TU Wien:Grundlagen der digitalen Bildverarbeitung VO (Kropatsch)/Prüfung 2009-01-27

Prüfung 2009-01-27

eingescannte Prüfung

Ausarbeitung

Bilderzuordnung

Hier bin ich mir bei einigen noch nicht ganz sicher.

_ = conv2 ( _ , fspecial ('gaussian', [7 7], 1));

Gaussche Faltung. Meine Vermutung: R=W, erkennbar am schwarzen Rand und der Unschärfe.

_ = medfilt2( _ );

Vermutung: Das Ursprungsbild ist in diesem Fall W. Ergebnisbild: N. Warum? Keine künstlich erzeugten Grauwerte in N, sondern nur bereits in W vorkommende. Außerdem ist nahezu der gesamte Salt&Pepper-Noise verschwunden.

_ = histeq( _ );

Vermutung: Quellbild ist W. Das Ausgabebild ist R. R sieht aus als wären die Grauwerte in 64 Klassen gleichverteilt ( = flaches Histogramm).

Würde sagen, dass T das Ergebnis einer histeq(X) ist.

_ = bwmorph ( _ , 'skel', Inf)

Schwierig. Hier wird eindeutig Thinnig betrieben. Als Lösungsbilder kommen also meiner Meinung nach B und G in Frage. Eingabebild muss auf jeden fall ein B/W Bild sein. Meine Vermutung: Ursprungsbild: H. Ergebnisbild G. Der Kreis in der Mitte beschreibt das ge-thinnte Loch in der Mitte, die davon ausgehenden Kanten reichen bis in die Ecken des Ursprungsrechtecks. Sie werden nicht entfernt, weil beim Thinning ab einer Linienbreite von einem Pixel nicht mehr weiter entfernt wird.

_ = imclose( _ , strel( 'disk', 11));

Das Ursprungsbild ist L. Beim Closing werden alle Bereiche des Binärbildes die '1' sind mit dem Closing-Element (in dem Fall ein 11px Kreis) "aufgeblasen" (Dilate) und dannach erodiert. Dadurch werden sich nah aneinander befindende Strukturen zusammengeführt. Deswegen sind die kleinen schwarzen "Inseln" und der schmale, schwarze Ring verschwunden.

_ = imclose( _ , strel( 'disk', 30));

Das Ursprungsbild ist abermals L. Diesmal wurde das Closing jedoch mit einem größeren Kreis durchgeführt. Dies hat zur Folge dass auch die größeren, schwarzen, "Inseln" in Weiß aufgegangen sind.

_ = bwdist ( _ );

Distanztransformation. Meine Vermutung P = L. P ist ganz eindeutig Ergebnis einer Distanztransformation (so wie V), das dazu passende Binärbild wäre L.

_ = imhist(X);

Es gibt nur wenige ganz helle und wenige ganz dunkle Bildpunkte, deswegen muss es Histogramm Q sein. Die allermeisten Bildpunkte konzentrieren sich um die Grauwerte welche im Histogramm in der Mitte liegen.

_ = imhist(T);

Das Spektrum an Grauwerten in Bild T ist viel größer. Es gibt viele ganz helle, viele ganz dunkle und sehr viele Bildpunkte die dazwischen liegen. Deswegen muss Histogramm M das Richtige sein, hier sind die Grauwerte nahezu gleichverteilt.

_ = bwlabel(~ _ );

keine ahnung. Lt. Angabe labelt bwlabel die Segmente ein B/W Bildes. Da ich aber kein Bild mit irgendwelchen Labels entdecken kann, weiß ich nicht wirklich was hier gemeint sein kann. Mag das wer mit Matlab bitte ausprobieren? bwlabel gibt jedem (4/8-connectivity) Blob eine eigene Zahl, Bilder wo also jeder blob einen anderen grauwert hat, sind sehr wahrscheinlich bwlabelt. U müsste hier das Ergebnis von bwlabel(~E) sein.

Literaturquiz

8 und 0 sind das gleiche, ebenso R und T. Aufschlüsselung nach den Ausschnitten, und nicht nach den Überschriften. Ja, ich hab mir die Arbeit angetan Google nach den Lösungen zu bemühen ;)

• A: (0/8) Dissimilarity between two skeletal trees in a context.
• B: (2) Measuring the Orientability of Shapes
• C: (7) Corner detection and curve segmentation by multiresolutional chain-code linking.
• D: (0/8) Dissimilarity between two skeletal trees in a context.
• E: (5) Curve Parameterization by Moments
• F: (2) Measuring the Orientability of Shapes
• G: (4) Face Detection in Color Images
• H: (3) Increasing the discrimination power of the co-occurence matrix-based features
• I: (6) Object detection by global contour shape
• J: (1) Statistical Pattern Recognition: A Review
• K: (5) Curve Parameterization by Moments
• L: (7) Corner detection and curve segmentation by multiresolutional chain-code linking.
• M: (6) Object detection by global contour shape
• N: (7) Corner detection and curve segmentation by multiresolutional chain-code linking.
• O: (3) Increasing the discrimination power of the co-occurence matrix-based features
• P: (0/8) Dissimilarity between two skeletal trees in a context.
• Q: (9) Efficient region segmentation on compressed gray images using quadtree and shading representation
• R: (0/8) Dissimilarity between two skeletal trees in a context.
• S: (9) Efficient region segmentation on compressed gray images using quadtree and shading representation
• T: (0/8) Dissimilarity between two skeletal trees in a context.