images and filters
play

Images and Filters CSE 576 Ali Farhadi Many slides - PowerPoint PPT Presentation

Feb 08, 2023 •462 likes •1.06k views

Images and Filters CSE 576 Ali Farhadi Many slides from Steve Seitz and Larry Zitnick AdministraAve Stuff See the setup instrucAons on the

  1. Images ¡and ¡Filters ¡ CSE ¡576 ¡ Ali ¡Farhadi ¡ Many ¡slides ¡from ¡Steve ¡Seitz ¡and ¡Larry ¡Zitnick ¡

  2. AdministraAve ¡Stuff ¡ • See ¡the ¡setup ¡instrucAons ¡on ¡the ¡course ¡web ¡page ¡ • Setup ¡your ¡environment ¡ • Project ¡ – ¡Topic ¡ – Team ¡up ¡(discussion ¡board) ¡ – The ¡project ¡proposal ¡is ¡due ¡on ¡4/6 ¡ • Use ¡the ¡dropbox ¡link ¡on ¡the ¡course ¡webpage ¡to ¡upload ¡ • HW1 ¡ – Due ¡on ¡4/8 ¡ – Use ¡the ¡dropbox ¡link ¡on ¡the ¡course ¡webpage ¡to ¡upload ¡

  3. What ¡is ¡an ¡image? ¡

  4. P = f ( x , y ) f : R 2 ⇒ R

  5. P = f ( x , y ) f : R 2 ⇒ R

  6. Image ¡OperaAons ¡ (funcAons ¡of ¡funcAons) ¡ F( ¡ ¡ ¡ ¡ ¡) ¡= ¡ ¡

  7. Image ¡OperaAons ¡ (funcAons ¡of ¡funcAons) ¡ F( ¡ ¡ ¡ ¡ ¡) ¡= ¡ ¡

  8. Image ¡OperaAons ¡ (funcAons ¡of ¡funcAons) ¡ 0.1 ¡ 0 ¡ 0.8 ¡ 0.9 ¡ 0.9 ¡ 0.9 ¡ 0.2 ¡ 0.4 ¡ F( ¡ ¡ ¡ ¡ ¡) ¡= ¡ ¡ 0.3 ¡ 0.6 ¡ 0 ¡ 0 ¡ 0.1 ¡ 0.5 ¡ 0.9 ¡ 0.9 ¡ 0.2 ¡ 0.4 ¡ 0.3 ¡ 0.6 ¡ 0 ¡ 0 ¡ 0.1 ¡ 0.9 ¡ 0.9 ¡ 0.2 ¡ 0.4 ¡ 0.3 ¡ 0.6 ¡ 0 ¡ 0 ¡ 0.1 ¡ 0.5 ¡

  9. Image ¡OperaAons ¡ (funcAons ¡of ¡funcAons) ¡ F( ¡ ¡ ¡ ¡ ¡, ¡ ¡ ¡ ¡ ¡ ¡) ¡= ¡ ¡ ¡ 0.23 ¡ ¡

  10. Local ¡image ¡funcAons ¡ F( ¡ ¡ ¡ ¡ ¡) ¡= ¡ ¡

  11. How ¡can ¡I ¡get ¡rid ¡of ¡the ¡noise ¡in ¡this ¡ image? ¡

  12. Image ¡filtering ¡ 1 ¡ 1 ¡ 1 ¡ g [ , ] ⋅ ⋅ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ h [.,.] f [.,.] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 90 0 90 90 90 0 0 0 0 0 90 0 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 0 0 0 0 0 0 0 0 0 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 h [ m , n ] g [ k , l ] f [ m k , n l ] = ∑ + + k , l Credit: ¡S. ¡Seitz ¡

  13. Image ¡filtering ¡ 1 ¡ 1 ¡ 1 ¡ g [ , ] ⋅ ⋅ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ h [.,.] f [.,.] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 0 0 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 h [ m , n ] g [ k , l ] f [ m k , n l ] = ∑ + + k , l Credit: ¡S. ¡Seitz ¡

  14. Image ¡filtering ¡ 1 ¡ 1 ¡ 1 ¡ g [ , ] ⋅ ⋅ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ h [.,.] f [.,.] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 0 0 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 h [ m , n ] g [ k , l ] f [ m k , n l ] = ∑ + + k , l Credit: ¡S. ¡Seitz ¡

  15. Image ¡filtering ¡ 1 ¡ 1 ¡ 1 ¡ g [ , ] ⋅ ⋅ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ h [.,.] f [.,.] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 20 30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 0 0 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 h [ m , n ] g [ k , l ] f [ m k , n l ] = ∑ + + k , l Credit: ¡S. ¡Seitz ¡

  16. Image ¡filtering ¡ 1 ¡ 1 ¡ 1 ¡ g [ , ] ⋅ ⋅ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ h [.,.] f [.,.] 0 0 0 0 0 0 0 0 0 0 0 10 20 30 30 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 90 0 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 h [ m , n ] g [ k , l ] f [ m k , n l ] = ∑ + + k , l Credit: ¡S. ¡Seitz ¡

  17. Image ¡filtering ¡ 1 ¡ 1 ¡ 1 ¡ g [ , ] ⋅ ⋅ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ h [.,.] f [.,.] 0 0 0 0 0 0 0 0 0 0 0 10 20 30 30 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 90 0 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 ? ¡ 0 0 0 0 0 0 0 0 0 0 0 0 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 h [ m , n ] g [ k , l ] f [ m k , n l ] = ∑ + + k , l Credit: ¡S. ¡Seitz ¡

  18. Image ¡filtering ¡ 1 ¡ 1 ¡ 1 ¡ g [ , ] ⋅ ⋅ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ h [.,.] f [.,.] 0 0 0 0 0 0 0 0 0 0 0 10 20 30 30 0 0 0 0 0 0 0 0 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 ? ¡ 0 0 0 90 0 90 90 90 0 0 0 0 0 90 90 90 90 90 0 0 50 0 0 0 0 0 0 0 0 0 0 0 0 90 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 h [ m , n ] g [ k , l ] f [ m k , n l ] = ∑ + + k , l Credit: ¡S. ¡Seitz ¡

  19. Image ¡filtering ¡ g [ , ] ⋅ ⋅ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ 1 ¡ h [.,.] f [.,.] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 20 30 30 30 20 10 0 0 0 90 90 90 90 90 0 0 0 20 40 60 60 60 40 20 0 0 0 90 90 90 90 90 0 0 0 30 60 90 90 90 60 30 0 0 0 90 90 90 90 90 0 0 0 30 50 80 80 90 60 30 0 0 0 90 0 90 90 90 0 0 0 30 50 80 80 90 60 30 0 0 0 90 90 90 90 90 0 0 0 20 30 50 50 60 40 20 0 0 0 0 0 0 0 0 0 0 10 20 30 30 30 30 20 10 0 0 90 0 0 0 0 0 0 0 10 10 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 h [ m , n ] g [ k , l ] f [ m k , n l ] = ∑ + + k , l Credit: ¡S. ¡Seitz ¡

  20. Box ¡Filter ¡ g [ , ] ⋅ ⋅ What ¡does ¡it ¡do? ¡ • Replaces ¡each ¡pixel ¡with ¡an ¡ 1 ¡ 1 ¡ 1 ¡ average ¡of ¡its ¡neighborhood ¡ 1 ¡ 1 ¡ 1 ¡ • Achieve ¡smoothing ¡effect ¡ 1 ¡ 1 ¡ 1 ¡ (remove ¡sharp ¡features) ¡ Slide ¡credit: ¡David ¡Lowe ¡(UBC) ¡

  21. Smoothing ¡with ¡box ¡filter ¡

  22. PracAce ¡with ¡linear ¡filters ¡ 0 ¡ 0 ¡ 0 ¡ ? 0 ¡ 1 ¡ 0 ¡ 0 ¡ 0 ¡ 0 ¡ Original Source: ¡D. ¡Lowe ¡

  23. PracAce ¡with ¡linear ¡filters ¡ 0 ¡ 0 ¡ 0 ¡ 0 ¡ 1 ¡ 0 ¡ 0 ¡ 0 ¡ 0 ¡ Original Filtered (no change) Source: ¡D. ¡Lowe ¡

  24. PracAce ¡with ¡linear ¡filters ¡ 0 ¡ 0 ¡ 0 ¡ ? 0 ¡ 0 ¡ 1 ¡ 0 ¡ 0 ¡ 0 ¡ Original Source: ¡D. ¡Lowe ¡

  25. PracAce ¡with ¡linear ¡filters ¡ 0 ¡ 0 ¡ 0 ¡ 0 ¡ 0 ¡ 1 ¡ 0 ¡ 0 ¡ 0 ¡ Original Shifted left By 1 pixel Source: ¡D. ¡Lowe ¡

  26. PracAce ¡with ¡linear ¡filters ¡ 0 ¡ 0 ¡ 0 ¡ 1 ¡ 1 ¡ 1 ¡ - ? 0 ¡ 2 ¡ 0 ¡ 1 ¡ 1 ¡ 1 ¡ 0 ¡ 0 ¡ 0 ¡ 1 ¡ 1 ¡ 1 ¡ (Note that filter sums to 1) Original Source: ¡D. ¡Lowe ¡

Recommend

Filters and Transformations: Graphics Programming Assignment 01 AKARSH KUMAR Images Used

Filters and Transformations: Graphics Programming Assignment 01 AKARSH KUMAR Images Used

Filters and Transformations: Graphics Programming Assignment 01 AKARSH KUMAR Images Used The following two images were used for altering and transformations: This image was used for perspective transform: Greyscale and Black and White

377 views • 8 slides
Lecture 12.3 This lecture describes how linear filters can be learned from images by

Lecture 12.3 This lecture describes how linear filters can be learned from images by

Lecture 12.3 This lecture describes how linear filters can be learned from images by unsupervised algorithms or estimated from neural data by regression. We describe how these receptive field models can be used for binocular stereo and for

522 views • 9 slides
Images and Filters CSE 576 Ali Farhadi Many slides from Steve Seitz and Larry Zitnick

Images and Filters CSE 576 Ali Farhadi Many slides from Steve Seitz and Larry Zitnick

Images and Filters CSE 576 Ali Farhadi Many slides from Steve Seitz and Larry Zitnick Administrative Stuff See the setup instructions on the course web page Setup your environment Project Topic Team up (discussion board)

1.02k views • 57 slides
H ( s ) x ( t ) y ( t ) 1 1 1 c c c x ( t ) = A cos( t + ) Bandpass

H ( s ) x ( t ) y ( t ) 1 1 1 c c c x ( t ) = A cos( t + ) Bandpass

Analog Filters Overview To Do List Discuss time-domain versus frequency domain characteristics Ideal Filters Overshoot First-Order Filters Settling time Active & Passive Filters Show examples of filters applied to

319 views • 16 slides
Overview of Discrete-Time Filters First-order filters Ideal filters Practical filters

Overview of Discrete-Time Filters First-order filters Ideal filters Practical filters

Overview of Discrete-Time Filters First-order filters Ideal filters Practical filters Frequency-selective filter specifications Ripple versus filter order tradeoff Application example Portland State University ECE 223 DT

588 views • 40 slides
Face Recognition Using Log-Polar Images and Gabor Filters Mara Jos Escobar, Javier

Face Recognition Using Log-Polar Images and Gabor Filters Mara Jos Escobar, Javier

Face Recognition Using Log-Polar Images and Gabor Filters Mara Jos Escobar, Javier Ruiz-del-Solar, Jos Rodrguez P. Abstract The MLPG architecture, a new biologically based architecture for face recognition is here proposed. In this

169 views • 14 slides
Optimum IIR Filters Introduction and Scope Definitions Discussed FIR filters for both

Optimum IIR Filters Introduction and Scope Definitions Discussed FIR filters for both

Optimum IIR Filters Introduction and Scope Definitions Discussed FIR filters for both stationary and nonstationary cases Design and properties For simplicity and due to time constraints, will limit discussion of IIR filters to

1.2k views • 7 slides
Masked Correlation Filters for Partially Occluded Face Recognition Eric He ICASSP 2016

Masked Correlation Filters for Partially Occluded Face Recognition Eric He ICASSP 2016

Masked Correlation Filters for Partially Occluded Face Recognition Eric He ICASSP 2016 2/24/2015 Partial Occlusions of Faces 2 Correlation Filters FFT IFFT Correlation Test Image Filter Training Images Filter Design T. Sim, S. Baker,

646 views • 25 slides
Practical Analog Filters Overview Types of practical filters Filter specifications

Practical Analog Filters Overview Types of practical filters Filter specifications

Practical Analog Filters Overview Types of practical filters Filter specifications Tradeoffs Many examples J. McNames Portland State University ECE 222 Practical Analog Filters Ver. 1.04 1 Ideal Filters Lowpass Highpass

643 views • 48 slides
Finite Impulse Response (FIR) Digital Filters Digital filters are rapidly replacing classic

Finite Impulse Response (FIR) Digital Filters Digital filters are rapidly replacing classic

Finite Impulse Response (FIR) Digital Filters Digital filters are rapidly replacing classic analog filters. Programmable DSP with MAC can be used to implement digital filters. For high-bandwidth signal processing applications,

540 views • 20 slides
MOI has two main product lines for its component business: 1. Tunable filters (FFP-TF, FFP-TF2,

MOI has two main product lines for its component business: 1. Tunable filters (FFP-TF, FFP-TF2,

MOI has two main product lines for its component business: 1. Tunable filters (FFP-TF, FFP-TF2, FFP-SI) 2. Fixed filters (FFP-I, picoWave) 1 1. Fiber Fabry-Perot Tunable Filters is MOIs core technology. 2. MOI can design standard filters

559 views • 21 slides
HLT MET Noise Filters in Run2011B Alex Mott Caltech Review of Noise Filters HBHE noise

HLT MET Noise Filters in Run2011B Alex Mott Caltech Review of Noise Filters HBHE noise

HLT MET Noise Filters in Run2011B Alex Mott Caltech Review of Noise Filters HBHE noise filters were deployed online earlier this year Based on the offline Hcal HBHE Noise filters used in the PromptReco For HLT, add an additional

338 views • 11 slides
Comparison of orientated and spatially variant morphological filters vs mean/median filters for

Comparison of orientated and spatially variant morphological filters vs mean/median filters for

Comparison of orientated and spatially variant morphological filters vs mean/median filters for adaptive image denoising Rafael Verd-Monedero 1 , Jess Angulo 2 , Jorge Larrey-Ruiz 1 , Juan Morales-Snchez 1 1 Dpto. de Tecnologas de la

778 views • 51 slides
filters filtratietechniek separatietechniek www.auxill.nl filters filtratietechniek

filters filtratietechniek separatietechniek www.auxill.nl filters filtratietechniek

SCS Strainer filters filtratietechniek separatietechniek www.auxill.nl filters filtratietechniek separatietechniek Self Cleaning Suction Screens Applications o Irrigation systems Rain systems o Golf courses o Tennis courts o

168 views • 6 slides
Kalman Filters 1 Kalman filters Modelling systems described by a set of continuous variables,

Kalman Filters 1 Kalman filters Modelling systems described by a set of continuous variables,

Kalman Filters 1 Kalman filters Modelling systems described by a set of continuous variables, e.g., tracking a bird flying X t = X, Y, Z, X, Y , Z . Airplanes, robots, ecosystems, economies, chemical plants, planets, . . . X X t t

2.51k views • 8 slides
Revisiting Bloom Filters Payload attribution via Hierarchiecal Bloom Filters Kulesh

Revisiting Bloom Filters Payload attribution via Hierarchiecal Bloom Filters Kulesh

Revisiting Bloom Filters Payload attribution via Hierarchiecal Bloom Filters Kulesh Shanmugasundaram, Herve Bronnimann, Nasir Memon 600.624 - Advanced Network Security version 3 Overview Questions Collaborative Intrusion Detection

1.29k views • 58 slides
Filters (Bloom & Quotient) CSCI 333 Operations Filters approximately represent sets.

Filters (Bloom & Quotient) CSCI 333 Operations Filters approximately represent sets.

Filters (Bloom & Quotient) CSCI 333 Operations Filters approximately represent sets. Therefore, a filter must support: Insertions: insert(key) Queries: lookup(key) Filters may also support other operations: Deletion:

510 views • 24 slides
AngularJS Unit Testing AngularJS Filters and Services with Karma & Jasmine Filters

AngularJS Unit Testing AngularJS Filters and Services with Karma & Jasmine Filters

AngularJS Unit Testing AngularJS Filters and Services with Karma & Jasmine Filters Filters can be added in AngularJS to format or transform data AngularJS provides filters to currency - Format a number to a currency format. o date -

147 views • 11 slides
Homework 2 CSE 573: Artificial Intelligence Autumn 2012 Particle Filters Particle Filters for

Homework 2 CSE 573: Artificial Intelligence Autumn 2012 Particle Filters Particle Filters for

11/2/2012 Homework 2 CSE 573: Artificial Intelligence Autumn 2012 Particle Filters Particle Filters for Hidden Markov Models Daniel Weld Many slides adapted from Dan Klein, Stuart Russell, Andrew Moore & Luke Zettlemoyer 1 2

235 views • 9 slides
+ + Review n Images an array of colors n Color RGBA

+ + Review n Images an array of colors n Color RGBA

4/7/16 + + Review n Images an array of colors n Color RGBA n Loading, modifying, upda@ng pixels n pixels[] as a 2D array n Simple filters

259 views • 9 slides
Overview of Discrete-Time Filters Discrete-Time Filters Overview First-order filters N M

Overview of Discrete-Time Filters Discrete-Time Filters Overview First-order filters N M

Overview of Discrete-Time Filters Discrete-Time Filters Overview First-order filters N M a k y [ n k ] = b k x [ n k ] Ideal filters k =0 k =0 Practical filters M k =0 b k e jwk Y (e j ) k =0 a k e jwk

531 views • 10 slides
Outline Bloom filters Applications of Bloom filters Our replacement for Bloom filters

Outline Bloom filters Applications of Bloom filters Our replacement for Bloom filters

An Optimal Bloom Filter Replacement a Rasmus Pagh, IT University of Copenhagen Joint work with Anna Pagh, IT University of Copenhagen S. Srinivasa Rao, University of Waterloo a To appear in SODA 2005 1 Outline Bloom filters

405 views • 18 slides
Digital Image Processing (CS/ECE 545) Lecture 11: Geometric Operations, Comparing Images and Future

Digital Image Processing (CS/ECE 545) Lecture 11: Geometric Operations, Comparing Images and Future

Digital Image Processing (CS/ECE 545) Lecture 11: Geometric Operations, Comparing Images and Future Directions Prof Emmanuel Agu Computer Science Dept. Worcester Polytechnic Institute (WPI) Geometric Operations Filters, point operations change

1.52k views • 75 slides
CS4495/6495 Introduction to Computer Vision 2A-L1 Images as functions Images as functions Images

CS4495/6495 Introduction to Computer Vision 2A-L1 Images as functions Images as functions Images

CS4495/6495 Introduction to Computer Vision 2A-L1 Images as functions Images as functions Images as functions Images as functions Images as functions Quiz An image can be thought of as: a) A 2-dimensional array of numbers ranging from some

522 views • 27 slides

More recommend