| | 1. Suposa un filtre lineal i invariant per traslació de resposta impulsional h(x,y) tal que el seu espectre (centrat) de la transformada de Fourier, |H(u,v)|, és el de la següent figura. Què en podem dir?
|
| | és un filtre 'passa-altes' |
| | és isotròpic (filtra igual en totes direccions) |
| | la sortida del filtre per a una entrada f es calcula com la correlació g= f o h |
| | h(x,y)=h(-x,-y) ja que l'espectre de h és simètric, |H(u,v)| = |H(-u,-v)| |
| | cap de les anteriors |
| | No contesto... |
| |
| | 2. Què és fals respecte del teorema del mostreig aplicat a imatges? |
| | ens permet interpretar (modelitzar matemàticament) el fenòmen de l'aliasing |
| | ens permet estudiar la interferometria Moiré |
| | ens dona un mètode, aplicable en la pràctica, per obtenir la imatge continua a partir de les seves mostres: convolucionar amb una sinc bidimensional |
| | permet estimar aquesta imatge contínua a partir de les mostres sota certes condicions |
| | ens diu quines condicions s'han de complir per tal de poder mostrejar una imatge sense que es produeixi aliasing |
| | No contesto... |
| |
| | 3. La quantització... |
| | és una transformació reversible |
| | converteix valors dins d'un rang contínu, diguem 0 - 5 Volts en el cas del senyal analògic que lliura una càmara monocroma (b/n), a un codi, entre 0 i 255 en el cas de 8 bits/pixel |
| | uniforme consisteix en dividir el rang d'entrada [t1,tL+1] en L intervals disjunts d'igual longitud, agafant com a representant el valor central de cada un |
| | no, el que descriu c) és la quantització òptima, que minimitza l'error quadràtic promig de quantització |
| | visual permet obtenir imatges discretes de bona qualitat perceptual afegint soroll però al cost necessari després més bits per píxel |
| | No contesto... |
| |
| | 4. Quin tipus de problema d'adquisició d'imatges no podem deduir de l'histograma? |
| | sub o sobresaturació |
| | mal funcionament del quantitzador del frame graber |
| | desaprofitament del rang de grisos disponible (la meitat per exemple) |
| | baix contrast |
| | soroll aditiu feble |
| | No contesto... |
| |
| | 5. En general, quin tipus de filtratge redueix millor els següents tipus de soroll?
1. correlacionat espacialment
2. impulsiu i 'sal i pebre'
3. aditiu gaussià
4. multiplicatiu gaussià
F. filtratge en el domini freqüencial
M. mediana
P. promig local
B. binomial
H. homomòrfic
O. morfològic (closing)
|
| | F - M - B - H |
| | O - M - P - H |
| | F - O - M - B |
| | M - B - P - O |
| | cap combinació és l'adequada |
| | No contesto... |
| |
| | 6. Volem segmentar una imatge f obtenint el contorn dels objectes que conté. Però té un problema d'il·luminació no homogènia, amb la qual cosa alguns contorns queden difuminats (s'extenen espacialment), d'altres presenten poc contrast mentre que uns altres sí que s'aprecien clarament. Quina tècnica serà millor, a priori? |
| | aplicar un llindar a la imatge d'intensitat f |
| | aproximar (gradient) f i aplicar-li un llindar després |
| | com l'anterior, però | (modul gradient) f | |
| | fer un 'template matching' on els patrons siguin representacions de contorns esglaó ideal en quatre direccions perpendiculars (nord-sud, sud-nord, est-oest, oest-est), fer el màxim |
| | calcular f * delta**2 Gsub-sigma (x,y) on , Gsub-sigma= [ 1 / ( 2 · pi · sigma ) ] · exp[-(x**2+y**2) / (2sigma**2)] per a una sigma adequada, i buscar els píx |
| | No contesto... |
| |
| | 7. La tècnica del càlcul del mapping per ajust a punts de control parteix d'una llista de n parelles de punts corresponents {(im,jm),(km,lm),m=1..n} essent (i,j),(k,l) coordenades de sortida i entrada respectivament. Aleshores, busquem els coeficients qi, ri, i=1..p de dos polinomis Q,R tals que: |
| | es minimitza sumatori(m=1,n) { d( (km,lm), ( Q(im,jm),R(im,jm) ) ) } on d((x1,y1),(x2,y2)) = ((x1-x2)2+(y1-y2)21/2 |
| | es minimitzen sumatori(m=1,n) { km- Q(im,jm))2} i sumatori(m=1,n) { lm - R(im,jm))2 } |
| | km = Q(im,jm), lm=R(im,jm), m=1..n |
| | es minimitza sumatori(m=1,n) { (km - Q(im,jm))2} + sumatori(m=1,n) { (lm - R(im,jm))2 } |
| | es minimitza la suma dels residus sumatori(m=1,n) { r(m) } |
| | No contesto... |
| |
| | 8. Identifica l'operació morfològica aplicada a cada imatge amb un element estructural quadrat 5x5, tenint en compte les seves propietats i definició. Les operacions són l'erosió, dilatació, obertura i tancament.
|
| | A - dilatació, B - tancament, C - obertura, D - erosió |
| | A - tancament, B - dilatació, C - obertura, D - erosió |
| | A - dilatació, B - obertura, C - tancament, D - erosió |
| | A - tancament, B - erosió, C - dilatació, D - obertura |
| | A - tancament, B - erosió, C - dilatació, D - erosió |
| | No contesto... |
| |
| | 9. Quina de les següents propietats d'operacions morfològiques binàries no és certa? XB denota tancament i XB obertura |
| | (XB)B = XB |
| | X inclòs XB |
| | X (-) B = (XC (+) B)C |
| | X (-) (B (+) B) = (X (-) B) (-) B |
| | (XB)B = (XB)B |
| | No contesto... |
| |
| | 10. En reconeixent de patrons, quin era el criteri de classificació baiesiana paramètrica emprat, del que se'n derivaven diversos classificadors específics com ara el de mínima distància euclídea o el de Mahalanobis? |
| | mínim cost |
| | mínim risc |
| | arg min(i) { P(Ci|X) }, on Ci és la classe i-èssima i X les mesures |
| | maximitzar simplement la versemblança |
| | arg max(i) { P(Ci|X)P(Ci) } |
| | No contesto... |
| |
| | 11. Què és cert respecte els classificadors de mínima distància euclídea (MDE) i el de mínima distància de Mahalanobis (MDM) en quant a les suposicions o simplificacions que feiem? Recorda que X era el vector de característiques que tenia una distribució de probabilitats gaussiana multidimensional, els paràmetres de la qual són un vector de mitja i una matriu de covariança Sigma |
| | en MDE totes les característiques són independents entre si, tenen la mateixa variança sigma, i això passa per a totes les classes Ci: Sigma_i = Sigma pertota i, Sigma = |
| | en MDE les característiques són independents entre si però cada característica j te la seva propia variança sigma_j : Sigma_i = Sigma pertota i diagonal |
| | en MDM les característiques no són independents entre si, encara que la dependència que hi ha entre elles es manté per igual en totes les classes: Sigma_i = Sigma pertota i |
| | en MDM no només les característiques no són independents entre si, sino que les dependències canvien en cada classe: Sigma_i != Sigma_k, no diagonals |
| | com l'anterior, però per MDE |
| | No contesto... |
| |
| | 12. (no corregida). La compressió d'imatges basada en transformacions ortogonals fa un canvi de representació... |
| | de tota la imatge en conjunt, no pas de blocs o subimatges |
| | veu cada troç disjunt en que divideix la imatge com una matriu i li fa un canvi de base |
| | que no és invertible, d'aqui que mètodes com el JPEG no siguin reversibles |
| | que aconsegueix ja una certa compressió |
| | cap de les anteriors |
| | No contesto... |
| |
| | 13. En restauració d'imatges el model g(x,y) = f * h(x,y) + n(x,y), quin és l'inconvenient de la tècnica del filtre invers? |
| | no és possible la seva aplicació en la pràctica perque desconeixem h(x,y) |
| | pot succedir que la transformada de Fourier del soroll, N(u,v), sigui zero per alguna freqüència (u,v) |
| | el terme |N(u,v) / H(u,v) | esdevé molt més gran que |G(u,v) / H(u,v)| típicament en altes freqüències |
| | si el soroll és petit en magnitud, diguem |n(x,y)|<10 sobre 256 nivells d'intensitat, encara proporciona una bona estimació de f, però per sorolls més importants ja n |
| | cal coneixer molt be la distribució de probabilitats del soroll per poder obtenir un bon resultat |
| | No contesto... |
| |