Komprese obrazu. Verze: 1.5, ze dne: 1. června Václav Hlaváč a Tomáš Svoboda
|
|
|
- Zbyněk Král
- před 5 lety
- Počet zobrazení:
Transkript
1 Komprese obrazu Verze: 1.5, ze dne: 1. června 2006 Václav Hlaváč a Tomáš Svoboda Czech Technical University, Faculty of Electrical Engineering Center for Machine Perception, Prague, Czech Republic svoboda@cmp.felk.cvut.cz
2 Úvod Cíl spočívá v redukci množství dat potřebných k reprezentaci obrazu. Spotřebované množství paměti se měří například v bitech. Použití pro přenos a uchování dat. Proč se liší komprese obrazů od komprese 1D dat? 2/74
3 Rozdělení metod komprese obrazů 1. Segmentace objektů v obraze. 3/74 Je potřebná interpretace obrazu. Metody jsou závislé na datech. Dosahuje se nejvyšších kompresních poměrů. Není možná zpětná rekonstrukce výchozího obrazu. 2. Odstranění redundandní informace. Data se neinterpretují. Lze použít na libovolná obrazová data. Využívá se statistických závislostí v obraze (sekvenci obrazů).
4 Kódování segmentovaných dat (1) Kódování hranic oblastí 4/74 Polygonální aproximace hranice
5 Kódování segmentovaných dat (2) Kódování hranic oblastí 5/74 Řetězový (též Freemanův) kód, 4-okolí Řetězový kód: 3, 0, 0, 3, 0, 1, 1, 2, 1, 2, 3, 2. Derivace kódu: 1, 0, 3, 1, 1, 0, 1, 3, 1, 1, 3, 1.
6 Kódování segmentovaných dat (3) Kódování hranic oblastí 6/74 Řetězový (též Freemanův) kód, 8-okolí Kód:
7 Kódování oblastí Kódování segmentovaných dat (4) 7/74 Kódování úseky řádků (angl. Run Length Encoding, RLE) Kódem je seznam seznamů. Každý seznam popisuje situaci v jednom řádku. Používá FAX (CCITT Group 3). ((11144)(214)(52355))
8 Komprese a rekonstrukce obrazu 8/74 Original image Data redundancy reduction Coding Transmission, Archiving Reconstructed image Reconstruction Decoding
9 Odstranění redundantní informace Dvě velké třídy používaných postupů: 9/74 1. Bezeztrátové metody. Umožňují úplnou rekonstrukci výchozího signálu. 2. Ztrátové metody. Umožňují pouze částečnou rekonstrukci výchozího signálu.
10 Informační hodnota intensity Nechť obraz má G jasových úrovní, k = 0... G 1 s pravděpodobnostmi výskytu P (k). 10/74 Shannonova informační hodnota každé intenzity je h(k) log 2 1 P (k) [bit] Příklad: Obraz o rozměrech pixelů. V něm je pouze 1 pixel s intenzitou 128, tedy P (128) = 1/ Náhodně vyberu pixel a jeho jas je právě 128. Získal jsem h(128) = log 2 ( 1 1/256 2 ) = 16 bitů informace.
11 Informační hodnota intensity Nechť obraz má G jasových úrovní, k = 0... G 1 s pravděpodobnostmi výskytu P (k). 10/74 Shannonova informační hodnota každé intenzity je h(k) log 2 1 P (k) [bit] Příklad: Obraz o rozměrech pixelů. V něm je pouze 1 pixel s intenzitou 128, tedy P (128) = 1/ Náhodně vyberu pixel a jeho jas je právě 128. Získal jsem h(128) = log 2 ( 1 1/256 2 ) = 16 bitů informace. Informace znamená v tomto případě znalost o pozici náhodně vybraného pixelu. Pamatujete ještě na hru lodě?
12 Informační hodnota obrázku Entropie Obraz je soubor pixelů. Entropie měří průměrnou informační hodnotu: 11/74 H = G 1 k=0 P (k)h(k)
13 Informační hodnota obrázku Entropie Obraz je soubor pixelů. Entropie měří průměrnou informační hodnotu: 11/74 H = G 1 k=0 P (k)h(k) Po dosazení H = G 1 k=0 P (k) log 2 1 P (k)
14 Informační hodnota obrázku Entropie Obraz je soubor pixelů. Entropie měří průměrnou informační hodnotu: 11/74 H = G 1 k=0 P (k)h(k) Po dosazení H = G 1 k=0 P (k) log 2 1 P (k) a úpravě H = G 1 k=0 P (k) log 2 P (k)
15 Odhad entropie z histogramu obrazu Nechť #(k), 0 k 2 b 1 a M, N jsou rozměry obrazu. 12/74 Odhad pravděpodobnosti ˆP (k) = #(k) M N Odhad entropie Ĥ = 2 b 1 k ˆP (k) log 2 ˆP (k) [bitů] Poznámka: odhad entropie je příliš optimistický, protože mezi jasy obrazu existují závislosti.
16 Příklad obrazu a jeho entropie (1) 13/74 Entropy H=8.00 Entropy H= Rovnoměrné zastoupení jasů. Může mít obrázek s 256 stupni šedi vyšší entropii než 8?
17 Příklad obrazu a jeho entropie (2) 14/74 Entropy H=6.94 Entropy H=
18 Příklad obrazu a jeho entropie (3) 15/74 Entropy H=6.01 Entropy H=
19 Příklad obrazu a jeho entropie (4) 16/74 x 10 4 Entropy H=4.27 Entropy H=
20 Příklad obrazu a jeho entropie (5) 17/74 Entropy H=1.66 x Entropy H=
21 Příklad obrazu a jeho entropie (6) 18/74 Entropy H=0.93 x 10 4 Entropy H=
22 Entropy H=1.66 Entropie v obrazech 19/74 Entropy H=8.00 Entropy H=6.94 Entropy H=6.01 Entropy H=4.27 Entropy H=0.93 Který obrázek půjde lépe zkomprimovat a proč?
23 Entropy H=1.66 Entropie v obrazech 19/74 Entropy H=8.00 Entropy H=6.94 Entropy H=6.01 Entropy H=4.27 Entropy H=0.93 Který obrázek půjde lépe zkomprimovat a proč? Nechť b je nejmenší počet bitů, kterým lze reprezentovat počet kvantizačních úrovní (jasů). Informační redundance r = b H.
24 Entropy H=1.66 Entropie v obrazech 19/74 Entropy H=8.00 Entropy H=6.94 Entropy H=6.01 Entropy H=4.27 Entropy H=0.93 Který obrázek půjde lépe zkomprimovat a proč? Nechť b je nejmenší počet bitů, kterým lze reprezentovat počet kvantizačních úrovní (jasů). Informační redundance r = b H. Intensitám s menší četností se přiřadí kód s menší délkou než častějším intensitám. Výborné čtení o entropii a kódování [1], kapitoly 2,4,5,6.
25 Postupy odstraňování redundace v datech Pomocí lineárních integrálních transformací obrazu, např. Fourierou transformací. 20/74 Prediktivní komprese. Hybridní metody. Kódování Obvykle optimální kódování, tj. nejkratším kódem. Kódy pevné délky (Huffmanovo kódování) nebo kódy proměnné délky (aritmetické kódování).
26 Použití DCT2 21/74 Princip Rozděl obraz na n n nepřekrývající se okna. Na každé okno aplikuj DCT2. Dělej něco s koeficienty,... DCT2 tranformuje jasový obrázek na lineární kombinaci bázových obrazů. Bázové obrazy pro okna 8 8.
27 Použití DCT2 21/74 Princip Rozděl obraz na n n nepřekrývající se okna. Na každé okno aplikuj DCT2. Dělej něco s koeficienty,... DCT2 tranformuje jasový obrázek na lineární kombinaci bázových obrazů. Bázové obrazy pro okna 8 8. Proč?
28 Použití DCT2 21/74 Princip Rozděl obraz na n n nepřekrývající se okna. Na každé okno aplikuj DCT2. Dělej něco s koeficienty,... DCT2 tranformuje jasový obrázek na lineární kombinaci bázových obrazů. Bázové obrazy pro okna 8 8. Proč? Podívejme se na hodnoty koeficientů...
29 DCT2 coefficients 22/74 original image log(abs(dct2coefs)); blocksize [4 4]
30 DCT2 coefficients 23/74 original image log(abs(dct2coefs)); blocksize [8 8]
31 DCT2 coefficients 24/74 original image log(abs(dct2coefs)); blocksize [16 16]
32 DCT2 coefficients 25/74 original image log(abs(dct2coefs)); blocksize [32 32]
33 JPEG (1) obraz a jeho DCT2 26/74 Original image log(abs(dct2coeff)+1)
34 JPEG (2) vyberme okno 27/74 Original image log(abs(dct2coeff)+1)
35 JPEG (3) posun intensit I /74 Original image window 250 intensities shifted
36 JPEG (4) kvantizace DCT2 koeficientů 29/74 DCT2 coefficients Quantized DCT2 917 zero components (from 1024) round(dct2./quantlevel) mnoho koeficientů nulových Účinná bezeztrátová komprese kvantizovaných koeficientů.
37 JPEG (5) kvantizace DCT2 koeficientů 30/74 DCT2 coefficients compute the dct2 coefficients from the quantized data originální koeficienty po kvantizaci
38 JPEG (6) DCT2 intensity 31/74 idct2 applied to the quantized data get back the intensities IDCT2 aplikovávana na kvantizované koeficienty Posun pro získání intensit I + 128
39 JPEG (7) Aplikujeme na celý obrázek 32/74 Original image crude version of the JPEG [32,32] window Původní obrázek Komprimovaná verze
40 JPEG (8) Méně agresivní komprese Přibližně polovina DCT2 koeficientů nulových 33/74 Original image crude version of the JPEG [32,32] window Původní obrázek Komprimovaná verze
41 JPEG (9) Vliv velikosti okna 34/74 crude version of the JPEG [8,8] window crude version of the JPEG [16,16] window okna okna 16 16
42 TŘI DEFINICE KOMPRESNÍHO POMĚRU Kompresní poměr počítaný 35/74 1. Na základě redundance K = b Ĥ 2. Na základě úspory paměti κ = délka zprávy po kompresi délka zprávy před kompresí 3. Na základě úspory paměti (v doplňkovém tvaru) 1 κ
43 JPEG foto, quality parameter 90 36/74
44 JPEG foto, quality parameter 70 37/74
45 JPEG foto, quality parameter 30 38/74
46 JPEG foto, quality parameter 10 39/74
47 JPEG foto, quality parameter 5 40/74
48 JPEG foto 41/74 sum of abs differences, quality Quality 90, file size Quality parameter Rozdílový obrázek
49 JPEG foto 42/74 sum of abs differences, quality Quality 30, file size Quality parameter Rozdílový obrázek
50 JPEG foto 43/74 sum of abs differences, quality Quality 5, file size Quality parameter Rozdílový obrázek
51 JPEG foto, velikosti souborů 44/ jpg file sizes png file size 1000 File size [kb] Quality paremeter
52 JPEG graf, quality parameter 90 45/74
53 JPEG graf, quality parameter 70 46/74
54 JPEG graf, quality parameter 30 47/74
55 JPEG graf, quality parameter 10 48/74
56 JPEG graf, quality parameter 5 49/74
57 JPEG graf 50/74 Quality 90, file size sum of abs differences, quality Quality parameter Rozdílový obrázek
58 JPEG graf 51/74 Quality 30, file size sum of abs differences, quality Quality parameter Rozdílový obrázek
59 JPEG graf 52/74 Quality 5, file size sum of abs differences, quality Quality parameter Rozdílový obrázek
60 JPEG graf, velikosti souborů 53/ jpg file sizes png file size 200 File size [kb] Quality paremeter
61 PREDIKTIVNÍ KOMPRESE MYŠLENKA 54/74 Najít matematický model, který dokáže predikovat na základě předchozích hodnot další hodnotu. Přenášet pouze rozdíl mezi skutečnou a predikovanou hodnotou. Ke kompresi dochází, protože rozdílová data mají menší statistickou variaci (např. rozptyl) než původní data. f(i,j) + - Quantizer d(i,j) d(i,j) + + f(i,j) Predictor + Predictor (a) + (b)
62 Prediktivní komprese jednoduchý příklad (1) 55/74 Lineární prediktor prvního řádu ˆf(i, j) = a f(i 1, j) Rozdíl (chyba prediktoru) d(i, j) = ˆf(i, j) f(i, j) Hledáme takové a, které minimalizuje (např.) součet kvadratických chyb a = argmin a (af(i 1, j) f(i, j)) 2
63 Prediktivní komprese jednoduchý příklad (1) 55/74 Lineární prediktor prvního řádu ˆf(i, j) = a f(i 1, j) Rozdíl (chyba prediktoru) d(i, j) = ˆf(i, j) f(i, j) Hledáme takové a, které minimalizuje (např.) součet kvadratických chyb a = argmin a (af(i 1, j) f(i, j)) 2 a = ( ) 2 af(i 1, j) f(i, j) f(i 1, j) = 0
64 Prediktivní komprese jednoduchý příklad (1) 55/74 Lineární prediktor prvního řádu ˆf(i, j) = a f(i 1, j) Rozdíl (chyba prediktoru) d(i, j) = ˆf(i, j) f(i, j) Hledáme takové a, které minimalizuje (např.) součet kvadratických chyb a = argmin a (af(i 1, j) f(i, j)) 2 a = ( ) 2 af(i 1, j) f(i, j) f(i 1, j) = 0 a = f(i, j)f(i 1, j) f(i 1, j) 2
65 Prediktivní komprese jednoduchý příklad (2) Malá odbočka k matematice 56/74 a = f(i, j)f(i 1, j) f(i 1, j) 2 pokud je f(i, j) stacionární (stačí slabá, aby se neměnily 1. a 2. momenty v čase) a má nulovou střední hodnotu, pak kde R je autokorelační funkce. a = R(1)
66 Prediktivní komprese obraz 57/74 original image, entropy=7.66 Původní obraz, entropie a =
67 Prediktivní komprese chyby predikce 58/74 differences between predicted and actual image, entropy=
68 Prediktivní komprese porovnání hitogramů 59/ histogram of the original image 7 x 104 histogram of the errors Histogram obrázku Histogram chyb predikce
69 Prediktivní komprese porovnání hitogramů 59/ histogram of the original image 7 x 104 histogram of the errors Histogram obrázku Histogram chyb predikce Pravděpodobně půjde tedy rozdílový obrázek dobře komprimovat.
70 Prediktivní komprese kvantizace chyb predikce 60/74 7 x 104 histogram of the errors Histogram chyb predikce x 105 histogram of the errors quantized Histogram kvantovaných chyb predikce
71 Prediktivní komprese Přenos dat quantized differences, entropy=3.45, compratio= / Data k přenosu: I(1, 1), střední hodnota jasu a obrázek kvantovaných chyb predikce.
72 Prediktivní komprese Výsledek 62/74 reconstructed image, amount of transmitted data 0.45 Rekonstruovaný obraz. Přenesená data 0.45 původních.
73 Prediktivní komprese hrubá kvantizace chyb 63/74 reconstructed image, amount of transmitted data 0.21 Rekonstruovaný obraz. Přenesená data 0.21 původních. Kvalita není příliš uspokojivá, Proč?
74 Prediktivní komprese analýza problému velmi jednoduchý predikční model 64/74 naivní kvantizace z původní obrázku přenášíme pouze 2 hodnoty
75 Prediktivní komprese analýza problému velmi jednoduchý predikční model 64/74 naivní kvantizace z původní obrázku přenášíme pouze 2 hodnoty Příklad částečného řešení přeneseme ještě navíc každou desátou instensitu fixujeme tak drift chyby
76 Hrubá kvantizace + desetina intensit 65/74 reconstructed image, amount of transmitted data 0.31 Rekonstruovaný obraz. Přenesená data 0.31 původních.
77 Prediktivní komprese kontrolní otázka (1) 66/74 original image, entropy= histogram of the original image a jeho histogram Bílý šum
78 Prediktivní komprese kontrolní otázka (2) 67/74 Lineární prediktor prvního řádu ˆf(i, j) = a f(i 1, j) Rozdíl (chyba prediktoru) d(i, j) = ˆf(i, j) f(i, j) Hledáme takové a, které minimalizuje (např.) součet kvadratických chyb a = argmin a (af(i 1, j) f(i, j)) 2 Otázka: Jaká bude asi hodnota a pro obrázek bílého šumu?
79 Prediktivní komprese kontrolní otázka (2) 67/74 Lineární prediktor prvního řádu ˆf(i, j) = a f(i 1, j) Rozdíl (chyba prediktoru) d(i, j) = ˆf(i, j) f(i, j) Hledáme takové a, které minimalizuje (např.) součet kvadratických chyb a = argmin a (af(i 1, j) f(i, j)) 2 Otázka: Jaká bude asi hodnota a pro obrázek bílého šumu? a 0
80 DIGITÁLNÍ PULSNĚ KÓDOVÁ MODULACE (1) Mějme obraz f(i, j), odhad jeho statistických vlastností pomocí autokorelační funkce R(k, l) = E{f(i, j)f(i k, j l)} 68/74 Hledáme matematický model prediktoru ˆf(i, j) Rozdíl d(i, j) = ˆf(i, j) f(i, j) Předpokládejme např. lineární prediktor 3. řádu ˆf(i, j) = a 1 f(i, j 1) + a 2 f(i 1, j 1) + a 3 f(i 1, j), kde a 1, a 2, a 3 jsou parametry prediktivního modelu.
81 DIGITÁLNÍ PULSNĚ KÓDOVÁ MODULACE (2) Jak se odhadnou parametry prediktivního modelu a 1, a 2, a 3? 69/74 Vyřešením statistické optimalizační úlohy. Předpokládá se stacionární náhodný proces f a nulová střední hodnota. e = E{[ ˆf(i, j) f(i, j)] 2 } a 1 R(0, 0) + a 2 R(0, 1) + a 3 R(1, 1) = R(1, 0) a 1 R(0, 1) + a 2 R(0, 0) + a 3 R(1, 0) = R(1, 1) a 1 R(1, 1) + a 2 R(1, 0) + a 3 R(0, 0) = R(0, 1) kde R(m, n) je autokorelační funkce. Zaveďme K = b/h, kde b je bitová hloubka a H je entropie dat k přenosu.
82 DPCM PŘÍKLAD, K = /74 Po rekonstrukci K = 3.8. Rozdílový snímek.
83 DPCM PŘÍKLAD, K = /74 Po rekonstrukci K = 6.2. Rozdílový snímek.
84 bezeztrátová komprese Formát obrázku PNG 72/74 kombinace deflace (kódování) a prediktivní komprese mnohem lepší než GIF typicky lepší kompresní poměr ruzné bitové hloubky (GIF pouze 8 bitové paletové) lepší podopra průhlednosti
85 Komprimované shrnutí aneb Buyer s guide JPG (JPEG) vhodný pro: 73/74 fotografie PNG pro: obrázky textu (naskenované) grafy cartoons též snímky obrazovky (snapshots) obecně CGI (Computer Generated Images)... pokud ovšem nelze použít vektorové formáty (EPS,PDF,... )
86 References 74/74 [1] David J.C. MacKay. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, fourth printing edition, Available also on-line
87
88
89
90
91 Original image Data redundancy reduction Coding Transmission, Archiving Reconstructed image Reconstruction Decoding
92 Entropy H=8.00
93 Entropy H=
94 Entropy H=6.94
95 Entropy H=
96 Entropy H=6.01
97 Entropy H=
98 Entropy H=4.27
99 x 10 4 Entropy H=
100 Entropy H=1.66
101 x 10 4 Entropy H=
102 Entropy H=0.93
103 x 10 4 Entropy H=
104 Entropy H=8.00
105 Entropy H=6.94
106 Entropy H=6.01
107 Entropy H=4.27
108 Entropy H=1.66
109 Entropy H=0.93
110
111 original image
112 log(abs(dct2coefs)); blocksize [4 4]
113 original image
114 log(abs(dct2coefs)); blocksize [8 8]
115 original image
116 log(abs(dct2coefs)); blocksize [16 16]
117 original image
118 log(abs(dct2coefs)); blocksize [32 32]
119 Original image
120 log(abs(dct2coeff)+1)
121 Original image
122 log(abs(dct2coeff)+1)
123 Original image window
124 intensities shifted
125 DCT2 coefficients
126 Quantized DCT2 917 zero components (from 1024)
127 DCT2 coefficients
128 compute the dct2 coefficients from the quantized data
129 idct2 applied to the quantized data
130 get back the intensities
131 Original image
132 crude version of the JPEG [32,32] window
133 Original image
134 crude version of the JPEG [32,32] window
![crude version of the JPEG [8,8]](/docs-images/87/95977579/images/135-0.jpg "window 50 100 150 200 250 50 100 150")
135 crude version of the JPEG [8,8] window
136 crude version of the JPEG [16,16] window
137
138
139
140
141
142 Quality 90, file size
143 sum of abs differences, quality
144 Quality 30, file size
145 sum of abs differences, quality
146 Quality 5, file size
147 sum of abs differences, quality
148 jpg file sizes png file size 1000 File size [kb] Quality paremeter
149
150
151
152
153
154 Quality 90, file size
155 sum of abs differences, quality
156 Quality 30, file size
157 sum of abs differences, quality
158 Quality 5, file size
159 sum of abs differences, quality
160 250 jpg file sizes png file size 200 File size [kb] Quality paremeter
161 (i,j) + - Quantizer d(i,j) d(i,j) + + f(i,j) Predictor + Predictor (a) + (b)
162 original image, entropy=7.66
163 differences between predicted and actual image, entropy=
164 histogram of the original image
165 x 104 histogram of the errors
166 x 104 histogram of the errors
167 x histogram of the errors quantized
168 quantized differences, entropy=3.45, compratio=
169 reconstructed image, amount of transmitted data 0.45
170 reconstructed image, amount of transmitted data 0.21
171 reconstructed image, amount of transmitted data 0.31
172 original image, entropy=8.00
173 histogram of the original image
174
175
176
177
Komprese obrazu. Úvod. Rozdělení metod komprese obrazů. Verze: 1.5, ze dne: 1. června Václav Hlaváč a Tomáš Svoboda
Komprese obrazu Verze:., ze dne:. června 6 Václav Hlaváč a Tomáš Svoboda Czech Technical University, Faculty of Electrical Engineering Center for Machine Perception, Prague, Czech Republic svoboda@cmp.felk.cvut.cz
KOMPRESE OBRAZŮ. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání. hlavac@fel.cvut.
1/24 KOMPRESE OBRAZŮ Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD 2/24 Cíl:
KOMPRESE OBRAZŮ. Václav Hlaváč, Jan Kybic. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.
1/25 KOMPRESE OBRAZŮ Václav Hlaváč, Jan Kybic Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD
Komprese obrazů. Václav Hlaváč. České vysoké učení technické v Praze
Komprese obrazů Václav Hlaváč České vysoké učení technické v Praze Český institut informatiky, robotiky a kybernetiky 166 36 Praha 6, Jugoslávských partyzánů 1580/3 http://people.ciirc.cvut.cz/hlavac,
Kompresní metody první generace
Kompresní metody první generace 998-20 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Stillg 20 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca / 32 Základní pojmy komprese
1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
Kompresní algoritmy grafiky. Jan Janoušek F11125
Kompresní algoritmy grafiky Jan Janoušek F11125 K čemu je komprese dobrá? Pokud je třeba skladovat datově náročné soubory. Např. pro záznam obrazu, hudby a hlavně videa je třeba skladovat překvapivě mnoho
Obraz matematický objekt. Spojitý obraz f c : (Ω c R 2 ) R
Obraz matematický objekt Spojitý obraz f c : (Ω c R 2 ) R Obraz matematický objekt Spojitý obraz f c : (Ω c R 2 ) R Diskrétní obraz f d : (Ω {0... n 1 } {0... n 2 }) {0... f max } Obraz matematický objekt
Informační systémy ve zdravotnictví
Informační systémy ve zdravotnictví ZS 2008/2009 Zoltán Szabó Tel.: (+420) 312 608 207 E-mail: szabo@fbmi.cvut.cz č.dv.: 504, 5.p Dnešní přednáška Kódování, komprese 2 1 Komprese dat Cíl komprese: redukovat
III/ 2 Inovace a zkvalitnění výuky prostřednictvím ICT
Metodický list k didaktickému materiálu Číslo a název šablony Číslo didaktického materiálu Druh didaktického materiálu Autor Téma sady didaktických materiálů Téma didaktického materiálu Vyučovací předmět
1. Základy teorie přenosu informací
1. Základy teorie přenosu informací Úvodem citát o pojmu informace Informace je název pro obsah toho, co se vymění s vnějším světem, když se mu přizpůsobujeme a působíme na něj svým přizpůsobováním. N.
Rastrové grafické formáty. Václav Krajíček KSVI MFF UK, 2007
Rastrové grafické formáty Václav Krajíček KSVI MFF UK, 2007 Grafické formáty Velké množství Mnoho různých požadavků na uložená data neobrazová data Nativní formáty Například: PSP (Photoshop), XFC (Gimp)
Kompresní techniky. David Bařina. 15. února David Bařina Kompresní techniky 15. února / 37
Kompresní techniky David Bařina 15. února 2013 David Bařina Kompresní techniky 15. února 2013 1 / 37 Obsah 1 Pojmy 2 Jednoduché techniky 3 Entropická kódování 4 Slovníkové metody 5 Závěr David Bařina Kompresní
Základní principy přeměny analogového signálu na digitální
Základní y přeměny analogového signálu na digitální Pro přenos analogového signálu digitálním systémem, je potřeba analogový signál digitalizovat. Digitalizace je uskutečňována pomocí A/D převodníků. V
Kosinová transformace 36ACS
Kosinová transformace 36ACS 10. listopadu 2006 Martin BruXy Bruchanov bruxy@regnet.cz Uplatnění diskrétní kosinové transformace Úkolem transformačního kódování je převést hodnoty vzájemně závislých vzorků
BPC2E_C09 Model komunikačního systému v Matlabu
BPCE_C9 Model komunikačního systému v Matlabu Cílem cvičení je vyzkoušet si sestavit skripty v Matlabu pro model jednoduchého komunikačního systému pro přenos obrázků. Úloha A. Sestavte model komunikačního
Komprese dat Obsah. Komprese videa. Radim Farana. Podklady pro výuku. Komprese videa a zvuku. Komprese MPEG. Komprese MP3.
Komprese dat Radim Farana Podklady pro výuku Obsah Komprese videa a zvuku. Komprese MPEG. Komprese MP3. Komprese videa Velký objem přenášených dat Typický televizní signál - běžná evropská norma pracuje
Škola: Gymnázium, Brno, Slovanské náměstí 7 III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Název projektu: Inovace výuky na GSN
Škola: Gymnázium, Brno, Slovanské náměstí 7 Šablona: III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Název projektu: Inovace výuky na GSN prostřednictvím ICT Číslo projektu: CZ.1.07/1.5.00/34.0940
ZPRACOVÁNÍ OBRAZU přednáška 4
ZPRACOVÁNÍ OBRAZU přednáška 4 Vít Lédl vit.ledl@tul.cz TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Tento materiál vznikl v rámci projektu ESF CZ.1.07/2.2.00/07.0247,
Teorie informace: řešené příklady 2014 Tomáš Kroupa
Teorie informace: řešené příklady 04 Tomáš Kroupa Kolik otázek je třeba v průměru položit, abychom se dozvěděli datum narození člověka (den v roce), pokud odpovědi jsou pouze ano/ne a tázaný odpovídá pravdivě?
Multimediální systémy. 03 Počítačová 2d grafika
Multimediální systémy 03 Počítačová 2d grafika Michal Kačmařík Institut geoinformatiky, VŠB-TUO Osnova přednášky Rastrová počítačová grafika Metody komprese obrazu Rastrové formáty Vektorová grafika Křivky
Komprese obrazu. Multimedia Technology Group, K13137, FEE CTU 0
Komprese obrazu Multimedia Technology Group, K337, FEE CTU 0 Komprese obrazu Kódování : zdrojové vlastnosti obrazu kanálové vlastnosti přenosového kanálu kodek komprese a dekomprese still picture (statický
Komprese videa Praha 2010 Účel komprese Snížení zátěže přenosového média Zmenšení objemu dat pro uložení Metody komprese obrazu Redundance Irelevance Redundantní složka část informace, po jejíž odstranění
Samoopravné kódy. Katedra matematiky a Institut teoretické informatiky Západočeská univerzita
Katedra matematiky a Institut teoretické informatiky Západočeská univerzita Seminář pro učitele středních a vysokých škol, Plzeň, 30. března 2012 jsou všude Některé oblasti využití: CD přehrávače mobilní
Jasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
Komprese dat. Jan Outrata KATEDRA INFORMATIKY UNIVERZITA PALACKÉHO V OLOMOUCI. přednášky
Komprese dat Jan Outrata KATEDRA INFORMATIKY UNIVERZITA PALACKÉHO V OLOMOUCI přednášky Statistické metody Jan Outrata (Univerzita Palackého v Olomouci) Komprese dat Olomouc, únor březen 2016 1 / 23 Tunstallův
Datové formáty videa a jejich využití. Tomáš Kvapil, Filip Le Manažerská informatika Multimédia
Datové formáty videa a jejich využití Tomáš Kvapil, Filip Le Manažerská informatika Multimédia 8.12.2016 Obsah Vlastnosti videa Kontejnery Kodeky Vlastnosti videa Snímková frekvence Datový tok Prokládání
Technická kybernetika. Obsah. Principy zobrazení, sběru a uchování dat. Měřicí řetězec. Principy zobrazení, sběru a uchování dat
Akademický rok 2016/2017 Připravil: Radim Farana Technická kybernetika Principy zobrazení, sběru a uchování dat 2 Obsah Principy zobrazení, sběru a uchování dat strana 3 Snímač Měřicí řetězec Měřicí obvod
Registrační číslo projektu: CZ.1.07/1.5.00/34.0553 Elektronická podpora zkvalitnění výuky CZ.1.07 Vzděláním pro konkurenceschopnost
Registrační číslo projektu: CZ.1.07/1.5.00/34.0553 Elektronická podpora zkvalitnění výuky CZ.1.07 Vzděláním pro konkurenceschopnost Projekt je realizován v rámci Operačního programu Vzdělávání pro konkurence
CAD II přednáška č. 5. Grafické formáty PCX GIF TIFF BMP
PCX GIF TIFF BMP PCX vyvinuto firmou ZSoft bezztrátová komprese každý obrázek obsahuje 128 bitovou hlavičku,následují komprimovaná data nabízítři druhy komprimace podle počtu barev (16-barev, 256-barev
Informatika Kódování. Obsah. Kód. Radim Farana Podklady předmětu Informatika pro akademický rok 2007/2008
Informatika Kódování Radim Farana Podklady předmětu Informatika pro akademický rok 27/28 Obsah Základy pojmy diskrétních kódů. Druhy kódů. Nejkratší kódy. Detekce chyb, Hammingova vdálenost. Kontrolní
Kódování obrazu podle standardu MPEG 2
Laboratorní úloha z předmětu Televize Kódování obrazu podle standardu MPEG 2 (návod ke cvičení) Cílem tohoto experimentu je praktické seznámení s jednotlivými procesy, které jsou součástí zdrojového kódování
Rastrový obraz, grafické formáty
Rastrový obraz, grafické formáty 1995-2010 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ RasterFormats Josef Pelikán, http://cgg.mff.cuni.cz/~pepca 1 / 35 Snímání
Konverze grafických rastrových formátů
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ OBOR GEODÉZIE A KARTOGRAFIE KATEDRA MAPOVÁNÍ A KARTOGRAFIE Konverze grafických rastrových formátů semestrální práce Jakub Hořejší Ondřej Šalanda V
ZÁPADOČESKÁ UNIVERZITA V PLZNI
ZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA PEDAGOGICKÁ KATEDRA VÝPOČETNÍ A DIDAKTICKÉ TECHNIKY KOMPONENTY PRO VÝUKOVÝ ELEKTRONICKÝ MATERIÁL - KOMPRESE V OBLASTI POČÍTAČŮ BAKALÁŘSKÁ PRÁCE Lukáš Smutný Přírodovědná
Odpřednesenou látku naleznete v kapitole 3.3 skript Diskrétní matematika.
Lineární kódy, část 2 Odpřednesenou látku naleznete v kapitole 3.3 skript Diskrétní matematika. Jiří Velebil: A7B01LAG 22.12.2014: Lineární kódy, část 2 1/12 Dnešní přednáška 1 Analýza Hammingova (7, 4)-kódu.
Počítačová grafika a vizualizace I
Počítačová grafika a vizualizace I KOMPRESE, GRAFICKÉ FORMÁTY Mgr. David Frýbert david.frybert@gmail.com OSNOVA Barva pro TV Datový tok Bitmapové formáty (JPEG, TIFF, PNG, PPM, ) Formáty videa MPEG-1,2,4,7,21
Komprese dat (Komprimace dat)
Komprese dat (Komprimace dat) Př.: zakódovat slovo ARARAUNA K K 2 četnost absolutní relativní A 4,5 N,25 R 2,25 U,25 kód K : kód K 2 :... 6 bitů... 4 bitů prefixový kód: žádné kódové slovo není prefixem
25. DIGITÁLNÍ TELEVIZNÍ SIGNÁL A KABELOVÁ TELEVIZE
25. DIGITÁLNÍ TELEVIZNÍ SIGNÁL A KABELOVÁ TELEVIZE Digitalizace obrazu a komprese dat. Uveďte bitovou rychlost nekomprimovaného číslicového TV signálu a jakou šířku vysílacího pásma by s dolním částečně
Výsledky experimentů předmětu Komprese dat
Výsledky experimentů předmětu Komprese dat Téma: Cvičení 7 - Komprese obrazových souborů VŠB-TU Ostrava: Fakulta Elektrotechniky a informatiky březen 2011 Martin Dočkal doc068 dockal.martin@gmail.com Martin
Digitální učební materiál
Střední hotelová škola, s.r.o. Floriánské náměstí 350, 272 01 Kladno Digitální učební materiál Číslo projektu Název projektu Název školy Předmět Tematický okruh Téma CZ.1.07/1.5.00/34.0112 Moderní škola
Digitální magnetický záznam obrazového signálu
Digitální magnetický záznam obrazového signálu Ing. Tomáš Kratochvíl Současná televizní technika a videotechnika kurz U3V Program semináře a cvičení Digitální videosignál úvod a specifikace. Komprese obrazu
aneb jak se to tam všechno vejde?
768 576 KOMPRIMACE aneb jak se to tam všechno vejde? Položme si hned na začátku zdánlivě nepodstatnou otázku: Kolik místa zabere dvouhodinový film na CD nebo DVD? Uvažujme následující příklad: rozlišení
Rastrová grafika. body uspořádané do pravidelné matice
J. Vrzal, 1.0 Rastrová grafika body uspořádané do pravidelné matice rastr pixelů (ppi, Pixel Per Inch) monitor 90 ppi rastr tiskových bodů (dpi, Dot Per Inch) kvalitní tisk 300 dpi 2 Rastrová grafika 3
1 Komprese obrazových signálů
1 Komprese obrazových signálů Proč je potřeba data komprimovat? Odpověď je jednoduchá, zmenšení objemu dat a tím úspora potřebné paměti pro jejich uchování nebo kapacity přenosového kanálu. V případě obrazového
1. Přednáška: Obecné Inf. + Signály a jejich reprezentace
1. Přednáška: Obecné Inf. + Signály a jejich reprezentace 1 Obecné informace Změna rozvrhů Docházka na cvičení 2 Literatura a podklady Základní učební texty : Prchal J., Šimák B.: Digitální zpracování
Úloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
MULTIMEDIÁLNÍ A HYPERMEDIÁLNÍ SYSTÉMY. 8. Uložení a komprese statického bitmapového obrazu
MULTIMEDIÁLNÍ A HYPERMEDIÁLNÍ SYSTÉMY 8. Uložení a komprese statického bitmapového obrazu Petr Lobaz, 3. 4. 218 BITMAPOVÝ OBRAZ PŮVOD OBRAZOVÝCH DAT (kreslicí) software data typicky připravena k přímé
Webové stránky. 16. Obrázky na webových stránkách, optimalizace GIF. Datum vytvoření: 12. 1. 2013. str ánk y. Vytvořil: Petr Lerch. www.isspolygr.
Webové stránky 16. Vytvořil: Petr Lerch www.isspolygr.cz Datum vytvoření: 12. 1. 2013 Webové Strana: 1/6 Škola Ročník Název projektu Číslo projektu Číslo a název šablony Autor Tématická oblast Název DUM
Odhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
Jan Kaiser xkaiserj@feld.cvut.cz. ČVUT, Fakulta elektrotechnická, katedra Radioelektroniky Technická 2, 166 27 Praha 6
KOLORIMETRICKÉ ZKRESLENÍ ZPŮSOBENÉ NOVÝMI ZOBRAZOVACÍMI SYSTÉMY, ASPEKTY MODERNÍCH OBRAZOVÝCH KOMPRESNÍCH METOD Jan Kaiser xkaiserj@feld.cvut.cz ČVUT, Fakulta elektrotechnická, katedra Radioelektroniky
Lineární algebra nad obecným Z m, lineární kódy
Lineární algebra nad obecným Z m, lineární kódy Jiří Velebil: X01DML 19. listopadu 2010: Lineární algebra a kódy 1/19 Minule: soustavy lineárních rovnic nad Z p, p prvočíslo, stejně jako nad R. Dále nad
Měření závislosti statistických dat
5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě
Algoritmy komprese dat
Algoritmy komprese dat Úvod do teorie informace Claude Shannon (1916 2001) 5.11.2014 NSWI072-7 Teorie informace Informace Co je to informace? Můžeme informaci měřit? Existují teoretické meze pro délku
Adobe Photoshop 18. Ukládání dokumentu formáty
Adobe Photoshop 18. Ukládání dokumentu formáty www.isspolygr.cz Vytvořila: Bc. Blažena Kondelíková Vytvořila dne: 20. 11. 2012 Strana: 1/5 Škola Ročník 4. ročník (SOŠ, SOU) Název projektu Interaktivní
Moderní multimediální elektronika (U3V)
Moderní multimediální elektronika (U3V) Prezentace č. 13 Moderní kompresní formáty pro přenosné digitální audio Ing. Tomáš Kratochvíl, Ph.D. Ústav radioelektroniky, FEKT VUT v Brně Program prezentace Princip
Semestrální práce z předmětu KIV/MHS. Komprese statického obrazu pomocí MDCT
Semestrální práce z předmětu KIV/MHS Komprese statického obrazu pomocí MDCT Havel Kotál (A07624) Srpen 2013 Obsah 1 Úvod... 2 2 Nástin problematiky ztrátové komprese obrazu... 3 2.1 Podvzorkování sytosti
NOVÉ METODY HODNOCENÍ OBRAZOVÉ KVALITY
NOVÉ METODY HODNOCENÍ OBRAZOVÉ KVALITY Stanislav Vítek, Petr Páta, Jiří Hozman Katedra radioelektroniky, ČVUT FEL Praha, Technická 2, 166 27 Praha 6 E-mail: svitek@feld.cvut.cz, pata@feld.cvut.cz, hozman@feld.cvut.cz
VYUŽITÍ POČÍTAČOVÉ GRAFIKY
POČÍTAČOVÁ GRAFIKA VYUŽITÍ POČÍTAČOVÉ GRAFIKY ÚPRAVA FOTOGRAFIÍ NAFOCENÉ FOTOGRAFIE Z DIGITÁLNÍHO FOTOAPARÁTU MŮŽEME NEJEN PROHLÍŽET, ALE TAKÉ UPRAVOVAT JAS KONTRAST BAREVNOST OŘÍZNUTÍ ODSTRANĚNÍ ČERVENÝCH
Aplikace 2: Hledání informativních příznaků pro rozpoznávání
Aplikace : Hledání informativních příznaků pro rozpoznávání Sonogram štítné žlázy v podélném řezu zdravá lymfocitická thyroitida Zajímá nás, kolik se lze z dat dozvědět o třídě c a kde ta informace je.
Grafika na počítači. Bc. Veronika Tomsová
Grafika na počítači Bc. Veronika Tomsová Proces zpracování obrazu Proces zpracování obrazu 1. Snímání obrazu 2. Digitalizace obrazu převod spojitého signálu na matici čísel reprezentující obraz 3. Předzpracování
Grafické formáty. Grafické formáty. Komprese rastrového obrazu. Proč je tolik formátů pro uložení obrázků?
Grafické formáty poznámky k 5 přednášce Zpracování obrazů Martina Mudrová 00 Grafické formáty Proč je tolik formátů pro uložení obrázků? Cíl: uložení obrazových dat ve formě souboru různý charakter obrazu
Matematika IV 10. týden Kódování
Matematika IV 10. týden Kódování Jan Slovák Masarykova univerzita Fakulta informatiky 22. 26. 4. 2013 Obsah přednášky 1 (n, k) kódy 2 Polynomiální kódy 3 Lineární kódy Kde je dobré číst? připravovaná učebnice
Počítačová grafika. OBSAH Grafické formy: Vektorová grafika Bitmapová (rastrová grafika) Barevné modely
Počítačová grafika OBSAH Grafické formy: Vektorová grafika Bitmapová (rastrová grafika) Barevné modely Vektorová grafika Vektorová grafika Příklad vektorové grafiky Zpět na Obsah Vektorová grafika Vektorový
Odpřednesenou látku naleznete v dodatku A skript Abstraktní a konkrétní lineární algebra.
Perfektní lineární kódy Odpřednesenou látku naleznete v dodatku A skript Abstraktní a konkrétní lineární algebra. Jiří Velebil: B6B01LAG 18.5.2016: Perfektní lineární kódy 1/18 Minulé přednášky 1 Detekce
Úvod do teorie informace
PEF MZLU v Brně 24. září 2007 Úvod Výměna informací s okolím nám umožňuje udržovat vlastní existenci. Proces zpracování informací je trvalý, nepřetržitý, ale ovlivnitelný. Zabezpečení informací je spojeno
Komprese DNA pomocí víceproudé komprese a predikce báz. Jan Jelínek, Radek Miček
Komprese DNA pomocí víceproudé komprese a predikce báz Jan Jelínek, Radek Miček Víceproudá komprese angl. Multistream compression (MSC) statistická metoda autoři: Kochánek, Lánský, Uzel, Žemlička lze použít
KOMPRIMACE. aneb Aby to zabralo méně místa
KOMPRIMACE aneb Aby to zabralo méně místa Komprimace nebo také komprese je jednoduše řečeno sbalení či spakování dat na mnohem menší velikost. Ve skutečnosti se jedná o vypuštění nadbytečné informace takovým
Psaní na mokrý papír. Andrew Kozlik KA MFF UK
Psaní na mokrý papír Andrew Kozlik KA MFF UK W1 Motivace Problém: Vkládání do některých prvků nosiče má vysoký dopad na detekovatelnost. PNG/GIF: Oblasti s nízkou texturou. JPEG: Nulové AC koeficienty.
Nestranný odhad Statistické vyhodnocování exp. dat M. Čada
Nestranný odhad 1 Parametr θ Máme statistický (výběrový) soubor, který je realizací náhodného výběru 1, 2, 3,, n z pravděpodobnostní distribuce, která je kompletně stanovena jedním nebo více parametry
FAKULTA INFORMAČNÍCH TECHNOLOGIÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
Počítačová grafika SZŠ A VOŠZ MERHAUTOVA 15, BRNO
Počítačová grafika SZŠ A VOŠZ MERHAUTOVA 15, BRNO 1 Základní dělení 3D grafika 2D grafika vektorová rastrová grafika 2/29 Vektorová grafika Jednotlivé objekty jsou tvořeny křivkami Využití: tvorba diagramů,
Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 40 regula Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague regula 1 2 3 4 5 regula 6 7 8 2 / 40 2 / 40 regula Iterační pro nelineární e Bud f reálná funkce
DIGITÁLNÍ OBRAZ. Obrázky (popř. slajdy) převzaty od
DIGITÁLNÍ OBRAZ JANA ŠTANCLOVÁ jana.stanclova@ruk.cuni.cz Obrázky (popř. slajdy) převzaty od RNDr. Josef Pelikán, CSc., KSVI MFF UK Obsah fáze zpracování obrazu reprezentace obrazu digitalizace obrazu
Rastrový obraz Barevný prostor a paleta Zmenšení barevného prostoru Základní rastrové formáty
Přednáška Rastrový obraz Barevný prostor a paleta Zmenšení barevného prostoru Základní rastrové formáty etody zmenšení barevného prostoru. Cíl: snížení počtu barev etody: rozptylování, půltónování, prahování,
Formáty obrazu. David Bařina. 22. března David Bařina Formáty obrazu 22. března / 49
Formáty obrazu David Bařina 22. března 2013 David Bařina Formáty obrazu 22. března 2013 1 / 49 Obsah 1 Pojmy 2 Nekomprimované formáty 3 Bezeztrátové formáty 4 Ztrátové formáty David Bařina Formáty obrazu
Binární vyhledávací stromy pokročilé partie
Binární vyhledávací stromy pokročilé partie KMI/ALS lekce Jan Konečný 30.9.204 Literatura Cormen Thomas H., Introduction to Algorithms, 2nd edition MIT Press, 200. ISBN 0-262-5396-8 6, 3, A Knuth Donald
Osnova přednášky. Formáty uložení dat. Vyjádření hodnot datového typu. Vyjádření hodnot datového typu. Datové formáty. Výpočetní technika I
Osnova přednášky 2/36 Formáty uložení dat Ing Pavel Haluza ústav informatiky PEF MENDELU v Brně haluza@mendelucz vyjádření hodnot datového typu formátová specifikace textový a binární formát otevřený a
Zpracování multimediálních dat pro integrovanou výuku VUT a VŠB-TUO
FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Zpracování multimediálních dat pro integrovanou výuku VUT a VŠB-TUO Garant předmětu: Ing. Petr Číka, Ph.D. Autor textu:
Grafické formáty. poznámky k 5. přednášce Zpracování obrazů. Martina Mudrová 2004
Grafické formáty poznámky k 5. přednášce Zpracování obrazů Martina Mudrová 2004 Grafické formáty Proč je tolik formátů pro uložení obrázků? Cíl: uložení obrazových dat ve formě souboru různý charakter
UNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
Digitální učební materiály ve škole, registrační číslo projektu CZ.1.07/1.5.00/
Projekt: Příjemce: Digitální učební materiály ve škole, registrační číslo projektu CZ.1.07/1.5.00/34.0527 Střední zdravotnická škola a Vyšší odborná škola zdravotnická, Husova 3, 371 60 České Budějovice
Roman Juránek. Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 30
Extrakce obrazových příznaků Roman Juránek Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 30 Motivace Účelem extrakce
POČÍTAČOVÁ GRAFIKA. Počítačová grafika 1
Počítačová grafika 1 POČÍTAČOVÁ GRAFIKA Gymnázium Jiřího Wolkera v Prostějově Výukové materiály z matematiky pro nižší gymnázia Autoři projektu Student na prahu 21. století - využití ICT ve vyučování matematiky
Maturitní téma: Počítačová grafika (rastrová a vektorová grafika, grafické programy, formáty)
Maturitní téma: Počítačová grafika (rastrová a vektorová grafika, grafické programy, formáty) Grafické editory Grafické editory jsou určeny k tvorbě a editaci grafiky neboli obrázků. 2 základní druhy grafických
Teorie informace a kódování (KMI/TIK) Reed-Mullerovy kódy
Teorie informace a kódování (KMI/TIK) Reed-Mullerovy kódy Lukáš Havrlant Univerzita Palackého 10. ledna 2014 Primární zdroj Jiří Adámek: Foundations of Coding. Strany 137 160. Na webu ke stažení, heslo:
Informace v počítači. Výpočetní technika I. Ing. Pavel Haluza ústav informatiky PEF MENDELU v Brně haluza@mendelu.cz
.. Informace v počítači Ing. Pavel Haluza ústav informatiky PEF MENDELU v Brně haluza@mendelu.cz Osnova přednášky Úvod do teorie informace základní pojmy měření množství informace ve zprávě přenos a kódování
DIGITÁLNÍ VIDEO. pokus o poodhalení jeho neskutečné obludnosti (bez jednosměrné jízdenky do blázince)
DIGITÁLNÍ VIDEO pokus o poodhalení jeho neskutečné obludnosti (bez jednosměrné jízdenky do blázince) Petr Lobaz, katedra informatiky a výpočetní techniky Fakulta aplikovaných věd, Západočeská univerzita
Multimediální systémy
Multimediální systémy Jan Outrata KATEDRA INFORMATIKY UNIVERZITA PALACKÉHO V OLOMOUCI přednášky Literatura Havaldar P., Medioni G.: Multimedia Systems: Algorithms, Standards, and Industry Practices. Course
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední
Rastrová grafika. Grafický objekt je zaznamenán jednotlivými souřadnicemi bodů v mřížce. pixel ( picture element ) s definovanou barvou
Rastrová grafika Grafický objekt je zaznamenán jednotlivými souřadnicemi bodů v mřížce. pixel ( picture element ) s definovanou barvou Kvalita je určena rozlišením mřížky a barevnou hloubkou (počet bitů
[1] samoopravné kódy: terminologie, princip
![[1] samoopravné kódy: terminologie, princip](/thumbs/51/27813178.jpg "[1] samoopravné kódy: terminologie, princip")
[1] Úvod do kódování samoopravné kódy: terminologie, princip blokové lineární kódy Hammingův kód Samoopravné kódy, k čemu to je [2] Data jsou uložena (nebo posílána do linky) kodérem podle určitého pravidla
Obrazová data. Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno. prezentace je součástí projektu FRVŠ č.2487/2011
Obrazová data Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 Osnova Zdroje obrazové informace Digitální obraz Obrazové formáty DICOM Zdroje
Práce s obrazovým materiálem CENTRUM MEDIÁLNÍHO VZDĚLÁVÁNÍ. Akreditované středisko dalšího vzdělávání pedagogických pracovníků
Práce s obrazovým materiálem CENTRUM MEDIÁLNÍHO VZDĚLÁVÁNÍ Akreditované středisko dalšího vzdělávání pedagogických pracovníků Obrazový materiál příjemná součást prezentace lépe zapamatovatelný často nahrazení
Kvantové algoritmy a bezpečnost. Václav Potoček
Kvantové algoritmy a bezpečnost Václav Potoček Osnova Úvod: Kvantové zpracování informace Shorův algoritmus Kvantová distribuce klíče Post-kvantové zabezpečení Úvod Kvantové zpracování informace Kvantový
DUM 02 téma: Formáty souborů rastrové grafiky
DUM 02 téma: Formáty souborů rastrové grafiky ze sady: 02 tematický okruh sady: Bitmapová grafika ze šablony: 09 Počítačová grafika určeno pro: 2. ročník vzdělávací obor: vzdělávací oblast: číslo projektu:
Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012
Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012 Metoda nejmenších čtverců Matematicko-statistická metoda používaná zejména při zpracování nepřesných dat (typicky experimentálních empirických
Multimediální systémy
Multimediální systémy Jan Outrata KATEDRA INFORMATIKY UNIVERZITA PALACKÉHO V OLOMOUCI přednášky Authoring Jan Outrata (Univerzita Palackého v Olomouci) Multimediální systémy Olomouc, září prosinec 2011
Formáty videa. David Bařina. 5. dubna 2013. David Bařina Formáty videa 5. dubna 2013 1 / 46
Formáty videa David Bařina 5. dubna 2013 David Bařina Formáty videa 5. dubna 2013 1 / 46 Obsah 1 Komprese videa 2 Bezeztrátové formáty 3 Ztrátové formáty 4 Kontejnery 5 Shrnutí David Bařina Formáty videa
UČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení