1. מערכות ראיה ממוחשבות

2. Overview Image Acquisition Image Generation Image Compression Image
Manipulation
Image
Analysis
Image
Display
Image
Perception

3. האור הנראה

4. גלים ואור נראה

5. Human Vision

6. Human Vision

7. Perception

8. Gestalt Principles
Proximity

9. Gestalt Principles
Proximity
Similarity

10. Gestalt Principles
Proximity
Similarity
Continuity

11. Gestalt Principles
Proximity Similarity Continuity
Closure

12. Gestalt Principles
Proximity Similarity Continuity
Closure
Common Fate

13. Gestalt Principles
Proximity Similarity Continuity
Closure
Common Fate
Closure
Common Fate
Simplicity

14. Mona Lisa

15. Mona Lisa

16. fMRI Magnet

17. Digital cameras

18. Digital Images PIXEL World Camera Digitizer Digital Image Typically:
PIXEL
Typically:
0 = black
255 = white
(picture element)

19. צילום דיגיטלי

20. ייצוג תמונה במחשב

21. Types of images Gray-scale images I(x,y)  [0..255] Binary images
Color images
IR(x,y) IG(x,y) IB(x,y)
HSL images

22. Grayscale Image
x = 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55
y =

23. Binary images H

24. תמונת RGB R G B

25. גָּוֶן רְוָיָה בְּהִירוּת תמונת HSL
Similarities to the way humans tend to perceive color: What color is it? How vibrant is it? How light or dark is it?

26. בינריזציה
הפיכת תמונת רמות אפור לבינארית ע”י קביעת ערך סף – Threshold. גוונים מעל ערך הסף נרשמים כלבן, מתחת לערך סף כשחורים.
עבור ערך סף 30:

27. רזולוציה מרחבית
512*512
256*256
128*128
64*64
32*32
16*16

28. רזולוציית הצבע 1-bit color (21 = 2 colors) 2-bit color (2² = 4 colors)
Color depth is term describing the number of bits used to represent the color of a single pixel in a bitmapped image( Bits/pixel )
1-bit color (21 = 2 colors)
2-bit color (2² = 4 colors)
3-bit color (2³ = 8 colors)
5-bit color (25 = 32 colors)
6-bit color (26 = 64 colors)
8-bit color (28 = 256 colors)
12-bit color (212 = 4096 colors)
16-bit color (216 = colors)
256 gray levels
(8 bits/pixel)
2 gray levels
(1 bit/pixel)
BINARY IMAGE
8 gray levels
(3 bits/pixel)

29. במחשב שלך
רזולוציית הצבע
רזולוציה מרחבית

30. אחסון התמונה בזיכרון
לכל פיקסל מוקצה מרחב זיכרון בהתאם לרזולציית הצבע. גודל התמונה נקבע ע”פ רזולוציית הצבע והרזולוציה המרחבית. דוגמה: תמונה של 64 גווני אפור בגודל 512*512 פיקסלים צורכת 512*512*6/8 = 196,608 [bytes] (אם ניתן לשמור מידע באופן רציף).

31. Image manipulations using histogram

32. Effects of down-sampling (reducing number of pixels)

33. Effects of reducing number of gray levels
(8 bits/pixel)
16 gray levels
(4 bits/pixel)
8 gray levels
(3 bits/pixel)
4 gray levels
(2 bits/pixel)
2 gray levels
(1 bit/pixel)
BINARY IMAGE

34. דחיסה
"Ask not what your country can do for you -- ask what you can do for your country."
17 words, 61 letters, 16 spaces, one dash,
one period.
"ask" - two times
"what" - two times
"your" - two times
"country" - two times
"can" - two times
"do" - two times
"for" - two times
"you" - two times 1

35. JPEG
Joint Photographic Experts Group

36. Advanced Approaches
Area based approach Image resizing

37. The Image Histogram Histogram = The gray-level distribution:
Occurrence
(# of pixels)
Gray Level
Histogram = The gray-level distribution:
H(k) = #pixels with gray-level k
Normalized histogram: Hnorm(k)=H(k)/N
(N = # pixels in the image)
Continuous probability density function:

38. The Image Histogram (Cont.)
PI(k) 1 k
PI(k) 1
0.5 k
PI(k)
0.1 k

39. Image Enhancement
Histogram stretching Histogram equalization Histogram specification etc...

40. Histogram Stretching
PI(k) k
0.1
PI(k) k
0.5
0.1

41. Histogram Equalizationk k

42. Histogram Equalization
Original
Equalized

43. Histogram Equalization
3000
3000
2500
2500
2000
2000
1500
1500
1000
1000
500
500 50
100
150
200
250 50
100
150
200
250
Original
Equalized

44. Histogram Specification
Transforms an image so that its histogram matches that of another image
(e.g., for comparing two images of the same scene acquired under different lighting condition) Aa Ab k k

45. Image manipulation: filtering

46. שיפור התמונה/סינון
חידוד
החלקה
Luminance
Saturation
Hue

47. סינון צבע

48. תשליל
d(x,y)=255-d(x,y)

49. הבהרה/החשכה
d(x,y)=d(x,y)+constant if new value > MAX new value =MAX if new value < 0 new value =0
+30
-30

50. ניגודיות (קונטרסט)
d(x,y)=d(x,y)*+constant if new value > MAX new value =MAX if new value < 0 new value =0
ככל ש-  גדול יותר הניגודיות עולה

51. מסננים לניקוי רעשים
ממוצע
חציון
הגבלת ערך

52. Spatial Operations g(x,y) = 1/M S f(n,m)
Replace center pixel with average/median gray level: (averaging mask; weighted mask; median filter…)
Examples of neighborhoods S:
S = neighborhood of pixel (x,y)
M = number of pixels in neighborhood S
e.g.,
g(x,y) = 1/M S f(n,m)
(n,m) in S
3 x 3
5 x 5

53. Convolution in 2D- Linear Filtering

54. Median Filter-Non Linear Filtering

55. Noise Cleaning Salt & Pepper Noise 3 X 3 Average 5 X 5 Average
Median

56. החלקה

57. חידוד

58. בעיית הקצוות

59. Image manipulation: morphological operations

60. Example for Dilation 1 Input image Structuring Element Output Image1
Structuring Element
Output Image 1
Hit: If just one of the ’1’s in the SE overlap with the input =>
output = 1, otherwise output = 0

61. Example for Dilation 1 Input image Structuring Element Output Image 11
Structuring Element
Output Image 1

62. Example for Dilation 1 Input image Structuring Element Output Image 11
Structuring Element
Output Image 1

63. Example for Dilation 1 Input image Structuring Element Output Image 11
Structuring Element
Output Image 1

64. Example for Dilation 1 Input image Structuring Element Output Image 11
Structuring Element
Output Image 1

65. Example for Dilation 1 Input image Structuring Element Output Image 11
Structuring Element
Output Image 1

66. Example for Dilation 1 Input image Structuring Element Output Image 11
Structuring Element
Output Image 1

67. Example for Dilation 1 Input image Structuring Element Output Image1
Structuring Element
Output Image 1
The object gets bigger and holes are filled!

68. Erosion (based on ”Fit”)

69. Example for Erosion 1 Input image _ Structuring Element Output Image1
Structuring Element _
Output Image
Fit: If all ’1’s in the SE overlap with input =>
output = 1, otherwise output = 0

70. Example for Erosion
Input image 1 1
Structuring Element
Output Image

71. Example for Erosion
Input image 1 1
Structuring Element
Output Image

72. Example for Erosion
Input image 1 1
Structuring Element
Output Image

73. Example for Erosion
Input image 1 1
Structuring Element
Output Image 1

74. Example for Erosion
Input image 1 1
Structuring Element
Output Image 1

75. Example for Erosion
Input image 1 1
Structuring Element
Output Image 1

76. Example for Erosion 1 Input image Structuring Element Output Image1
Structuring Element
Output Image 1
The object gets smaller

77. 2D Dilation (based on Hit)
Structuring element
Objects are merged (holes are filled)
Sharp corners are preserved

78. Edge detection

79. 2D edge detection :Canny
Filter out noise
Take a derivatives

80. Edge Detection
Image
Vertical edges
Horizontal edges

81. Original image
x derivative
y derivative
Gradient magnitude

82. מרכז כובד
Center of mass

83. מומנטים
מומנט מסדר ראשון d – מרחק ממרכז כובד P – קבוצת פיקסלים Ii – ערך הפונקציה בנקודה i
מומנט מסדר n (תוחלת=מ"מ, שונות, צידוד=א-סימטריה, גבנוניות)

84. מומנטים דו ממדיים
מאפייני תמונה רבים ניתנים לייצוג בעזרת מומנטים דו ממדיים. המומנט ה- (p,q) של אזור R המוגדר על ידי הפונקציה I(x,y) נתון על ידי:

85. מומנטים לתמונות דיגיטאליות
עבור תמונה דיגיטאלית עם mXn פיקסלים המומנט הינו:
עבור תמונה בינארית I(x,y) הינה 1 עבור פיקסלים של הגוף ו-0 לרקע.

86. Discrete Binary Images
Area: Zeroth Moment
Position: Center of Mass (First Moment)
Moment of Inertia (Second Moments): j
I(i, j) i

87. הגדרת מרכז המסה על ידי מומנטים
זהו ממוצע משוקלל על פי ערכי הפיקסלים

88. מומנטים ממורכזים
במידה ומייחסים מומנטים למרכז המסה מקבלים מאפיין שאינו רגיש למיקום החפץ

89. ציר ראשי
ציר ראשי של גוף הינו הציר העובר דרך מרכז המסה שנותן את מומנט האינרציה המינימאלי.
הציר יוצר זווית  ביחס לציר ה-X
הציר הראשי חשוב לקביעת אוריינטציה של גוף

90. דוגמא