Que tipo de estándar es PAL? Analogico Digital.
Una tabla look up es un método de procesado puntual método de procesado lineal.
*Sea la tabla de look-up generada por interpolación lineal de la poli-línea formada por los puntos en el intervalo x:[0:255] y :[0:255] siguientes:
(0,0)
(64,32)
(191,223)
(255,255
Una expansión del rango en los intervalos [0,64] y [191,255], y una compresión en el intervalo [64,191]. Una comprensión del rango en los intervalos [0,64] y [191,255], y una expresión en el intervalo [64,191]. Una compresión del rango en el intervalo [0,64] y una expansión en los intervalos [64,191] y [191,255] Una expansión del rango en el intervalo [0,64] y una compresión en los intervalos [64,191] y [191,255].
En OpenCV, sea img1 una imagen con formato float en intervalos [-1.0,1.0]. Queremos convertir dicha imagen almacenándola en img2 con formato byte en intervalo [0,255].¿cual de las siguientes lo hará? img1.convertTo(img2,CV_8U,2.0/255.0,1.0) cv::convertTo(img1,img2,CV_8U,255.0/2.0,1.0) (img1+1.0).convertTo(img2,CV_8U,255.0/2.0,0.0) cv::convertTo(img1+1.0,img2,CV_8U,2.0/255.0,0.0).
La interpolación de los valores de píxeles de una imagen es un ejemplo de .. procesamiento puntual procesamiento basado en la veracidad.
Un filtro bilateral es usado generalmente para: Suavizar una imagen Atenuar el ruido impulsivo de una imagen Realizar los detalles de una imagen.
La expresión R(x,y) = min{F(x+x',y+y')} con (x',y') los puntos activos del elemento estructural B, define la operación morfológica ... Erosión de la imagen F por el elemento B. Dilatación de la imagen F por elemento B. .
Para eliminar ruido de tipo aditivo (ruido blanco) lo mejor es utilizar un filtro Filtro no lineal mediana. Filtro lineal de promediado. Filtro lineal Laplaciano.
Corregir la distorsión producida en una imagen debido a un fallo de la óptica es un ejemplo claro de Analisis de imagenes digitales Procesamiento digital de imagen.
En cual de las siguientes tecnologías es comun un ...obturador mecánico CCD Line Transfer CMOS CCD Full Framer CCD Framer Transfer.
A groso modo, una imagen se puede descomponer en dos versiones de la misma de Altas y Bajas frecuencias. La versión de alta frecuencia representa los detalles de la imagen y es poco sensible al ruido La versión de baja frecuencia representa los detalles de la imagen y es poco sensible al ruido La versión de baja frecuencia representa las estructuras generales de la imagen pero es muy sensible al ruido.
¿Cual de los siguientes analogicos de transmision en color, PAL, NTCS, YC, RGB, ofrece una mejor calidad del color transmitido? NTCS RGB YC PAL.
Debemos aplicar una transformación geométrica a una imagen y queremos obtener la mejor calidad posible. Para ello, qué técnica de interpolación usaremos de las siguientes: Interpolación bicúbica Interpolación bilineal Interpolación por el vecino más cercano.
¿Que es una tabla “look-up”? Un método de procesado puntual Un método de procesado dependiente de la localidad.
En relación al algoritmo “K Vecinos más cercanos “, se puede decir que .. Clasificar una muestra a la clase más votada entre los K vecinos más cercanos. Clasificar una muestra a la clase que tenga al menos K vecinos más cercanos. Realizada una partición del conjunto de muestras en K particiones.
En relación a la categorización de imágenes usando BoVW, el descriptor SIFT que se obtiene de un parche visual detectado consiste en: Un histograma de la orientación del gradiente sobre la región del parche visual. Un histograma de frecuencias normalizado de las palabras visuales. La concatenación de 16 histogramas de la orientación del gradiente en una rejilla 4x4 sobre la región del parche visual.
En relación a la categorización de imágenes usando BoVW, el descriptor de los contenidos visuales de una imagen consiste en: Un histograma de frecuencias normalizado de las palabras visuales. Un histograma de la orientación del gradiente sobre toda la imagen La concatenación de 16 histogramas de la orientación del gradiente en una rejilla 4x4 sobre toda la imagen.
En relación a la categorización de imágenes usando BoVW, cúal de las siguientes afirmaciones es correcta: La localización espacial y en escala de los parches visuales no es determinante. La localización espacial y en escala de los parches visuales es muy determinante.
En relación al algoritmo K-Medias, se puede decir que Este algoritmo no es determinista, es decir, si se realiza varias ejecuciones del algoritmo, se pueden obtener distintos resultados. Este algoritmo es determinista, es decir, si se realiza varias ejecuciones del algoritmo, se Obtendría el mismo resultado.
En relación a la categorización de imágenes usando BoVW, a la hora de comparar dos descriptores de imágenes, ¿cuál de las siguientes medidas de distancia es más apropiada? Chi-square. Distancia euclídea. Suma de diferencias en valor absoluto.
En relación a la categorización de imágenes usando BoVW, para la construcción del diccionario de palabras visuales ¿qué algoritmo de los siguientes utilizarías? El vecino más cercano Los K vecinos más cercanos, con k>=1. Una máquina de soporte vectorial (SVM). K-Medias.
En relación a la categorización de imágenes usando BoVW, si utilizamos el descriptor C-SIFT implica que Que vamos a describir el color a partir del espacio de color “Opponent”. Que vamos a describir el color a partir del espacio de color HSV. Que vamos a describir el color a partir del espacio de color RGB. Que vamos a introducir la descripción del Contraste.
En relación a la categorización de imágenes usando BoVW, que quiere decir utilizar SIFT denso: Que los descriptores se obtienen a partir de una rejilla prefijada de localizaciones en diferentes escalas. Que aumentamos el número de escalas a evaluar. Que aumentamos el número de direcciones de gradiente al construir el descriptor.
En relación a la categorización de imágenes usando BoVW, el descriptor PHOW hace referencia a Utilizar pirámides espaciales y SIFT disperso para construir el descriptor de la imagen. Utilizar el espacio de color “Opponent” para describir los parches visuales. Utilizar pirámides espaciales y SIFT denso para construir el descriptor de la imagen.
En relación a la categorización de imágenes usando BoVW, otras formas distintas de codificar el descriptor de la imagen son VLAD y FV. ¿Cuál de las siguientes afirmaciones es cierta? VLAD genera el doble de características que FV a igual número de palabras visuales. FV utiliza una asignación por el vecino más cercano para obtener la palabra visual dada una muestra. Para utilizar VLAD primero hay que ajustar un mixtura de gaussianas a las muestras. FV genera el doble de características que VLAD a igual número de palabras visuales.
En relación a la categorización de imágenes usando BoVW, se puede utilizar pirámides espaciales para Especializar el descriptor BoVW en distintas escalas de la imagen. Especializar el descriptor BoVW en distintas áreas de la imagen.
En relación a la categorización de imágenes usando BoVW, en relación a la descripción de los parches visuales, cuál de las siguientes sentencias es correcta. Solo podemos utilizar el descriptor SIFT en alguna de sus variantes podemos utilizar el descriptor SURF en vez de SIFT y obtenemos una representacion mas precisa podemos utilizar el descriptor SURF en vez de SIFT y obtenemos mas velocidad de proceso.
En relación al aprendizaje automático, en una tabla de confusión, las filas representan: La frecuencia de aciertos en la clase asociada a esa columna Las etiquetas predichas por el clasificador Las etiquetas asociadas a las muestras de entrenamiento.
En una matriz de confusión, las columnas hacen referencia a: La frecuencia de aciertos en la clase asociada a esa columna Las etiquetas predichas por por el clasificador. Las etiquetas asociadas a las muestras de entrenamiento.
En relación al aprendizaje automático, el término “Boosting” hace referencia a: Crear un clasificador “Fuerte” combinando las respuestas de varios clasificadores “Débiles”. Es la manera de hacer que el clasificador SVM pueda trabajar con clases que incluyan muestras raras (“outliers”). Crear un árbol de decisión utilizando un subconjunto aleatorio de las muestras de entrenamiento. Es la manera de hacer que el clasificador SVM pueda trabajar con clases que no son linealmente separables.
El detector de caras de Viola&Jones, es un ejemplo de qué método de clasificación: Boosting SVM Árboles Aleatorios (Random Forest). Árbol de Decisión (“Decision Tree”).
En relación a la técnica de clasificación “Random Forest”, cual de las siguientes afirmaciones es INCORRECTA: El conjunto de entrenamiento se divide en tantas partes como el número de árboles requerido, y a cada árbol se le asigna aleatoreamente una de estas partes para ser entrenado. En cada nodo de un árbol, se selecciona “N” características de manera aleatoria para dividir el conjunto de muestras de entrenamiento. Dada una muestra, cada árbol votará por una clase, siendo la clase más votada, la clase finalmente asignada a la muestra.
|
