WK
Image Processing Techniques Quiz
Test your knowledge on image processing techniques with our comprehensive quiz! This quiz covers various aspects of image brightness, contrast, histogram manipulation, and filtering methods, challenging you to recall essential concepts and algorithms.
Whether you're a student of image processing or a professional looking to refresh your knowledge, this quiz is designed to provide valuable insights:
- Multiple choice questions
- In-depth coverage of key topics
- Instant feedback on your answers
Prawidłowy sposób wyznaczania jasności J piksela w obrazie kolorowym RGB to:
J = 0,299*G + 0,587*B + 0,114*R
J = 0,171*R + 0,715*G + 0,114*B
0,333*R + 0,333*G + 0,333*B
J = 0,299*R + 0,587*G + 0,114*B
Pierwiastkowanie jasności obrazu (wykładnik < 1):
Przyciemnia obraz, zmniejsza kontrast w zakresie niskich jasności, zwiększa kontrast w zakresie dużych jasności
Rozjaśnia obraz, zwiększa kontrast w zakresie niskich jasności, zmniejsza kontrast w zakresie dużych jasności
Rozjaśnia obraz, zwiększa kontrast w całym zakresie jasności
Rozjaśnia obraz, zmniejsza kontrast w zakresie niskich jasności, zwiększa kontrast w zakresie dużych jasności
Potęgowanie jasności obrazu (wykładnik większy od 1):
Przyciemnia obraz, zmniejsza kontrast w zakresie niskich jasności, zwiększa kontrast w zakresie dużych jasności
Rozjaśnia obraz, zmniejsza kontrast w zakresie niskich jasności, zwiększa kontrast w zakresie dużych jasności
Przyciemnia obraz, zwiększa kontrast w zakresie niskich jasności, zmniejsza kontrast w zakresie dużych jasności
Przyciemnia obraz, zwiększa kontrast w całym zakresie jasności
Operacja zmiany kontrastu polega na wykonaniu dla każdego piksela następujących operacji:
Przemnożenie jasności przez stałą
Pierwiastkowanie jasności
Potęgowanie jasności
Dodanie stałej do jasności
Wygładzanie histogramu:
Jest operacją na samym histogramie I nie zmienia zawartości obrazu
Zmienia obraz wynikowy, aby ułatwić porównywanie go z innymi
Zwiększa kontrast na obrazie wynikowym
Jest podstawą operacji wyrównywania histogramu
Rozciąganie histogramu powoduje:
Zmianę histogramu bez modyfikacji obrazu
Zwiększanie kontrastu dla często występujących poziomów jasności
Wykorzystanie całego dostępnego zakresu jasności
Wyeliminowanie rzadko występujących poziomów jasności
Podczas wyrównywania histogramu nowa jasność piksela jest wyznaczana na podstawie:
Sumy prawdopodobieństw wystąpienia wszystkich odcieni o jasności nie niższej od jasności wejściowej
Sumy prawdopodobieństw wystąpienia wszystkich odcieni o jasności nie wyższej od jasności wejściowej
Sumy gradientów jasności wokół wszystkich pikseli o jasności niższej od jasności wejściowej
Sumy gradientów jasności wokół wszystkich piksela o jasności nie wyższej od jasności wejściowej
W wyniku wyrównywania histogramu:
Liczba poziomów jasności w obrazie nie zmienia się, ale zostają one rozciągnięte na całą skalę jasności
Liczba poziomów jasności w obrazie nie zmienia się, ale zwiększa się kontrast obrazu
Różnice między często występującymi w obrazie jasnościami ulegają zwiększeniu, jasności rzadko występujące uzyskują tę samą jasność
Różnice między często występującymi w obrazie jasnościami ulegają zmniejszeniu, dla jaśności rzadko występujących zwiększa się kontrast
Który z poniższych algorytmów progowania nie wymaga wyznaczania histogramu:
Metoda entropii
Algorytm Otsu
Metoda iteracyjna
Algorytm gradientowy
Algorytm Otsu służy do:
Progowania jasności na podstawie histogramu
Progowania jasności na podstawie gradientu
Wykrywania krawędzi z użyciem histerezy
Wykrywania krawędzi przy użyciu pierwszej I drugiej pochodnej jasności obrazu
W metodzie Otsu:
Kończymy działanie algorytmu, jeśli wartość progu nie zmienia się w kolejnych krokach
Wyznaczamy wartości gradientu dla wszystkich wartości progu
Kolejna sprawdzana wartość progu wynika z wartości średnich uzyskanych w poprzednim kroku
Wyznaczamy wartość funkcji kryterialnej dla wszystkich wartości progu
Które z podanych twierdzeń jest błędne:
Wariancja międzyklasowa wyznaczana jest na podstawie średnich jasności poniżej I powyżej progu
Algorytm Otsu do wyznaczania progu może wykorzystać wariancję wewnątrzklasową
Stosowanie wariancji wewnątrzklasowej nie wymaga wyznaczania średnich jasności powyżej I poniżej progu
Algorytm Otsu do wyznaczania progu może wykorzystać wariancję międzyklasową
Filtry dolnoprzepustowe stosuje się do:
Redukcji szumu impulsowego
Redukcji addytywnego szumu Gaussowskiego
Aproksymacji pierwszej pochodnej jasności
Zwiększania ostrości obrazu
Filtr górnoprzepustowy stosuje się do:
Zaznaczenia fragmentów obrazu, w których zmiany jasności są największe
Zaznaczania fragmentów obrazu, w których zmiany jasności są najmniejsze
Redukcji addytywnego szumu Gaussowskiego
Zaznaczania fragmentów obrazu, w których pierwsza pochodna jasności się nie zmienia
Filtry logiczne:
Służą do poprawy ciągłości linii na obrazach binarnych
Służą do wyrównania oświetlenia
Pozwalają na lokalne progowanie obrazu
To inna nazwa filtrów liniowych
Uśrednienie kolejno zarejestrowanych obrazów umożliwia pozbycie się następujących zakłóceń:
Addytywnego szumu Gaussowskiego
Szumu impulsowego
Zakłóceń typu "sól I pieprz"
Nieciągłości linii
Filtr medianowy:
Nie tworzy nowych wartości, jedynie wybiera wartość ekstremalną z obszaru maski
Uśrednia skrajne wartości z obszaru maski
Uśrednia wartości z obszaru maski
Nie tworzy nowych wartości, jedynie wybiera jedną z wartości źródłowych z obszaru maski
Filtr medianowy:
Nadaje się do eliminowania szumów addytywnych, ponieważ uśrednia wartości skrajne
Nadaje się do eliminowania szumów addytywnych, ponieważ uśrednia wartości w masce
Nadaje się do eliminowania szumów impulsowych, ponieważ uśrednia wartości skrajne
Nadaje się do eliminowania szumów impulsowych, ponieważ nie przepuszcza na wyjście wartości skrajnych
Wydajność filtracji medianowej jest ograniczona głównie przez:
Konieczność uśredniania wartości z obszaru maski dla każdego piksela
Konieczność aproksymacji pochodnych cząstkowych dla każdego piksela
Konieczność wyznaczania kombinacji liniowej wartości z obszaru maski
Konieczność sortowania wartości z obszaru maski dla każdego piksela
Filtr LoG:
Stanowi połączenie filtra dolnoprzepustowego z wyznaczeniem Laplasjanu jasności
Stanowi połączenie filtra dolnoprzepustowego z filtrem logicznym
Stanowi połączenie filtra Gaussa z filtrem wyostrzającym
Stanowi połączenie filtra dolnoprzepustowego z filtrem Sobela
Do redukcji addytywnego szumu Gaussowskiego możemy zastosować:
Filtr liniowy z maską uśredniającą
Filtr liniowy z maską Sobela
Algorytm Canny'ego
Filtr medianowy
Jeżeli chcemy w jednym przebiegu wydobyć z obrazu wszystkie krawędzie, niezależnie od kierunku, powinniśmy zastosować:
Jakikolwiek filtr aproksymujący pierwszą pochodną jasności obrazu
Maskę Kirscha
Laplasjan
Filtr Sobela
Algorytm Canny'ego:
Wykorzystuje progowanie z histerezą, aby wyznaczyć moduł I kierunek gradientu
Wykorzystuje progowanie z histerezą, aby zminimalizować występowanie fałszywych krawędzi
Wykorzystuje progowanie z histerezą w celu tłumienia niemaksymalnych pikseli
Wykorzystuje progowanie z histerezą w celu ograniczenia grubości krawędzi
W algorytmie Canny'ego zwiększenie parametru "σ" (chyba sigma) powoduje, że:
Na wyjściu uzyskujemy większy szum, ale krawędzie są cieńsze
Na wyjściu uzyskujemy większy szum, ale krawędzie są dokładniej zaznaczone
Na wyjściu uzyskujemy mniej szumów, ale krawędzie ulegają pogrubieniu
Na wyjściu uzyskujemy mniej szumów, ale słabsze krawędzie znikają
W algorytmie Canny'ego próg dolny TL działa następująco:
Jeżeli dla danego punktu moduł gradientu przekracza tę wartość, punkt jest zawsze zaznaczany na obrazie wynikowym
Jeżeli dla danego punktu moduł gradientu przekracza tę wartość, punkt jest zaznaczany na obrazie wynikowym, ale tylko jeśli kierunek gradientu jest prostopadły do krawędzi w tym punkcie
Krawędzie cieńsze niż wskazuje wartość progu nie są zaznaczane na obrazie wynikowym
Jeżeli dla danego punktu moduł gradientu przekracza tę wartość, punkt jest zaznaczany na obrazie wynikowym, ale tylko jeśli sąsiaduje z wcześniej wykrytym punktem krawędzi
W algorytmie Canny'ego próg górny TH działa następująco:
Jeżeli dla danego punktu moduł gradientu przekracza tę wartość, punkt jest zawsze zaznaczany na obrazie wynikowym
jeżeli dla danego punktu moduł gradientu przekracza tę wartość, punkt jest zaznaczany na obrazie wynikowym, ale tylko jeśli kierunek gradientu jest prostopadły do krawędzi w tym punkcie
Krawędzie cieńsze niż wskazuje wartość progu nie są zaznaczane na obrazie wynikowym
Jeżeli dla danego punktu moduł gradientu przekracza tę wartość, punkt jest zaznaczany na obrazie wynikowym, ale tylko jeśli sąsiaduje z wcześniej wykrytym punktem krawędzi
Proszę wskazać zdanie fałszywe:
Dylatacja polega na dodawaniu do obiektu tych pikseli, które do niego nie należą, ale które pokrywa maska elementu strukturalnego wycentrowana w każdym punkcie obiektu
Przeprowadzenie erozji tym samym elementem strukturalnym nie gwarantuje przywrócenia kształtu obiektu sprzed dylatacji
Wynik dylatacji jest częścią wspólną wszystkich translacji obiektu, wskazanych w elemencie strukturalnym
Wynik dylatacji jest złożeniem wszystkich translacji obiektu, wskazanych w elemencie strukturalnym
Proszę wskazać zdanie fałszywe:
Działanie erozji polega na tym, że z obiektu usuwane są te punkty, dla których element strukturalny, po wycentrowaniu w danym punkcie, nie był całkowicie zawarty wewnątrz obiektu
Wynik erozji jest częścią wspólną translacji obiektu, wskazanych w elemencie strukturalnym
Wynik erozji jest złożeniem wszystkich translacji obiektu, wskazanych w elemencie strukturalnym
Erozja nie zawsze cofa dylatację, nawet jeśli zastosowano ten sam element strukturalny
Proszę wskazać zdanie fałszywe:
W przypadku obrazów w skali szarości wynik dylatacji zależy od sposobu kodowania jasności w obrazie
W wyniku otwarcia rozmiar obiektu może się znacznie zmniejszyć
Nie ma różnicy, czy otwarcie wykonamy raz, czy wiele razy
Otwarcie to erozja, po której przeprowadzono dylatację
Proszę wskazać zdanie fałszywe:
Wyniki operacji black top hat nie zależą od bezwzględnych wartości lokalnych minimów jasności
Black top hat daje wartości większe od zera dla pikseli, których wynik zamknięcia jest mniejszy niż wartość piksela w obrazie oryginalnym
Operacja white top hat pozwala uzyskać mapę lokalnych maksimów jasności
White top hat daje wartości większe od zera dla pikseli, których wynik otwarcia jest mniejszy niż wartość piksela w obrazie oryginalnym
Transformacja Hougha służy do:
Wykrywania skosu obrazu
Wykrywania nieciągłości linii pionowych I poziomych na obrazach binarnych
Wykrywania krawędzi na obrazach
Wykrywania liniii I łuków na obrazie
Momenty geometryczne służą do:
Obracania obiektu
Opisu kształtu obiektu
Wyznaczania konturu obiektu
Skalowania obiektu
Cechą topologiczną nie jest:
Liczba otworów w obiekcie
Liczba podobiektów
Pole obiektu
Liczba odgałęzień
W widzeniu komputerowym różnica między identyfikacją (klasyfikacją) a weryfikacją polega na tym, że:
Identyfikacja zwraca klasę, do której obraz testowy jest najbardziej podobny, a weryfikacja sprawdza podobieństwo obrazu testowego do wskazanej klasy
Identyfikacja pozwala rozpoznawać obrazy spoza zbioru uczącego, weryfikacja dotyczy tylko obrazów uczących
Identyfikacja wymaga przykładów uczących, a weryfikacja jedynie etykiety klasy docelowej
Identyfikacja odpowiada na pytanie "czy obraz na pewno należy do wskazanej klasy", a weryfikacja "do której klasy obraz jest najbardziej podobny"
Prawidłowe wykonanie obrotu obrazu polega na:
Skopiowaniu do obrazu obróconego odpowiednich pikseli z obrazu źródłowego
Wykorzystaniu transformacji Hougha dla obrazów binarnych
Zastosowanie wzoru na obrót o kąt ALFA dla każdego piksela obrazu źródłowego
Wyznaczeniu dla każdego piksela źródłowego jego współrzędnych na obrazie obróconym
Obiekt jest wypukły, gdy:
Zawartość obiektu względem koła jest większa od 1
Dowolne dwa punkty obiektu można połączyć odcinkiem, który całkowicie zawiera się w obiekcie
Nie istnieją dwa punkty brzegowe obiektu, które można połączyć odcinkiem całkowicie zawartym w obiekcie
Istnieją dwa punkty obiektu, które można połączyć odcinkiem, który całkowicie zawiera się w obiekcie
Wypukłość obiektu można mierzyć obliczając (większa wartość to większa wypukłość):
Stosunek obwodu obiektu do obwodu jego wypukłej powłoki
Stosunek obwodu wypukłej powłoki do pola obiektu
Stosunek pola powierzchni obiektu do pola jego wypukłej powłoki
Stosunek pola wypukłej powłoki do obwodu obiektu
Klasyfikator minimalnoodległościowy z metryką modułową różni się od klasyfikatora z metryką Euklidesa tym, że:
Zawsze wykorzystuje do wyznaczania odległości więcej niż jedną modę
Uwzględnia przy wyznaczaniu odległości rozrzut obrazów wokół wektora średniego
Nie różni się niczym, to inna nazwa tej samej metryki
Wykorzystuje wartości bezwzględne różnic poszczególnych cech
Metryka Mahalanobisa różni się od metryki Euklidesa tym, że
Wykorzystuje sumę różnic poszczególnych cech
Dla każdej klasy uwzględnia rozproszenia obrazów wokół średniej
Uwzględnia gradient funkcji kryterialnej wyznaczony dla zbioru uczącego
Wykorzystuje wartości bezwzględne różnic poszczególnych cech
W iteracyjnym algorytmie uczenia "one at a time" wykorzystującym kwadratową funkcję kryterialną wartość poprawki rozwiązania w danym kroku zależy od:
Zawartości macierzy kowariancji klasy, z której pochodzi aktualny obraz uczących
Różnicy między etykietą klasy a wartością funkcji klasyfikującej dla analizowanego obrazu
średniej różnicy między etykietą klasy a wartością funkcji klasyfikującej w zbiorze uczącym
Sumy kwadratów różnic między danym obrazem a średnią aktualnej klasy
W iteracyjnym gradientowym algorytmie uczenia wektor pochodnych cząstkowych obliczany jest na podstawie:
Różnicy między współczynnikiem korekcji a aktualną wartością funkcji klasyfikującej
Różnicy między docelową a bieżącą wartością funkcji klasyfikującej
Sumy prawidłowo wskazanych etykiet obrazów uczących
Różnicy między aktualnym obrazem uczącym a średnią klasy, z której pochodzi
{"name":"WK", "url":"https://www.quiz-maker.com/QPREVIEW","txt":"Test your knowledge on image processing techniques with our comprehensive quiz! This quiz covers various aspects of image brightness, contrast, histogram manipulation, and filtering methods, challenging you to recall essential concepts and algorithms.Whether you're a student of image processing or a professional looking to refresh your knowledge, this quiz is designed to provide valuable insights:Multiple choice questionsIn-depth coverage of key topicsInstant feedback on your answers","img":"https:/images/course6.png"}
More Quizzes
CHALLENGE YOURSELF !
14725
So you think you know Singapore well enough?
13636
Which Weasley are you?
1059800
Week 7/8 Vocab Quiz
105113
NAME THAT GENDER! According to myths and stuff, NO CHEATING!!! (Zachary and Forrest)
15825
Let us find the best solution for you!
940
DarthHaze OC Trivia
15815
Connecting Cultures and Communities Celebration on February 24th, 2022
100
ASC_10_11_12
2814167
Team Dynamics and Psychological Safety Quiz
520
Elrajtoltak a topligák
740
WoundSource Practice Accelerator:
Debridement and Chronic Wounds Knowledge Quiz
Test your knowledge based on your learning from the materials provided in the May 2019 WoundSource Practice Accelerator program on debridement and chronic wounds.
1050