Uniwersytet Warszawski, Wydział Fizyki
|
|
- Bronisława Sokołowska
- 5 lat temu
- Przeglądów:
Transkrypt
1 TELEDETEKCJA A źródło B oddziaływanie z atmosferą C obiekt, oddziaływanie z obiektem D detektor E zbieranie danych F analiza G zastosowania A C B D E F G Obraz wejściowy Analiza Algorytmy przetwarzania obrazu Algorytmy przetwarzania obrazów służą do: geometrycznych przekształceń obrazu Wizualizacja Obraz wyjściowy składania dwu lub większej liczby zachodzących na siebie obrazów scalanie obrazów pochodzących z różnych źródeł (satelitarne, lotnicze, radarowe) łączenia obrazów w przetwarzaniu wielokanałowym operacje arytmetyczne na obrazach (wskaźnik wegetacji) poprawiania i wzmacnianie obrazów (operacje na histogramie, kontrast, wygładzanie, informacja kierunkowa) analizy obrazu (rozpoznawanie, klasyfikacja) wizualizacja obrazów (pseudokolorowanie, cieniowanie) OBRAZ RASTROWY Obraz rastrowy składa się z określonej liczby regularnie ułożonych dyskretnych elementów zwanych pikselami (punktami obrazu). Każdy piksel charakteryzowany jest przez zbiór atrybutów (np. intensywność). Z kolei każdy z tych atrybutów, może przyjmować jedynie dyskretne wartości z pewnego zakresu (np. między a 255). Obrazy rastrowe nadają się dobrze do reprezentacji informacji punktowej, z jaką mamy do czynienia w przypadku zdjęć wielospektralnych, pomiarów magnetycznych, grawitacyjnych, radiometrycznych, wielkości opadów czy danych geochemicznych. OBRAZ WEKTOROWY Dane, dla których opis parametryczny za pomocą linii prostych, łuków, krzywych gładkich czy regularnych obszarów nie stanowi problemu, mogą być reprezentowane w postaci wektorowej. Przykładowo reprezentacja wektorowa nadaje się do opisu przebiegu i rodzaju dróg, planu sieci energetycznej lub wodociągowej, własności gruntów, planów miast i map geologicznych. Zalety zapisu wektorowego to skalowalność, łatwość obróbki informacji i oszczędny zapis. OBRAZ RASTROWY< OBRAZ WEKTOROWY Konwersja z reprezentacji wektorowej na postać rastrową nie przedstawia problemu, natomiast wektoryzacja obrazu rastrowego, np. w celu znalezienia przebiegu dróg na zdjęciu rastrowym, może być poważnym zadaniem. Obraz rastrowy Obraz wektorowy
2 PRZEKSZTAŁCENIA GEOMETRYCZNE OBRAZU SKŁADANIE OBRAZÓW Obszary na zdjęciach lotniczych czy satelitarnych mogą się częściowo pokrywać. Jedną z podstawowych czynności poprzedzających proces analizy jest odpowiednie nałożenie zdjęć i dobranie ich natężeń. oryginał przesunięcie zmiana skali X ścinanie, skos perspektywa kwadratowa zmiana skali X obrót wygięcie SCALANIE OBRAZÓW Ze scalaniem obrazów mamy do czynienia gdy dysponujemy zdjęciami tego samego obszaru w różnych rozdzielczościach i z różnych detektorów. ŁĄCZENIE OBRAZÓW W PRZETWARZANIU WIELOKANAŁOWYM B B2 B3 B G R pasmo niebieskie (5 m) podczerwień (CIR) (2 m) radar ( m) RGB23 2
3 OPERACJE LOGICZNE Obraz Obraz 2 OPERACJE ARYTMETYCZNE Obraz Obraz 2 AND OR XOR NOT suma różnica mnożenie dzielenie Obraz 2 przesunięty Obraz 2 WSKAŹNIK WEGETACJI Wskaźnik wegetacji jest współczynnikiem zdefiniowanym jako pewna funkcja intensywności danego piksela w różnych pasmach spektralnych obrazu. Wskaźnik wegetacji ma pewien związek z wielkością wegetacji na powierzchni Ziemi odpowiadającej temu pikselowi. Powszechnie stosowane wskaźniki wegetacji nie odzwierciedlają żadnego ścisłego kryterium na oznaczenie stanu wegetacji, gdyż zostały skonstruowane na podstawie obserwacji empirycznych a nie wyniku badań biologicznych, chemicznych lub fizycznych. WSKAŹNIK WEGETACJI Najczęściej korzysta się z dwu wskaźników wegetacji. Przy ich konstruowaniu bierze się pod uwagę zdjęcia wykonane dla światła z zakresu czerwonego B RED (6 7 nm) i falę z zakresu bliskiej podczerwieni B NIR (8 nn). B RVI= B NIR RED B NDVI= B NIR NIR B + B (Ratio Vegetation Index) RED RED RVI = RVI+ (Normalized Difference Vegetation Index) Dla satelity Landsat TM pasmo B NIR odpowiada pasmu T4 natomiast pasmo B RED jest pasmem T3. 3
4 WSKAŹNIK WEGETACJI RVI NDVI WSKAŹNIK WEGETACJI Ze względu na fakt, że tak zdefiniowane współczynniki wegetacji zależą od natężenia światła w dwóch długościach fali można dla nich zbudować następujący wykres będący dwu wymiarową przestrzenią spektralną: B NIR B RED Można tu zauważyć, że punkty układają się w trójkąt. Punkty leżące na przekątnej określają tak zwaną linię gleby i informują o wilgotności odsłoniętej ziemi. Im bliżej przeciwnego do podstawy trójkąta punktu tym mamy do czynienia z większą wegetacją. WSKAŹNIK WEGETACJI Z wykresu można również odczytać informacje o linii stałej wegetacji. Punkty leżące na danej linii charakteryzują się podobnym zaawansowaniem wegetacji. Odległość od początku układu współrzędnych określa stopień wilgotności. Wprowadza się dwie rodziny takich linii: linie stałej wegetacji zbiegają się w punkcie początku układu współrzędnych. linie prowadzone są równolegle do linii gleby. WSKAŹNIK WEGETACJI Wskaźniki wegetacji mają charakter orientacyjny. Ich wielkość silnie zależy od rodzaju oświetlenia i stopnia wegetacji. Na dokładność wyznaczenia wskaźnika wegetacji główny wpływ mają przede wszystkim szum gleby i szum atmosferyczny. SZUM GLEBY W obrazie najczęściej mamy różne rodzaje gleb przez co linia gleby jest rozmyta i nie musi dokładnie leżeć na przekątnej. SZUM ATMOSFERY Aerozole w atmosferze oraz nachylenie stoków obserwowanego terenu mogą wpływać na rejestrowane wartości natężeń światła w poszczególnych pasmach spektralnych. 4
5 POPRAWIANIE OBRAZÓW HISTOGRAM Obrazy otrzymywane w wyniku teledetekcji cechuje słaby kontrast. Wynika to z faktu, że detektory muszą działać zarówno przy bardzo jasnych obiektach jak i przy słabym oświetleniu. Jednak zdjęcia na których występują obie skrajności występują rzadko. W celu poprawienia kontrastu takiego zdjęcia stosuje się metody związane z operacjami na histogramie. Histogram obrazu cyfrowego jest dyskretną funkcją przypisującą wartościom natężenia z całego zakresu dynamicznego wartość wynikającą ze zliczania w obrazie pikseli o danym natężeniu. POPRAWIANIE OBRAZÓW HISTOGRAM Krzywe modyfikacji histogramu Liczba pikseli 255 Liczba pikseli Liczba pikseli POPRAWIANIE OBRAZÓW HISTOGRAM Obraz oryginalny POPRAWIANIE OBRAZÓW HISTOGRAM Histogram można modyfikować w każdym z pasm osobno. Dzięki czemu można poprawiać kontrast zdjęć kolorowych. 5
6 POPRAWIANIE OBRAZÓW HISTOGRAM WYGŁADZANIE OBRAZÓW - SZUM Jedną z ważniejszych operacji wykonywanych na obrazie jest usunięcie lub zminimalizowanie wpływu szumu. Szum w zależności od użytej długości fali może mieć różny charakter. Także rodzaj detektora wpływa na rodzaj szumu. Nie istnieje jedna uniwersalna metoda na wyeliminowanie wszystkich rodzajów szumu. WYGŁADZANIE OBRAZÓW - SZUM Szum termiczny Szum fotonowy Szum sól&pieprz POPRAWIANIE OBRAZÓW Generalnie metody poprawy jakości obrazów możemy podzielić na dwie grupy ze względu na miejsce ingerencji w obrazie. Zdjęcie może być modyfikowane w przestrzeni obrazowej lub w przestrzeni częstości przestrzennych. Obecnie wszystkie operacje związane z poprawą obrazu mogą być wykonywane cyfrowo. Można tu stosować zarówno metody oparte na transformacie Fouriera jak i na filtrach lokalnych. Zgubienie linii Szum strukturalny 6
7 POPRAWIANIE OBRAZÓW TRANSFORMATA FOURIERA POPRAWIANIE OBRAZÓW TRANSFORMATA FOURIERA Obszar niejednorodny - pustynia Obszar jednorodny - miasto Obraz wejściowy Przesłona Obraz wyjściowy Filtr dolnoprzepustowy Filtr górnoprzepustowy Obszar jednorodny - pola Wyróżniony kierunek - ulica Filtry lokalne są filtrami cyfrowymi. Scharakteryzowane są przez: wielkość sąsiedztwo wykonywaną operację. Wielkość filtru Filtr 3x3 Filtr 5x7 Sąsiedztwo 4 sąsiadów 8 sąsiadów Działanie filtru lokalnego polega na kolejnym wykonywaniu zdefiniowanej operacji dla każdego z pikseli obrazu rastrowego, przy wykorzystaniu wartości z danego piksela i jego sąsiadów. inne sąsiedztwo Filtry lokalne możemy podzielić na filtry liniowe i nieliniowe. Wielkość okna filtru musi być określona liczbą nieparzystą ze względu na potrzebę zdefiniowania elementu środkowego filtru. 7
8 Działanie filtru 3x3 okno filtru wiersz obrazu rastrowego - a) b) c) a) b) c) S= - * + * + * = S= - * + * + * = S= - * + * + * = wiersz obrazu wejściowego wiersz obrazu wyjściowego - - Działanie filtru na dany piksel można opisać w następujący sposób: N i b+ f hi i= S= m Gdzie f i określa i-ty element filtru, h i określa odpowiedni piksel obrazu, b jest dodatkowym składnikiem dodawania, m jest parametrem zapewniającym unormowanie wyniku. N=
9 Gradient X: - Gradient Y: - Gradient XY: m=, b= m=, b= m=, b= Roberts: - Prewitt: - Sobel: m=, b= m=, b= - m=, b= - Uśredniający: m=9, b= Gaussowski: m=6, b= Wyostrzający: m=, b= Laplacea: m=, b= POPRAWIANIE OBRAZÓW PORZĄDKOWE FILTRY LOKALNE Zasada działania filtrów porządkowych jest zbliżona do filtrów lokalnych. Także występuje okno filtru i okno te przesuwa się po wszystkich pikselach przetwarzanego obrazu. Jednak tym razem ważna jest tylko wielkość okna filtru i zdefiniowane sąsiedztwo. W filtrze nie ma zapisanych informacji liczbowej. Zamiast tego liczby z poszczególnych pikseli obrazu zdefiniowane przez sąsiedztwo zostają ustawione w porządku rosnącym. Przetwarzanie polega na wykonaniu operacji na takim uszeregowanym wektorze liczb. Przykłady filtrów porządkowych to: filtr minimalny (wartość minimalna w uporządkowanym ciągu liczb) filtr maksymalny (wartość maksymalna) filtr medianowy (wartość środkowa) filtr odchylenia standardowego (wartość odchylenia standardowego) filtr większościowy (wartość występująca najczęściej) POPRAWIANIE OBRAZÓW PORZĄDKOWE FILTRY LOKALNE Obraz wejściowy Uporządkowany ciąg liczb ROZPOZNAWANIE OBIEKTÓW Obraz wejściowy Filtr Wynik rozpoznania Litery zakodowane na filtrze Rozpoznanie Okno filtru Filtr minimalny = Filtr maksymalny = 5 Filtr medianowy = 2 Obraz wejściowy Filtr uśredniający = 25/9 = 2,78 = 3 9
10 KLASYFIKACJA OBIEKTÓW W OBRAZIE Celem klasyfikacji jest pogrupowanie pikseli wielospektralnego obrazu rastrowego w klasy o podobnych własnościach statystycznych. Rezultatem klasyfikacji jest nowy obraz, w którym wartości punktów odpowiadają przynależności do klas. Poszczególne klasy mogą identyfikować rośliny uprawne, parki, łąki, obszary zabudowy miejskiej bądź wiejskiej, wodę, pokłady mineralne, i wszystko inne, co ma wyróżnioną charakterystykę widmową. Wyróżniamy dwie główne metody klasyfikacji: klasyfikacja bez nadzoru klasyfikacja z nadzorem KLASYFIKACJA PRZESTRZEŃ SPEKTRALNA Przestrzeń spektralna jest co najmniej dwu wymiarową kostką w której każdemu z kierunków odpowiada inne pasmo spektralne. Dla wskaźnika wegetacji budowaliśmy dwu wymiarową przestrzeń spektralną. Dla satelity Landsat TM można zbudować siedmio wymiarową przestrzeń spektralną. 2 wymiarowa Przestrzeń spektralna 3 wymiarowa Przestrzeń spektralna B3 B2 B KLASYFIKACJA PRZESTRZEŃ SPEKTRALNA Jeśli pasma są dobrane tak, że zapewniają dobrą dyskryminację, piksele odpowiadające różnym typom powierzchni będą miały tendencję do zbierania się w grupy. Grupy te nazywane są klasami informacji. KLASYFIKACJA BEZ NADZORU W klasyfikacji bez nadzoru algorytm automatycznie dzieli przestrzeń spektralną na z góry określoną liczbę klas. W przestrzeni spektralnej umieszczam środki domniemanych klas. Liczę odległości między wszystkimi punktami a obecnymi środkami klas. Na podstawie uzyskanych wyników przypisuje piksele do poszczególnych klas. Same zaś środki klas przesuwam w taki sposób aby minimalizować średnie odległości. W klasyfikacji przyjmuje się, że poszczególne klasy można opisać przy pomocy rozkładów prawdopodobieństwa w przestrzeni spektralnej. Rozkład taki wyznacza prawdopodobieństwo znalezienia piksela należącego do danej klasy w dowolnym punkcie przestrzeni spektralnej. Przyjmuje się, że klasy opisane są przez rozkłady normalne.
11 KLASYFIKACJA BEZ NADZORU Istnieje wiele algorytmów dokonujących podziału pikseli w przestrzeni spektralnej. Wyniki uzyskiwane różnymi metodami mogą się znacznie różnić. B2 Największej wiarygodności Najbliższej średniej Sieć neuronowa KLASYFIKACJA NADZOROWANA W klasyfikacji z nadzorem wymaga się zdefiniowania obszarów wzorcowych (treningowych) odpowiadających znanym powierzchniom, np. różnym typom lasu, akwenom wodnym, uprawom, obszarom zabudowanym itp. Dla każdego ze zdefiniowanych regionów liczone są estymaty parametrów rozkładu normalnego. Zadaniem algorytmu klasyfikacji nadzorowanej jest przyporządkowanie pozostałych pikseli do wcześniej zdefiniowanych klas. Podstawą tego przyporządkowania jest miara odległości między danym pikselem a środkami zdefiniowanych klas. Miarą odległości może być zwykła odległość w przestrzeni euklidesowej ale definiuje się też inne miary odległości takie jak: metrykę miejską, metrykę kątową, odległość Mahalanobisa. B KLASYFIKACJA NADZOROWANA Pole uprawne 3 Pole uprawne KLASYFIKACJA NADZOROWANA Zazwyczaj dobre wyniki klasyfikacji nadzorowanej uzyskuje się przy poprawnym zdefiniowaniu klas wzorcowych. Obszary testowe powinny być w miarę jednorodne i reprezentatywne dla danej klasy. Jednak obszary testowe nie zawsze muszą być jednorodne. Pole uprawne 2 Obraz wejściowy z obszarami testowymi Obraz po klasyfikacji wynik klasyfikacji
12 WIZUALIZACJA PSEUDOKOLOROWANIE Każdy kanał zdjęcia wielospektralnego niesie informacje tylko o natężeniu światła w poszczególnych pikselach. Naturalnym jest przedstawienie takiego obrazu w kolorach zmieniających się od czarnego (brak sygnału) do białego (pełne nasycenie). Obraz taki nazywamy zdjęciem w skali szarości. Można jednak każdej z wartości natężenia przyporządkować inny kolor. WIZUALIZACJA SCHEMAT KOLORÓW RGB Mając do dyspozycji trzy kanały można każdemu z nich przypisać jeden z kolorów podstawowych. W ten sposób buduje obraz z trzech podobrazów. 2
Zamiana reprezentacji wektorowej na rastrową - rasteryzacja
MODEL RASTROWY Siatka kwadratów lub prostokątów stanowi elementy rastra. Piksel - pojedynczy element jest najmniejszą rozróŝnialną jednostką powierzchniową, której własności są opisane atrybutami. Model
Bardziej szczegółowoParametryzacja obrazu na potrzeby algorytmów decyzyjnych
Parametryzacja obrazu na potrzeby algorytmów decyzyjnych Piotr Dalka Wprowadzenie Z reguły nie stosuje się podawania na wejście algorytmów decyzyjnych bezpośrednio wartości pikseli obrazu Obraz jest przekształcany
Bardziej szczegółowoPOB Odpowiedzi na pytania
POB Odpowiedzi na pytania 1.) Na czym polega próbkowanie a na czym kwantyzacja w procesie akwizycji obrazu, jakiemu rodzajowi rozdzielczości odpowiada próbkowanie a jakiemu kwantyzacja Próbkowanie inaczej
Bardziej szczegółowoAnaliza obrazów - sprawozdanie nr 2
Analiza obrazów - sprawozdanie nr 2 Filtracja obrazów Filtracja obrazu polega na obliczeniu wartości każdego z punktów obrazu na podstawie punktów z jego otoczenia. Każdy sąsiedni piksel ma wagę, która
Bardziej szczegółowoBIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat
BIBLIOTEKA PROGRAMU R - BIOPS Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat Biblioteka biops zawiera funkcje do analizy i przetwarzania obrazów. Operacje geometryczne (obrót, przesunięcie,
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przekształcenia kontekstowe Liniowe Nieliniowe - filtry Przekształcenia kontekstowe dokonują transformacji poziomów jasności pikseli analizując za każdym razem nie tylko jasność danego
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoKP, Tele i foto, wykład 3 1
Krystian Pyka Teledetekcja i fotogrametria sem. 4 2007/08 Wykład 3 Promieniowanie elektromagnetyczne padające na obiekt jest w części: odbijane refleksja R rozpraszane S przepuszczane transmisja T pochłaniane
Bardziej szczegółowoZygmunt Wróbel i Robert Koprowski. Praktyka przetwarzania obrazów w programie Matlab
Zygmunt Wróbel i Robert Koprowski Praktyka przetwarzania obrazów w programie Matlab EXIT 2004 Wstęp 7 CZĘŚĆ I 9 OBRAZ ORAZ JEGO DYSKRETNA STRUKTURA 9 1. Obraz w programie Matlab 11 1.1. Reprezentacja obrazu
Bardziej szczegółowoProste metody przetwarzania obrazu
Operacje na pikselach obrazu (operacje punktowe, bezkontekstowe) Operacje arytmetyczne Dodanie (odjęcie) do obrazu stałej 1 Mnożenie (dzielenie) obrazu przez stałą Operacje dodawania i mnożenia są operacjami
Bardziej szczegółowoObraz jako funkcja Przekształcenia geometryczne
Cyfrowe przetwarzanie obrazów I Obraz jako funkcja Przekształcenia geometryczne dr. inż Robert Kazała Definicja obrazu Obraz dwuwymiarowa funkcja intensywności światła f(x,y); wartość f w przestrzennych
Bardziej szczegółowoTeledetekcja w inżynierii środowiska
AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE Wydział Geodezji Górniczej i Inżynierii Środowiska Sprawozdanie z przedmiotu: Teledetekcja w inżynierii środowiska Temat: Satelitarny obraz
Bardziej szczegółowoGrafika Komputerowa Wykład 2. Przetwarzanie obrazów. mgr inż. Michał Chwesiuk 1/38
Wykład 2 Przetwarzanie obrazów mgr inż. 1/38 Przetwarzanie obrazów rastrowych Jedna z dziedzin cyfrowego obrazów rastrowych. Celem przetworzenia obrazów rastrowych jest użycie edytujących piksele w celu
Bardziej szczegółowoGeoinformacja Interpretacja danych teledetekcyjnych. XIII. Obliczenie indeksu wegetacji NDVI
Geoinformacja Interpretacja danych teledetekcyjnych XIII. Obliczenie indeksu wegetacji NDVI 1 Wprowadzenie Wzmocnienia spektralne obrazu satelitarnego Zamiana jasności piksela w danym kanale w oparciu
Bardziej szczegółowoSpośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.
Filtracja nieliniowa może być bardzo skuteczną metodą polepszania jakości obrazów Filtry nieliniowe Filtr medianowy Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy
Bardziej szczegółowoPrzetwarzanie obrazów rastrowych macierzą konwolucji
Przetwarzanie obrazów rastrowych macierzą konwolucji 1 Wstęp Obrazy rastrowe są na ogół reprezentowane w dwuwymiarowych tablicach złożonych z pikseli, reprezentowanych przez liczby określające ich jasność
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoFiltracja obrazu operacje kontekstowe
Filtracja obrazu operacje kontekstowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu Poprawa ostrości Usunięcie określonych wad obrazu Poprawa obrazu o złej jakości technicznej Rekonstrukcja
Bardziej szczegółowoPRZESTRZENNE BAZY DANYCH
PRZESTRZENNE BAZY DANYCH ĆWICZENIA 1 TEMAT: Analiza satelitarnych danych Landsat w programie ArcGIS TELEDETEKCJA SYSTEM PASYWNY 1. Co to jest teledetekcja? 2. Co oznacza w teledetekcji system pasywny?
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoAnaliza wpływu obrazów źródłowych na efektywność granulometrycznej analizy teksturowej w wyodrębnianiu wybranych klas pokrycia terenu
WYDZIAŁ GEODEZJI I KARTOGRAFII POLITECHNIKA WARSZAWSKA Analiza wpływu obrazów źródłowych na efektywność granulometrycznej analizy teksturowej w wyodrębnianiu wybranych klas pokrycia terenu Katarzyna Staniak,
Bardziej szczegółowoPrzetwarzanie obrazów wykład 4
Przetwarzanie obrazów wykład 4 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Filtry nieliniowe Filtry nieliniowe (kombinowane)
Bardziej szczegółowoModele (graficznej reprezentacji) danych przestrzennych postać danych przestrzennych
Modele (graficznej reprezentacji) danych przestrzennych postać danych przestrzennych Jest to sposób graficznej reprezentacji połoŝenia przestrzennego, kształtu oraz relacji przestrzennych obiektów SIP
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przegląd z uwzględnieniem obrazowej bazy danych Tatiana Jaworska Jaworska@ibspan.waw.pl www.ibspan.waw.pl/~jaworska Umiejscowienie przetwarzania obrazu Plan prezentacji Pojęcia podstawowe
Bardziej szczegółowoGeoinformacja - Interpretacja danych teledetekcyjnych. Ćwiczenie I
Geoinformacja - Interpretacja danych teledetekcyjnych Ćwiczenie I Landsat TM i ETM 7 kanałów spektralnych (rozdzielczość przestrzenna 30m) Kanał 1 niebieski Kanał 2 zielony Kanał 3 czerwony Kanał 4 bliska
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 3 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoReprezentacja i analiza obszarów
Cechy kształtu Topologiczne Geometryczne spójność liczba otworów liczba Eulera szkielet obwód pole powierzchni środek cięŝkości ułoŝenie przestrzenne momenty wyŝszych rzędów promienie max-min centryczność
Bardziej szczegółowoWybrane zagadnienia w pracy z danymi rastrowymi w ArcGIS Marcin Paź Esri Polska
Wybrane zagadnienia w pracy z danymi rastrowymi w ArcGIS 10.1 Marcin Paź Esri Polska Zagadnienia Koncepcja rastra Typy danych rastrowych Właściwości rastrów Modele danych rastrowych w ArcGIS Przetwarzanie
Bardziej szczegółowoInteligentna analiza danych
Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki
Bardziej szczegółowoWaldemar Izdebski - Wykłady z przedmiotu SIT / Mapa zasadnicza 30
Waldemar Izdebski - Wykłady z przedmiotu SIT / Mapa zasadnicza 30 2.3. Model rastrowy Rastrowy model danych wykorzystywany jest dla gromadzenia i przetwarzania danych pochodzących ze skanowania istniejących
Bardziej szczegółowoPrzetwarzanie obrazów. Grupy metod przetwarzania obrazu. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe
Przetwarzanie obrazów Ogólna definicja Algorytm przetwarzający obraz to algorytm który, otrzymując na wejściu obraz wejściowy f, na wyjściu zwraca takŝe obraz (g). Grupy metod przetwarzania obrazu Przekształcenia
Bardziej szczegółowoImplementacja filtru Canny ego
ANALIZA I PRZETWARZANIE OBRAZÓW Implementacja filtru Canny ego Autor: Katarzyna Piotrowicz Kraków,2015-06-11 Spis treści 1. Wstęp... 1 2. Implementacja... 2 3. Przykłady... 3 Porównanie wykrytych krawędzi
Bardziej szczegółowoĆwiczenie 6. Transformacje skali szarości obrazów
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 6. Transformacje skali szarości obrazów 1. Obraz cyfrowy Obraz w postaci cyfrowej
Bardziej szczegółowoPodstawy Geomatyki Wykład VI Teledetekcja 2. Remote sensing methods based on multispectral satellite images (passive methods)
Podstawy Geomatyki Wykład VI Teledetekcja 2 Remote sensing methods based on multispectral satellite images (passive methods) Obrazowanie optyczne Podstawowa metoda teledetekcji pasywnej zobrazowania multispektralne
Bardziej szczegółowoSegmentacja przez detekcje brzegów
Segmentacja przez detekcje brzegów Lokalne zmiany jasności obrazu niosą istotną informację o granicach obszarów (obiektów) występujących w obrazie. Metody detekcji dużych, lokalnych zmian jasności w obrazie
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z MATEMATYKI 2016/2017 (zakres podstawowy) klasa 3abc
WYMAGANIA EDUKACYJNE Z MATEMATYKI 2016/2017 (zakres podstawowy) klasa 3abc 1, Ciągi zna definicję ciągu (ciągu liczbowego); potrafi wyznaczyć dowolny wyraz ciągu liczbowego określonego wzorem ogólnym;
Bardziej szczegółowoGRAFIKA RASTROWA. WYKŁAD 1 Wprowadzenie do grafiki rastrowej. Jacek Wiślicki Katedra Informatyki Stosowanej
GRAFIKA RASTROWA WYKŁAD 1 Wprowadzenie do grafiki rastrowej Jacek Wiślicki Katedra Informatyki Stosowanej Grafika rastrowa i wektorowa W grafice dwuwymiarowej wyróżnia się dwa rodzaje obrazów: rastrowe,
Bardziej szczegółowoRozpoznawanie obrazów na przykładzie rozpoznawania twarzy
Rozpoznawanie obrazów na przykładzie rozpoznawania twarzy Wykorzystane materiały: Zadanie W dalszej części prezentacji będzie omawiane zagadnienie rozpoznawania twarzy Problem ten można jednak uogólnić
Bardziej szczegółowoI. Potęgi. Logarytmy. Funkcja wykładnicza.
WYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY TRZECIEJ LICEUM OGÓLNOKSZTAŁCĄCEGO ZAKRES PODSTAWOWY I. Potęgi. Logarytmy. Funkcja wykładnicza. dobrą, bardzo - oblicza potęgi o wykładnikach wymiernych; - zna
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie szóste Transformacje obrazu w dziedzinie częstotliwości 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami
Bardziej szczegółowoPlan wykładu. Wprowadzenie Program graficzny GIMP Edycja i retusz zdjęć Podsumowanie. informatyka +
Plan wykładu Wprowadzenie Program graficzny GIMP Edycja i retusz zdjęć Podsumowanie 2 Po co obrabiamy zdjęcia Poprawa jasności, kontrastu, kolorów itp. Zdjęcie wykonano w niesprzyjających warunkach (złe
Bardziej szczegółowoAKWIZYCJA I PRZETWARZANIE WSTĘPNE OBRAZU
AKWIZYCJA I PRZETWARZANIE WSTĘPNE OBRAZU WYKŁAD 2 Marek Doros Przetwarzanie obrazów Wykład 2 2 Akwizycja (pozyskiwanie) obrazu Akwizycja obrazu - przetworzenie obrazu obiektu fizycznego (f(x, y)) do postaci
Bardziej szczegółowoZobrazowania hiperspektralne do badań środowiska podstawowe zagadnienia teoretyczne
Zobrazowania hiperspektralne do badań środowiska podstawowe zagadnienia teoretyczne Anna Jarocińska Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Zakład Geoinformatyki, Kartografii i
Bardziej szczegółowoKomputerowe obrazowanie medyczne
Komputerowe obrazowanie medyczne Część II Przetwarzanie i analiza obrazów medycznych Grafika rastrowa i wektorowa W grafice wektorowej obrazy i rysunki składają się z szeregu punktów, przez które prowadzi
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela
Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem
Bardziej szczegółowoLaboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 9. Przetwarzanie sygnałów wizyjnych. Politechnika Świętokrzyska.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 9 Przetwarzanie sygnałów wizyjnych. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów z funkcjami pozwalającymi na
Bardziej szczegółowoReprezentacja i analiza obszarów
Cechy kształtu Topologiczne Geometryczne spójność liczba otworów liczba Eulera szkielet obwód pole powierzchni środek ciężkości ułożenie przestrzenne momenty wyższych rzędów promienie max-min centryczność
Bardziej szczegółowoTomasz Tobiasz PLAN WYNIKOWY (zakres podstawowy)
Tomasz Tobiasz PLAN WYNIKOWY (zakres podstawowy) klasa 3. PAZDRO Plan jest wykazem wiadomości i umiejętności, jakie powinien mieć uczeń ubiegający się o określone oceny na poszczególnych etapach edukacji
Bardziej szczegółowoPróba własności i parametry
Próba własności i parametry Podstawowe pojęcia Zbiorowość statystyczna zbiór jednostek (obserwacji) nie identycznych, ale stanowiących logiczną całość Zbiorowość (populacja) generalna skończony lub nieskończony
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoPOPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement)
POPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement) Przetwarzanie obrazów cyfrowych w celu wydobycia / uwydatnienia specyficznych cech obrazu dla określonych zastosowań. Brak
Bardziej szczegółowoDane obrazowe. R. Robert Gajewski omklnx.il.pw.edu.pl/~rgajewski
Dane obrazowe R. Robert Gajewski omklnx.il.pw.edu.pl/~rgajewski www.il.pw.edu.pl/~rg s-rg@siwy.il.pw.edu.pl Przetwarzanie danych obrazowych! Przetwarzanie danych obrazowych przyjmuje trzy formy:! Grafikę
Bardziej szczegółowo1. Potęgi. Logarytmy. Funkcja wykładnicza
1. Potęgi. Logarytmy. Funkcja wykładnicza Tematyka zajęć: WYMAGANIA EDUKACYJNE NA POSZCZEGÓLNE OCENY KL. 3 POZIOM PODSTAWOWY Potęga o wykładniku rzeczywistym powtórzenie Funkcja wykładnicza i jej własności
Bardziej szczegółowoFiltracja obrazu operacje kontekstowe
Filtracja obrazu operacje kontekstowe Podział metod filtracji obrazu Metody przestrzenne i częstotliwościowe Metody liniowe i nieliniowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu
Bardziej szczegółowoRozciąganie histogramu
Rozciąganie histogramu Histogram jest wykresem przedstawiającym częstość występowania pikseli o danej jaskrawości, jasności, barwie. Raster 1 1 3 1 0 2 2 2 3 3 3 1 1 4 0 0 0 3 1 3 4 1 3 3 3 1 3 2 3 5 1
Bardziej szczegółowoDane teledetekcyjne. Sławomir Królewicz
Dane teledetekcyjne Sławomir Królewicz Teledetekcja jako nauka Teledetekcja to dziedzina wiedzy, nauki zajmująca się badaniem właściwości fizycznych, chemicznych i biologicznych przedmiotów bez bezpośredniego
Bardziej szczegółowoW kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
Bardziej szczegółowoLaboratorium Optyki Falowej
Marzec 2019 Laboratorium Optyki Falowej Instrukcja do ćwiczenia pt: Filtracja optyczna Opracował: dr hab. Jan Masajada Tematyka (Zagadnienia, które należy znać przed wykonaniem ćwiczenia): 1. Obraz fourierowski
Bardziej szczegółowoPRZETWARZANIE SYGNAŁÓW
PRZETWARZANIE SYGNAŁÓW SEMESTR V Wykład VIII Podstawy przetwarzania obrazów Filtracja Przetwarzanie obrazu w dziedzinie próbek Przetwarzanie obrazu w dziedzinie częstotliwości (transformacje częstotliwościowe)
Bardziej szczegółowoAKWIZYCJA I PRZETWARZANIE WSTĘPNE
WYKŁAD 2 AKWIZYCJA I PRZETWARZANIE WSTĘPNE Akwizycja (pozyskiwanie) obrazu Akwizycja obrazu - przetworzenie obrazu obiektu fizycznego (f(x,y)) do postaci zbioru danych dyskretnych (obraz cyfrowy) nadających
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie szóste Transformacje obrazu w dziedzinie częstotliwości 1. Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami
Bardziej szczegółowoArchiwum Fotogrametrii, Kartografii i Teledetekcji Vol. 9,1999, s ISBN
Polskie Towarzystwo Fotogrametrii i Teledetekcji oraz Katedra Fotogrametrii i Teledetekcji Wydziału Geodezji i Gospodarki Przestrzennej Uniwersytetu Warmińsko-Mazurskiego w Olsztynie Archiwum Fotogrametrii,
Bardziej szczegółowoWymagania edukacyjne z matematyki w klasie III gimnazjum
Wymagania edukacyjne z matematyki w klasie III gimnazjum - nie potrafi konstrukcyjnie podzielić odcinka - nie potrafi konstruować figur jednokładnych - nie zna pojęcia skali - nie rozpoznaje figur jednokładnych
Bardziej szczegółowoWYKŁAD 3. Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego
WYKŁAD 3 Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego 1 Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego (c.d.) 2 Zestawienie zbiorcze - Regulacje
Bardziej szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 8 Filtracja uśredniająca i statystyczna. Cel ćwiczenia Celem ćwiczenia jest zdobycie umiejętności tworzenia i wykorzystywania
Bardziej szczegółowoPrzeglądanie zdjęć satelitarnych Landsat 8
Przeglądanie zdjęć satelitarnych Landsat 8 Celem poniższej instrukcji jest przedstawienie struktury folderu z zobrazowaniem Landsat 8 oraz pokazanie w jaki sposób można wyświetlać i przeglądać znajdujące
Bardziej szczegółowoc) Sprawdź, czy jest włączone narzędzie Image classification. Jeśli nie, to je włącz: Customize Toolbars Image Classification
3. KLASYFIKACJA Proces klasyfikacji obrazów satelitarnych polega na utworzeniu ze zbioru danych wejściowych pojedynczej mapy wynikowej. Dane multispektralne stanowią zbiór map rastrowych z tym samym odniesieniem
Bardziej szczegółowoTeledetekcja w kartografii geologicznej. wykład I
Teledetekcja w kartografii geologicznej wykład I Teledetekcja teledetekcja «badanie obiektów oraz zjawisk i procesów zachodzących na powierzchni Ziemi oraz innych planet i ich księżyców za pomocą specjalnej
Bardziej szczegółowoINFORMATYKA WSTĘP DO GRAFIKI RASTROWEJ
INFORMATYKA WSTĘP DO GRAFIKI RASTROWEJ Przygotowała mgr Joanna Guździoł e-mail: jguzdziol@wszop.edu.pl WYŻSZA SZKOŁA ZARZĄDZANIA OCHRONĄ PRACY W KATOWICACH 1. Pojęcie grafiki komputerowej Grafika komputerowa
Bardziej szczegółowoZobrazowania satelitarne jako źródło danych obrazowych do zarządzania obszarami chronionymi
Zobrazowania satelitarne jako źródło danych obrazowych do zarządzania obszarami chronionymi Łukasz Sławik II WARSZTATY SYSTEMY INFORMACJI GEOGRAFICZNEJ W PARKACH NARODOWYCH I OBSZARACH CHRONIONYCH ZAKOPANE
Bardziej szczegółowoRozpoznawanie Twarzy i Systemy Biometryczne
Filtry Plan wykładu Przegląd dostępnych filtrów Zastosowanie filtrów na różnych etapach pracy systemu Dalsze badania Kontrast i ostrość Kontrast różnica w kolorze i świetle między częściami ś i obrazu
Bardziej szczegółowoANALIZA I INDEKSOWANIE MULTIMEDIÓW (AIM)
ANALIZA I INDEKSOWANIE MULTIMEDIÓW (AIM) LABORATORIUM 5 - LOKALIZACJA OBIEKTÓW METODĄ HISTOGRAMU KOLORU 1. WYBÓR LOKALIZOWANEGO OBIEKTU Pierwszy etap laboratorium polega na wybraniu lokalizowanego obiektu.
Bardziej szczegółowo0. OpenGL ma układ współrzędnych taki, że oś y jest skierowana (względem monitora) a) w dół b) w górę c) w lewo d) w prawo e) w kierunku do
0. OpenGL ma układ współrzędnych taki, że oś y jest skierowana (względem monitora) a) w dół b) w górę c) w lewo d) w prawo e) w kierunku do obserwatora f) w kierunku od obserwatora 1. Obrót dookoła osi
Bardziej szczegółowoI. Liczby i działania
I. Liczby i działania porównywać liczby wymierne, zaznaczać liczby wymierne na osi liczbowej, zamieniać ułamki zwykłe na dziesiętne i odwrotnie, zaokrąglać liczby do danego rzędu, szacować wyniki działań,
Bardziej szczegółowoCharakterystyka danych teledetekcyjnych jako źródeł danych przestrzennych. Sławomir Królewicz
Charakterystyka danych teledetekcyjnych jako źródeł danych przestrzennych Sławomir Królewicz Teledetekcja jako nauka Teledetekcja to dziedzina wiedzy, nauki zajmująca się badaniem właściwości fizycznych,
Bardziej szczegółowoSPIS TREŚCI WSTĘP... 8 1. LICZBY RZECZYWISTE 2. WYRAŻENIA ALGEBRAICZNE 3. RÓWNANIA I NIERÓWNOŚCI
SPIS TREŚCI WSTĘP.................................................................. 8 1. LICZBY RZECZYWISTE Teoria............................................................ 11 Rozgrzewka 1.....................................................
Bardziej szczegółowoAnaliza obrazu. wykład 4. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009
Analiza obrazu komputerowego wykład 4 Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Filtry górnoprzepustowe - gradienty Gradient - definicje Intuicyjnie, gradient jest wektorem, którego zwrot wskazuje
Bardziej szczegółowoI. PROMIENIOWANIE CIEPLNE
I. PROMIENIOWANIE CIEPLNE - lata '90 XIX wieku WSTĘP Widmo promieniowania elektromagnetycznego zakres "pokrycia" różnymi rodzajami fal elektromagnetycznych promieniowania zawartego w danej wiązce. rys.i.1.
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie piąte Filtrowanie obrazu Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z pojęciami szumu na obrazie oraz metodami redukcji szumów
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY III
WYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY III Program nauczania matematyki w gimnazjum Matematyka dla przyszłości DKW 4014 162/99 Opracowała: mgr Mariola Bagińska 1. Liczby i działania Podaje rozwinięcia
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie czwarte Przekształcenia morfologiczne obrazu Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z definicjami operacji morfologicznych
Bardziej szczegółowoPlan wykładu. Wprowadzenie Program graficzny GIMP Edycja i retusz zdjęć Podsumowanie. informatyka +
Plan wykładu Wprowadzenie Program graficzny GIMP Edycja i retusz zdjęć Podsumowanie 2 Wprowadzenie Po co obrabiamy zdjęcia Obrazy wektorowe i rastrowe Wielkość i rozdzielczość obrazu Formaty graficzne
Bardziej szczegółowoPodstawy grafiki komputerowej
Podstawy grafiki komputerowej Krzysztof Gracki K.Gracki@ii.pw.edu.pl tel. (22) 6605031 Instytut Informatyki Politechniki Warszawskiej 2 Sprawy organizacyjne Krzysztof Gracki k.gracki@ii.pw.edu.pl tel.
Bardziej szczegółowoGraficzne opracowanie wyników pomiarów 1
GRAFICZNE OPRACOWANIE WYNIKÓW POMIARÓW Celem pomiarów jest bardzo często potwierdzenie związku lub znalezienie zależności między wielkościami fizycznymi. Pomiar polega na wyznaczaniu wartości y wielkości
Bardziej szczegółowoGrafika komputerowa. Zajęcia IX
Grafika komputerowa Zajęcia IX Ćwiczenie 1 Usuwanie efektu czerwonych oczu Celem ćwiczenia jest usunięcie efektu czerwonych oczu u osób występujących na zdjęciu tak, aby plik wynikowy wyglądał jak wzor_1.jpg
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY TRZECIEJ NA ROK SZKOLNY 2011/2012 DO PROGRAMU MATEMATYKA Z PLUSEM
WYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY TRZECIEJ NA ROK SZKOLNY 2011/2012 DO PROGRAMU MATEMATYKA Z PLUSEM LICZBY, WYRAŻENIA ALGEBRAICZNE umie obliczyć potęgę o wykładniku naturalnym; umie obliczyć
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 10 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoTeledetekcja w ochronie środowiska. Wykład 2
Teledetekcja w ochronie środowiska Wykład 2 TELEDETEKCJA teledetekcja «dziedzina nauk technicznych zajmująca się pozyskiwaniem wiarygodnych informacji o obiektach fizycznych i ich otoczeniu drogą rejestracji
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoAnaliza obrazów. Segmentacja i indeksacja obiektów
Analiza obrazów. Segmentacja i indeksacja obiektów Wykorzystane materiały: R. Tadeusiewicz, P. Korohoda, Komputerowa analiza i przetwarzanie obrazów, Wyd. FPT, Kraków, 1997 Analiza obrazu Analiza obrazu
Bardziej szczegółowoMetody komputerowego przekształcania obrazów
Metody komputerowego przekształcania obrazów Przypomnienie usystematyzowanie informacji z przedmiotu Przetwarzanie obrazów w kontekście zastosowań w widzeniu komputerowym Wykorzystane materiały: R. Tadeusiewicz,
Bardziej szczegółowostr 1 WYMAGANIA EDUKACYJNE ( ) - matematyka - poziom podstawowy Dariusz Drabczyk
str 1 WYMAGANIA EDUKACYJNE (2017-2018) - matematyka - poziom podstawowy Dariusz Drabczyk Klasa 3e: wpisy oznaczone jako: (T) TRYGONOMETRIA, (PII) PLANIMETRIA II, (RP) RACHUNEK PRAWDOPODOBIEŃSTWA, (ST)
Bardziej szczegółowoSTATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych;
STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych; - badanie skuteczności nowego leku; - badanie stopnia zanieczyszczenia gleb metalami
Bardziej szczegółowoPrzewodnik po soczewkach
Przewodnik po soczewkach 1. Wchodzimy w program Corel Draw 11 następnie klikamy Plik /Nowy => Nowy Rysunek. Następnie wchodzi w Okno/Okno dokowane /Teczka podręczna/ Przeglądaj/i wybieramy plik w którym
Bardziej szczegółowoAutomatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych
Automatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych autor: Robert Drab opiekun naukowy: dr inż. Paweł Rotter 1. Wstęp Zagadnienie generowania trójwymiarowego
Bardziej szczegółowoWykład 4: Statystyki opisowe (część 1)
Wykład 4: Statystyki opisowe (część 1) Wprowadzenie W przypadku danych mających charakter liczbowy do ich charakterystyki można wykorzystać tak zwane STATYSTYKI OPISOWE. Za pomocą statystyk opisowych można
Bardziej szczegółowoSponsorem wydruku schematu odpowiedzi jest wydawnictwo
Kujawsko-Pomorskie Centrum Edukacji Nauczycieli w Bydgoszczy PLACÓWKA AKREDYTOWANA Sponsorem wydruku schematu odpowiedzi jest wydawnictwo KRYTERIA OCENIANIA POZIOM ROZSZERZONY Katalog zadań poziom rozszerzony
Bardziej szczegółowoDział I FUNKCJE I ICH WŁASNOŚCI
MATEMATYKA ZAKRES PODSTAWOWY Rok szkolny 01/013 Klasa: II Nauczyciel: Mirosław Kołomyjski Dział I FUNKCJE I ICH WŁASNOŚCI Lp. Zagadnienie Osiągnięcia ucznia. 1. Podstawowe własności funkcji.. Podaje określenie
Bardziej szczegółowo