Przetwarzanie i analiza obrazów, kolos 1 (zestawy 1-3)

0.0(0)
Studied by 0 people
call kaiCall Kai
learnLearn
examPractice Test
spaced repetitionSpaced Repetition
heart puzzleMatch
flashcardsFlashcards
GameKnowt Play
Card Sorting

1/221

encourage image

There's no tags or description

Looks like no tags are added yet.

222 Terms

1
New cards
Przetwarzanie obrazów (image processing)
Operacje, których wejściem i wyjściem jest obraz, np. poprawa kontrastu, usuwanie szumu, binaryzacja
2
New cards
Analiza obrazów (image analysis)
Wydobywanie z obrazu informacji ilościowych lub opisowych, np. liczba obiektów, ich pole, kształt, położenie
3
New cards
Typowy potok (pipeline) przetwarzania obrazu
Akwizycja → preprocessing (wstępne przetwarzanie) → segmentacja → analiza/rozpoznawanie; każdy etap wpływa na jakość wyniku końcowego
4
New cards
Zastosowania przetwarzania obrazów
Medycyna (MRI, CT, RTG, segmentacja narządów), przemysł (kontrola jakości, inspekcja, robotyka), bezpieczeństwo (rozpoznawanie twarzy, monitoring), multimedia (kompresja, filtry, AR/VR)
5
New cards
Czopki (cones)
Receptory siatkówki: ok. 6 mln, skupione wokół plamki żółtej, 3 rodzaje (S ok. 420 nm, M ok. 534 nm, L ok. 564 nm), mała czułość, widzenie dzienne i barwne
6
New cards
Pręciki (rods)
Receptory siatkówki: ok. 100 mln na całej siatkówce, 1 rodzaj, duża czułość nawet przy słabym świetle, widzenie nocne bez barw
7
New cards
Biologiczna inspiracja modelu RGB
Trzy rodzaje czopków reagujące na trzy zakresy długości fal (krótkie, średnie, długie)
8
New cards
Piksel
Najmniejszy element obrazu rastrowego (komórka macierzy obrazu); w 3D odpowiednikiem jest woksel
9
New cards
Obraz rastrowy (bitmapa)
Macierz M × N pikseli (M × N × O w 3D); każdy piksel przechowuje wektor kanałów opisujący kolor; zmiana rozdzielczości powoduje utratę jakości
10
New cards
Obraz wektorowy
Opisany prymitywami geometrycznymi (linie, krzywe) o rzeczywistych współrzędnych; można go skalować bez utraty jakości (np. SVG, fonty TrueType)
11
New cards
Rasteryzacja
Zamiana obrazu wektorowego na rastrowy (np. przed wyświetleniem); proces odwrotny to wektoryzacja
12
New cards
Rozdzielczość obrazu
Liczba pikseli w obrazie (wysokość × szerokość) lub gęstość próbkowania; określają ją kroki próbkowania Δx, Δy
13
New cards
Głębia bitowa
Liczba bitów na piksel (lub kanał); n bitów daje 2^n poziomów, np. 8 bitów = 256 poziomów jasności
14
New cards
Obraz 8‑bitowy (uint8)
Wartości pikseli 0–255; 0 to czerń, 255 to biel; 2^8 = 256 poziomów
15
New cards
Obraz typu float w skimage
Wartości pikseli zwykle w zakresie 0.0–1.0 (0.0 czerń, 1.0 biel); przeliczenie: float = uint8 / 255
16
New cards
Głębia RGB 24 bity (8‑8‑8)
Ok. 16,7 mln kolorów (2^24)
17
New cards
Głębia RGB 16 bitów (5‑6‑5)
65 536 kolorów; zielony ma 6 bitów, bo oko jest na niego najczulsze
18
New cards
Głębia RGB 32 bity
24 bity koloru + 8 bitów na kanał alfa (przezroczystość) lub nieużywane
19
New cards
Głębia RGB 48 bitów (16‑16‑16)
Po 16 bitów na kanał; zastosowania profesjonalne
20
New cards
Obraz binarny
Piksele przyjmują tylko 2 wartości (np. 0/1, 0/255, True/False); 1 bit na piksel; jedna wartość to tło, druga to obiekt
21
New cards
Obraz w skali szarości (monochromatyczny)
1 kanał na piksel opisujący jasność, np. 256 poziomów dla 8 bitów; shape = (wysokość, szerokość)
22
New cards
Obraz kolorowy
3 kanały na piksel, np. [R G B], [H S V], [L a b]; shape = (wysokość, szerokość, 3)
23
New cards
Obraz RGBA
RGB + kanał alfa (przezroczystość); shape = (wysokość, szerokość, 4)
24
New cards
Obraz multimodalny
Piksel ma wiele kanałów (wieloelementowy wektor), np. obrazy wielospektralne
25
New cards
Obraz indeksowany (z paletą)
Piksele przechowują indeksy do tablicy kolorów (palety) zamiast pełnego koloru; mniejszy plik, palety można wymieniać bez zmiany obrazu
26
New cards
Co mówi img.shape?
Wymiary obrazu i liczbę kanałów: (H, W) = skala szarości, (H, W, 3) = RGB, (H, W, 4) = RGBA
27
New cards
Wyodrębnienie kanału czerwonego w NumPy
img[:, :, 0]; kanał G to indeks 1, kanał B to indeks 2
28
New cards
Kanał RGB wyświetlony w skali szarości
Jasność piksela odpowiada intensywności danej składowej; jasne miejsca = dużo tej barwy w oryginale
29
New cards
Model RGB
Addytywny model barw: kolor to suma składowych czerwonej, zielonej i niebieskiej; wszystkie składowe maksymalne dają biel, zerowe dają czerń
30
New cards
Model addytywny
Kolory powstają przez dodawanie (sumowanie) światła; przykład RGB, stosowany w monitorach
31
New cards
Model CMY(K)
Subtrakcyjny model barw (cyan, magenta, yellow + K czarny); kolory powstają przez odejmowanie od bieli; stosowany w poligrafii; K dodano ze względów praktycznych
32
New cards
Model HSV (HSB)
Przestrzeń w kształcie stożka: Hue (barwa, 0°–360°), Saturation (nasycenie, 0–1), Value/Brightness (jasność, 0–1); intuicyjny dla człowieka
33
New cards
Hue (H)
Barwa (odcień) w HSV, kąt 0°–360°; np. czerwony ≈ 0°, zielony ≈ 120°, niebieski ≈ 240° (w skimage przeskalowana do 0–1)
34
New cards
Saturation (S)
Nasycenie koloru w HSV, 0–1; 0 oznacza kolor szary (brak barwy)
35
New cards
Value (V)
Jasność w HSV, 0–1; V = 0 to czerń
36
New cards
Zaleta HSV przy segmentacji koloru
Barwa (H) jest oddzielona od jasności (V), więc łatwo wydzielić obiekty o danym kolorze, także przy nierównomiernym oświetleniu
37
New cards
Model HSL (HSI)
Przestrzeń w kształcie dwóch stożków; ta sama barwa H co w HSV, inaczej zdefiniowane nasycenie; L (Lightness) to średnie światło białe; biel ma nasycenie 0
38
New cards
Model CIE XYZ (1931)
Model odniesienia oparty na percepcji człowieka; Y odpowiada luminancji, znormalizowane x, y chrominancji; często wariant CIE xyY
39
New cards
Model LAB (CIE L*a*b*)
L to luminancja, a i b to składowe barwne; różnice kolorów zbliżone do ludzkiej percepcji, przydatny do porównywania kolorów
40
New cards
Model YUV / YCbCr
Y to jasność (luminancja), U/V (Cb/Cr) to informacja o barwie; stosowany w kompresji obrazu i wideo (JPEG, MPEG)
41
New cards
Luminancja
Informacja o jasności obrazu (np. składowa Y w YCbCr, CIE XYZ)
42
New cards
Chrominancja
Informacja o barwie i nasyceniu, oddzielona od luminancji w wielu formatach wideo
43
New cards
Gamut
Zakres kolorów, jakie urządzenie potrafi odwzorować; trójkąt z 3 punktów w przestrzeni CIE XYZ; żadne urządzenie nie oddaje wszystkich barw widzianych przez człowieka
44
New cards
Temperatura barwowa
Wyrażana w kelwinach: świeca 1850 K, żarówka 2800 K, światło dzienne 5000 K, wzorcowe D65 6500 K
45
New cards
Prawo Webera–Fechnera
Człowiek odbiera różnicę jasności proporcjonalnie do stosunku intensywności, a nie różnicy bezwzględnej (odbiór logarytmiczny)
46
New cards
Korekcja gamma
Nieliniowa korekcja jasności stosowana przez monitory; trzeba ją uwzględniać przy przetwarzaniu obrazów
47
New cards
Kontrast jednoczesny / efekt Bezolda
Złudzenia percepcji: postrzegana jasność lub kolor zależy od otoczenia (tła), a nie tylko od wartości piksela
48
New cards
Pikselizacja
Przejście od obrazu o praktycznie nieskończonej rozdzielczości do obrazu cyfrowego (próbkowanie); stosowana też do anonimizacji twarzy
49
New cards
Próbkowanie (dyskretyzacja przestrzenna)
Wybór punktów obrazu, w których mierzy się wartość; decyduje o rozdzielczości
50
New cards
Aliasing
Zniekształcenia (fałszywe wzory, schodkowanie krawędzi) przy próbkowaniu z za małą częstotliwością
51
New cards
Twierdzenie o próbkowaniu (Nyquist)
Częstotliwość próbkowania musi być co najmniej 2 razy większa od najwyższej częstotliwości sygnału, aby uniknąć aliasingu
52
New cards
Kwantyzacja
Mapowanie ciągłych wartości jasności lub koloru na skończony zbiór poziomów
53
New cards
Kwantyzacja statyczna vs dynamiczna
Statyczna: stałe poziomy niezależne od obrazu; dynamiczna: poziomy dopasowane do najczęstszych kolorów (analiza skupień w przestrzeni 3D)
54
New cards
Pasmowanie (banding)
Widoczne pasy w płynnych przejściach tonalnych przy zbyt małej liczbie poziomów kwantyzacji
55
New cards
Dithering (rozpraszanie)
Symulowanie większej liczby kolorów przez wzór z dostępnych kolorów (np. dodanie szumu przed kwantyzacją); łagodzi pasmowanie
56
New cards
Podstawowe przekształcenia geometryczne
Translacja, rotacja, skalowanie, odbicie lustrzane, transformacje afiniczne (z pochyleniem), perspektywiczne; zmieniają położenie pikseli, nie ich treść
57
New cards
Interpolacja
Wyznaczanie nowych wartości pikseli przy obrocie lub skalowaniu obrazu
58
New cards
Odbicie lustrzane w poziomie w NumPy
Odwrócenie kolejności kolumn (slicing z krokiem ujemnym na osi kolumn), np. w skimage/NumPy lub funkcją np.fliplr
59
New cards
Histogram obrazu
Wykres rozkładu jasności: dla każdego poziomu v liczba pikseli o tej wartości H(v); nie zawiera informacji o położeniu pikseli
60
New cards
Oś X i oś Y histogramu
Oś X: poziom jasności (np. 0–255 lub 0–1); oś Y: liczba pikseli
61
New cards
Histogram przesunięty w prawo
Obraz jasny (dominują wysokie wartości jasności)
62
New cards
Histogram przesunięty w lewo
Obraz ciemny (dominują niskie wartości jasności)
63
New cards
Histogram rozciągnięty na całą skalę
Wysoki kontrast, szeroki zakres tonalny
64
New cards
Histogram skupiony w wąskim zakresie
Niski kontrast, mała rozpiętość tonalna
65
New cards
Histogram bimodalny
Histogram z dwoma wyraźnymi szczytami (np. tło i obiekt); idealny do binaryzacji globalnej, próg umieszcza się w dolinie między szczytami
66
New cards
Histogram obrazu kolorowego
Wyznaczany osobno dla każdego kanału (np. R, G, B)
67
New cards
Parametr bins w histogramie
Liczba przedziałów (słupków), np. 256 dla 8‑bitowej skali szarości
68
New cards
Efekt grzebienia w histogramie
Puste przerwy między słupkami po konwersji float → uint8 lub rozciąganiu; skutek kwantyzacji (zaokrąglania wartości)
69
New cards
Normalizacja histogramu (rozciąganie kontrastu)
Liniowe przeskalowanie wartości z zakresu [Imin, Imax] na pełną skalę [0, L‑1]: I' = (I − Imin)/(Imax − Imin) · (L − 1)
70
New cards
Właściwości normalizacji
Operacja liniowa i odwracalna; nie zmienia kształtu histogramu, tylko go rozciąga; mały efekt, gdy obraz już używa pełnego zakresu
71
New cards
Funkcja skimage do normalizacji
exposure.rescale_intensity(img, out_range=(0, 1))
72
New cards
Wyrównanie histogramu (equalization)
Nieliniowe przekształcenie jasności oparte na histogramie skumulowanym (CDF), dążące do równomiernego rozkładu poziomów jasności
73
New cards
CDF (histogram skumulowany)
Dla poziomu v: liczba (lub odsetek) pikseli o jasności ≤ v; funkcja przekształcenia przy wyrównaniu histogramu
74
New cards
Normalizacja vs wyrównanie histogramu
Normalizacja liniowo rozciąga zakres; wyrównanie nieliniowo zmienia rozkład jasności w tym zakresie
75
New cards
Wada wyrównania histogramu
Może wzmocnić szum w obszarach jednorodnych; histogram nie musi być idealnie płaski (piki z identycznych wartości zostają)
76
New cards
Funkcja skimage do wyrównania histogramu
exposure.equalize_hist(img)
77
New cards
CLAHE
Contrast Limited Adaptive Histogram Equalization: lokalne wyrównanie histogramu z ograniczeniem kontrastu; w skimage exposure.equalize_adapthist
78
New cards
Obcinanie percentyli (percentile clipping)
Rozciąganie kontrastu z pominięciem skrajnych wartości, np. zakres od 2. do 98. percentyla rozciągnięty na 0–1
79
New cards
Konwersja RGB do skali szarości w skimage
color.rgb2gray(img); wynik ma jeden kanał w zakresie 0–1 (float)
80
New cards
Binaryzacja (progowanie)
Zamiana obrazu w skali szarości na binarny: piksel = 1, gdy I(x,y) > T, w przeciwnym razie 0 (T to próg)
81
New cards
Progowanie globalne
Jeden próg T dla całego obrazu; proste i szybkie, ale wrażliwe na nierównomierne oświetlenie
82
New cards
Metoda Otsu
Automatyczny dobór progu minimalizujący ważoną wariancję wewnątrzklasową (czyli maksymalizujący wariancję międzyklasową); najlepsza dla histogramu bimodalnego
83
New cards
Progowanie adaptacyjne (lokalne)
Próg T(i,j) liczony lokalnie dla każdego piksela, np. jako średnia lub średnia gaussowska w oknie n×n; odporne na nierównomierne oświetlenie i cienie
84
New cards
Metoda Sauvoli
Progowanie lokalne uwzględniające średnią i odchylenie standardowe w oknie; stosowane do dokumentów i odcisków palców; kluczowy parametr to rozmiar okna
85
New cards
Przygotowanie obrazu przed binaryzacją
Warto poprawić kontrast (normalizacja, wyrównanie histogramu, CLAHE), aby lepiej rozdzielić klasy tła i obiektu
86
New cards
Wpływ wartości progu na segmentację
Za niski próg łączy obiekty z tłem (więcej pikseli obiektu), za wysoki próg usuwa części obiektów; zmienia liczbę i kształt wykrytych obiektów
87
New cards
4‑sąsiedztwo (N4)
4 sąsiadów piksela: góra, dół, lewo, prawo (wspólna krawędź)
88
New cards
8‑sąsiedztwo (N8)
8 sąsiadów: 4 sąsiadów krawędziowych + 4 sąsiadów po przekątnej (wspólny wierzchołek)
89
New cards
Spójność (łączność) obiektu
Obiekt jest spójny, gdy z każdego jego piksela można dojść do innego przez sąsiednie piksele obiektu; wynik zależy od przyjętego sąsiedztwa (4 lub 8)
90
New cards
Linia ukośna przy 4‑ i 8‑sąsiedztwie
Przy 8‑sąsiedztwie to jeden obiekt, przy 4‑sąsiedztwie każdy piksel jest osobnym obiektem
91
New cards
Prostokąt bez rogów (4 linie stykające się narożnikami)
Przy 8‑sąsiedztwie jeden obiekt, przy 4‑sąsiedztwie cztery osobne linie
92
New cards
Paradoks spójności
Używanie tego samego sąsiedztwa dla obiektu i tła daje sprzeczności; zwykle stosuje się 8‑sąsiedztwo dla obiektu i 4‑sąsiedztwo dla tła (lub odwrotnie)
93
New cards
Morfologia matematyczna
Nieliniowa teoria przetwarzania obrazów oparta na teorii zbiorów (suma Minkowskiego), topologii i algebrze zbiorów; analizuje i modyfikuje kształt obiektów
94
New cards
Twórcy morfologii matematycznej
Georges Matheron i Jean Serra, École des Mines de Paris, lata 60–70 XX w.
95
New cards
Cele morfologii matematycznej
Filtracja obrazu (usuwanie szumu), segmentacja, detekcja kształtów i cech geometrycznych, analiza struktury obiektów
96
New cards
Zakres stosowania morfologii
Głównie obrazy binarne, ale istnieją rozszerzenia dla obrazów w skali szarości
97
New cards
Suport (support)
Zbiór wszystkich pikseli o wartości pierwszego planu (obiektu)
98
New cards
Dopełnienie (complement) suportu
Zbiór pozostałych pikseli, czyli pikseli tła
99
New cards
Konwencja tła i obiektu na wykładzie
Tło = 1 (biały), obiekt = 0 (czarny); konwencja jest umowna, ale raz wybraną trzeba stosować konsekwentnie
100
New cards
Suma Minkowskiego
A ⊕ B = {a + b : a ∈ A, b ∈ B}; zbiór wszystkich sum wektorowych punktów obu zbiorów; podstawa dylatacji