALLINTAAN
KONENÄÖN MAHDOLLISUUDET KATUJEN JA TEIDEN OMAISUUDEN HALLINTAAN Petri Hienonen * * Lappeenranta University of Technology (LUT) Laboratory of Machine Vision and Pattern Recognition (MVPR) Kuntatekniikkapäivät
Lisätiedot5. Grafiikkaliukuhihna: (1) geometriset operaatiot
5. Grafiikkaliukuhihna: () geometriset operaatiot Johdanto Grafiikkaliukuhihnan tarkoitus on kuvata kolmiulotteisen kohdeavaruuden kuva kaksiulotteiseen kuva eli nättöavaruuteen. aikka kolmiulotteisiakin
LisätiedotEi välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:
Inversio-ongelmista Craig, Brown: Inverse problems in astronomy, Adam Hilger 1986. Havaitaan oppositiossa olevaa asteroidia. Pyörimisestä huolimatta sen kirkkaus ei muutu. Projisoitu pinta-ala pysyy ilmeisesti
LisätiedotUUDET INNOVAATIOT. Professori Heikki Kälviäinen Koulutusohjelman johtaja Laitoksen johtaja
UUDET INNOVAATIOT Professori Heikki Kälviäinen Koulutusohjelman johtaja Laitoksen johtaja Tietojenkäsittelytekniikan professori Konenäön ja hahmontunnistuksen laboratorio Tietotekniikan laitos Teknistaloudellinen
LisätiedotNEX-3/NEX-5/NEX-5C A-DRJ-100-12(1) 2010 Sony Corporation
NEX-3/NEX-5/NEX-5C Tässä esitteessä on kuvattu tämän laiteohjelmapäivityksen sisältämät 3Dtoiminnot. Lisätietoja on Käyttöoppaassa ja mukana toimitetun CD-ROMlevyn α Käsikirjassa. 2010 Sony Corporation
LisätiedotKUVANKÄSITTELY THE GIMP FOR WINDOWS OHJELMASSA
KUVANKÄSITTELY THE GIMP FOR WINDOWS OHJELMASSA Ohjeistuksessa käydään läpi kuvan koon ja kuvan kankaan koon muuntaminen esimerkin avulla. Ohjeistus on laadittu auttamaan kuvien muokkaamista kuvakommunikaatiota
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
LisätiedotDatatähti 2019 loppu
Datatähti 2019 loppu task type time limit memory limit A Summa standard 1.00 s 512 MB B Bittijono standard 1.00 s 512 MB C Auringonlasku standard 1.00 s 512 MB D Binääripuu standard 1.00 s 512 MB E Funktio
LisätiedotT FYYSINEN TURVALLISUUS. - Videovalvontajärjestelmä. Harri Koskenranta
T-110.460 FYYSINEN TURVALLISUUS - Videovalvontajärjestelmä Harri Koskenranta 14.4.05 14.4.2005 T-110.460 Koskenranta 1 SUOJAUKSET UHKAT VAHINGOT TURVALLISUUSVALVONTA 14.4.2005 T-110.460 Koskenranta 2 VIDEOVALVONTA
Lisätiedot3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö
3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö Yhtälön (tai funktion) y = a + b + c, missä a 0, kuvaaja ei ole suora, mutta ei ole yhtälökään ensimmäistä astetta. Funktioiden
LisätiedotYhtälönratkaisusta. Johanna Rämö, Helsingin yliopisto. 22. syyskuuta 2014
Yhtälönratkaisusta Johanna Rämö, Helsingin yliopisto 22. syyskuuta 2014 Yhtälönratkaisu on koulusta tuttua, mutta usein sitä tehdään mekaanisesti sen kummempia ajattelematta. Jotta pystytään ratkaisemaan
Lisätiedotetunimi, sukunimi ja opiskelijanumero ja näillä
Sisällys 1. Algoritmi Algoritmin määritelmä. Aiheen pariin johdatteleva esimerkki. ja operaatiot (sijoitus, aritmetiikka ja vertailu). Algoritmista ohjelmaksi. 1.1 1.2 Algoritmin määritelmä Ohjelmointi
LisätiedotTaulukot. Jukka Harju, Jukka Juslin 2006 1
Taulukot Jukka Harju, Jukka Juslin 2006 1 Taulukot Taulukot ovat olioita, jotka auttavat organisoimaan suuria määriä tietoa. Käsittelylistalla on: Taulukon tekeminen ja käyttö Rajojen tarkastus ja kapasiteetti
LisätiedotELEMENTTIMENETELMÄN PERUSTEET SESSIO 17: Interpolointi emoneliön ja emokolmion alueessa.
7/ EEMETTIMEETEMÄ PERUSTEET SESSIO 7: Interpolointi emoneliön ja emokolmion alueessa. ITERPOOITI EMOEIÖ AUEESSA Yksiulotteisen interpoloinnin yhteydessä tulivat esille interpolointifunktioiden perusominaisuudet
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
LisätiedotKokeile kuvasuunnistusta. 3D:nä
Kokeile kuvasuunnistusta 3D:nä Oheinen 3D-kuvasuunnistus on julkaistu Suunnistaja-lehdessä 1/13. Tämä kuvasuunnistus on toteutettu tarkkuussuunnistuksen aikarastitehtävän mukaisesti. Aikarastilla kartta
LisätiedotLIITE. asiakirjaan. komission delegoitu asetus
EUROOPAN KOMISSIO Bryssel 12.10.2015 C(2015) 6823 final ANNEX 1 PART 6/11 LIITE asiakirjaan komission delegoitu asetus kaksikäyttötuotteiden vientiä, siirtoa, välitystä ja kauttakulkua koskevan yhteisön
LisätiedotMuodonmuutostila hum 30.8.13
Muodonmuutostila Tarkastellaan kuvan 1 kappaletta Ω, jonka pisteet siirtvät ulkoisen kuormituksen johdosta siten, että siirtmien tapahduttua ne muodostavat kappaleen Ω'. Esimerkiksi piste A siirt asemaan
LisätiedotMatemaatiikan tukikurssi
Matemaatiikan tukikurssi Kurssikerta 1 1 Funktiot Funktion määritelmä Funktio on sääntö, joka liittää kahden eri joukon alkioita toisiinsa. Ollakseen funktio tämän säännön on liitettävä jokaiseen lähtöjoukon
Lisätiedotk=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu
LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto ja
LisätiedotSyötteen ainoalla rivillä on yksi positiivinen kokonaisluku, joka on alle 1000000000000 = 10 12. Luvussa ei esiinny missään kohtaa numeroa 0.
A Alkulukuosat Tehtävänä on laskea annetusta kokonaisluvusta niiden osajonojen määrä, joita vastaavat luvut ovat alkulukuja. Esimerkiksi luvun 123 kaikki osajonot ovat 1, 2, 3, 12, 23 ja 123. Näistä alkulukuja
LisätiedotVisualisoinnin perusteet
1 / 12 Digitaalisen arkkitehtuurin yksikkö Aalto-yliopisto Visualisoinnin perusteet Mitä on renderöinti? 2 / 12 3D-mallista voidaan generoida näkymiä tietokoneen avulla. Yleensä perspektiivikuva Valon
LisätiedotVALAISTUSSUUNNITTELUN RESTORATIIVISET VAIKUTUKSET RAKENNETUSSA YMPÄRISTÖSSÄ
VALAISTUS- JA SÄHKÖSUUNNITTELU Ky VALAISTUSSUUNNITTELUN RESTORATIIVISET VAIKUTUKSET RAKENNETUSSA YMPÄRISTÖSSÄ 1 VALAISTUS- JA SÄHKÖSUUNNITTELU Ky VALAISTUSSUUNNITTELUN RESTORATIIVISET VAIKUTUKSET RAKENNETUSSA
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
LisätiedotLAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä
Esri Finland LAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä November 2012 Janne Saarikko Agenda Lidar-aineistot ja ArcGIS 10.1 - Miten LAS-aineistoa voidaan hyödyntää? - Aineistojen hallinta LAS Dataset
Lisätiedotx j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu
2 Interpolointi Olkoon annettuna n+1 eri pistettä x 0, x 1, x n R ja n+1 lukua y 0, y 1,, y n Interpoloinnissa etsitään funktiota P, joka annetuissa pisteissä x 0,, x n saa annetut arvot y 0,, y n, (21)
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
LisätiedotVirheen kasautumislaki
Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain
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
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
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
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
LisätiedotSystemointiosamäärä. Nimi: ********************************************************************************
Systemointiosamäärä SQ Nimi: ******************************************************************************** Lue jokainen väite huolellisesti ja arvioi, miten voimakkaasti olet tai eri sen kanssa. 1.
LisätiedotAlgoritmit 2. Luento 6 To Timo Männikkö
Algoritmit 2 Luento 6 To 28.3.2019 Timo Männikkö Luento 6 B-puun operaatiot Nelipuu Trie-rakenteet Standarditrie Pakattu trie Algoritmit 2 Kevät 2019 Luento 6 To 28.3.2019 2/30 B-puu 40 60 80 130 90 100
LisätiedotOhjeissa pyydetään toisinaan katsomaan koodia esimerkkiprojekteista (esim. Liikkuva_Tausta1). Saat esimerkkiprojektit opettajalta.
Ohjeissa pyydetään toisinaan katsomaan koodia esimerkkiprojekteista (esim. Liikkuva_Tausta1). Saat esimerkkiprojektit opettajalta. Vastauksia kysymyksiin Miten hahmon saa hyppäämään? Yksinkertaisen hypyn
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
Lisätiedot1. Johdanto. Johdanto 1. Johdanto 2. Johdanto 3. Johdanto 4
1. Johdanto Kuvanprosessointi tai käsittely juontaa juurensa kahdesta pääasiallisesta alueesta, jotka ovat kuvainformaation parantaminen ihmisen tulkintaa varten ja kuvadatan käsittely talletusta, siirtoa
LisätiedotEPMAn tarjoamat analyysimahdollisuudet
Top Analytica Oy Ab Laivaseminaari 27.8.2013 EPMAn tarjoamat analyysimahdollisuudet Jyrki Juhanoja, Top Analytica Oy Johdanto EPMA (Electron Probe Microanalyzer) eli röntgenmikroanalysaattori on erikoisrakenteinen
LisätiedotLuento 3: 3D katselu. Sisältö
Tietokonegrafiikan perusteet T-.43 3 op Luento 3: 3D katselu Lauri Savioja Janne Kontkanen /27 3D katselu / Sisältö Kertaus: koordinaattimuunnokset ja homogeeniset koordinaatit Näkymänmuodostus Kameran
LisätiedotParasta ammunnanharjoitteluun
Parasta ammunnanharjoitteluun Edut Objektiivinen suorituskykyanalyysi Tarkka mittaus Kompakti, kevyt ja helppokäyttöinen Yleiskiinnike useimpiin urheiluaseisiin Helppo kohdistus Todellinen ammuntaetäisyys
LisätiedotKohti todellista jokapaikan tietotekniikkaa
Kohti todellista jokapaikan tietotekniikkaa Prof. Olli Silvén Konenäköryhmä, Infotech Oulu Jokapaikan tietotekniikka: kaikkialla läsnä, silti näkymättä Langaton infrastruktuuri tulee jossakin muodossaan
LisätiedotAlgoritmi III Vierekkäisten kuvioiden käsittely. Metsätehon tuloskalvosarja 7a/2018 LIITE 3 Timo Melkas Kirsi Riekki Metsäteho Oy
Algoritmi III Vierekkäisten kuvioiden käsittely Metsätehon tuloskalvosarja 7a/2018 LIITE 3 Timo Melkas Kirsi Riekki Metsäteho Oy Algoritmi III vierekkäisten kuvioiden käsittely Lähtötietoina algoritmista
LisätiedotKuvat Web-sivuilla. Keskitie:
Kuvat Web-sivuilla Nielsen: Web-sivun kuvitus on pyrittävä minimoimaan vasteajan takia. Kaikki perusteeton kuvitus on karsittava. Yksi kuva vastaa tuhatta sanaa vs Latausajassa yksi kuva vastaa kahta tuhatta
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa
LisätiedotSuccessive approximation AD-muunnin
AD-muunnin Koostuu neljästä osasta: näytteenotto- ja pitopiiristä, (sample and hold S/H) komparaattorista, digitaali-analogiamuuntimesta (DAC) ja siirtorekisteristä. (successive approximation register
LisätiedotTEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA)
JOHDATUS TEKOÄLYYN TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA) KONEOPPIMISEN LAJIT OHJATTU OPPIMINEN: - ESIMERKIT OVAT PAREJA (X, Y), TAVOITTEENA ON OPPIA ENNUSTAMAAN Y ANNETTUNA X.
LisätiedotLuento 4 Kolmiulotteiset kuvat. fotogrammetriaan ja kaukokartoitukseen
Luento 4 Kolmiulotteiset kuvat 1 Kuvan kolmiulotteisuus 2 Stereokuva 3 Aiheita Parallaksi. Stereoskopia. Stereoskooppinen näkeminen. Stereomallin kokonaisplastiikka. Stereokuvaus. Dokumentointi stereodiakuvin.
LisätiedotValon havaitseminen. Näkövirheet ja silmän sairaudet. Silmä Näkö ja optiikka. Taittuminen. Valo. Heijastuminen
Näkö Valon havaitseminen Silmä Näkö ja optiikka Näkövirheet ja silmän sairaudet Valo Taittuminen Heijastuminen Silmä Mitä silmän osia tunnistat? Värikalvo? Pupilli? Sarveiskalvo? Kovakalvo? Suonikalvo?
LisätiedotKirjanpidon ALV-muutos
9.9.2010 1(10) Kirjanpidon ALV-muutos Tämä dokumentti sisältää ohjeen sille miten uudet ALVkoodit (ALV-prosentit) otetaan käyttöön. Vaihtoehto yksi(1) vaihda olemassaolevat ALV-koodit yhdestä prosentista
Lisätiedot90 ryhmän 1 huomautuksen f alakohdan nojalla. Näin ollen tavara luokitellaan CN-koodiin 8108 90 90 muuksi titaanista valmistetuksi tavaraksi.
14.11.2014 L 329/5 (CN-koodi) Kiinteä, lieriön muotoinen, kierteitetty tuote, joka on valmistettu erittäin kovasta värikäsitellystä titaaniseoksesta ja jonka pituus on noin 12 mm. Tuotteessa on varsi,
LisätiedotLineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
Lisätiedot10. Globaali valaistus
10. Globaali valaistus Globaalilla eli kokonaisvalaistuksella tarkoitetaan tietokonegrafiikassa malleja, jotka renderöivät kuvaa laskien pisteestä x heijastuneen valon ottamalla huomioon kaiken tähän pisteeseen
LisätiedotLego Mindstorms NXT. OPH oppimisympäristöjen kehittämishanke 2011-2013. (C) 2012 Oppimiskeskus Innokas! All Rights Reserved 1
Lego Mindstorms NXT OPH oppimisympäristöjen kehittämishanke 2011-2013 (C) 2012 Oppimiskeskus Innokas! All Rights Reserved 1 Anturi- ja moottoriportit A B C 1 2 3 4 (C) 2012 Oppimiskeskus Innokas! All Rights
LisätiedotTilastotiede ottaa aivoon
Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen
LisätiedotKaksirivisen matriisin determinantille käytämme myös merkintää. a 11 a 12 a 21 a 22. = a 11a 22 a 12 a 21. (5.1) kaksirivine
Vaasan yliopiston julkaisuja 97 5 DETERMINANTIT Ch:Determ Sec:DetDef 5.1 Determinantti Tämä kappale jakautuu kolmeen alakappaleeseen. Ensimmäisessä alakappaleessa määrittelemme kaksi- ja kolmiriviset determinantit.
LisätiedotTarvikkeet: A5-kokoisia papereita, valmiiksi piirrettyjä yksinkertaisia kuvioita, kyniä
LUMATE-tiedekerhokerta, suunnitelma AIHE: OHJELMOINTI 1. Alkupohdinta: Mitä ohjelmointi on? Keskustellaan siitä, mitä ohjelmointi on (käskyjen antamista tietokoneelle). Miten käskyjen antaminen tietokoneelle
Lisätiedot1. Algoritmi 1.1 Sisällys Algoritmin määritelmä. Aiheen pariin johdatteleva esimerkki. Muuttujat ja operaatiot (sijoitus, aritmetiikka ja vertailu). Algoritmista ohjelmaksi. 1.2 Algoritmin määritelmä Ohjelmointi
LisätiedotThe spectroscopic imaging of skin disorders
Automation technology October 2007 University of Vaasa / Faculty of technology 1000 students 4 departments: Mathematics and statistics, Electrical engineerin and automation, Computer science and Production
LisätiedotTilastotiede ottaa aivoon
Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen
LisätiedotAlkuraportti. LAPPEENRANNAN TEKNILLINEN YLIOPISTO TIETOJENKÄSITTELYN LAITOS CT10A4000 - Kandidaatintyö ja seminaari
LAPPEENRANNAN TEKNILLINEN YLIOPISTO TIETOJENKÄSITTELYN LAITOS CT10A4000 - Kandidaatintyö ja seminaari Alkuraportti Avoimen lähdekoodin käyttö WWW-sovelluspalvelujen toteutuksessa Lappeenranta, 30.3.2008,
LisätiedotLineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)
Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe 26.10.2017 Ratkaisuehdotus 1. (35 pistettä) (a) Seuraavat matriisit on saatu eräistä yhtälöryhmistä alkeisrivitoimituksilla. Kuinka monta ratkaisua yhtälöryhmällä
Lisätiedot