ANALIZA OBRAZU Analiza obrazu poprawy jako ci obrazu, restauracji obrazów kodowania obrazów
|
|
- Mateusz Ostrowski
- 7 lat temu
- Przeglądów:
Transkrypt
1 ANALIZA OBRAZU Analiza obrazu (ang. image analysis, scene analysis, image description, image understanding, pattern recognition, machine/computer vision) dotyczy metod wydobywania danych (informacji) z obrazów. W odrónieniu od metod poprawy jakoci obrazu, restauracji obrazów, kodowania obrazów, wynikiem analizy obrazów jest nie obraz a dane w postaci numerycznej lub symbolicznej.
2 Etapy przetwarzania i analizy obrazów Przetwarzanie wstpne Segmentacja Identyfikacja i analiza cech Klasyfikacja i interpretacja
3 Przykłady zastosowa systemów analizy obrazu! " # $ % &
4 Metody analizy obrazów Analiza cech obrazu Segmentacja Klasyfikacja Cechy w dziedzinie przestrzennej Cechy w dziedzinie transformat Brzegi i kontury Ksztaty Momenty geometryczne Tekstury Progowanie jasnoci Segmentacja na podstawie brzegów Segmentacja na podstawie konturow Dopasowanie wzornika Segmentcja tekstur Grupowanie Statystyczne metody klasyfikacji Drzewa decyzyjne Sieci neuronowe Miary podobiestwa
5 Segmentacja Segmentacja jest podstawowym etapem przetwarzania obrazów. Procedura segmentacji dzieli obraz na rozłczne obszary. W jej wyniku uzyskuje si wyodrbnienie fragmentów obrazu charakteryzujcych si szczególnymi cechami (np. jasno, kolor, tekstura), do tła, tj. obszarów nie bdcych przedmiotem analizy. Zadaniem procedur segmentacji obrazów jest jedynie podział obrazu na odpowiednie obszary a nie ich rozpoznawanie.
6 Zdjcia lotnicze
7 Mikroskopowe zdjcie komórek
8 Optyczne zdjcie wrzodu
9 Obraz MRI koci stopy
10 Progowanie jasnoci Segmentacja obrazu przez progowanie jasnoci podstawow metod segmentacji obrazu. jest Polega ona na okreleniu wartoci progowej T (w skali jasnoci obrazu), która dzieli punkty obrazu na dwie grupy, tj. punkty obrazu dla których f(x,y) T oraz punkty, dla których f(x,y)>t. Po operacji progowania otrzymuje si tzw. obraz binarny: g(x, y) = 1 0 dla dla f (x, y) T f (x, y) < T
11 Progowanie jasnoci Dla przykładu załómy, e obraz f(x,y) zawiera ciemne obiekty umieszczone na jasnym tle. Histogram jasnoci takiego obrazu pokazuje rysunek (zwrómy uwag na dwa wyrane maksima histogramu reprezentujce rozkład jasnoci obszarów obiektu i tła).?!! "
12 ' ( +, g(x, y) 256 = 0 dla dla f (x, y) T f (x, y) < T ' ( ) * #!
13 DEMO MATLAB
14 DEMO MATLAB %MATLAB x=imread('cameraman.tif'); figure(1), imshow(x); bw=im2bw(x,0.5); figure(2), imshow(bw)
15 Progowanie jasnoci Gdy warto progu jest ustalana na podstawie całego obrazu to taki próg jasnoci nazywamy globalnym. Gdy warto progu jest zalena od współrzdnych przestrzennych (x,y) obrazu to mówimy, e próg jest ustalany dynamicznie. Ponadto, gdy próg jest zarówno zaleny od treci obrazu tj. wartoci f(x,y) oraz od pewnej cechy obrazu p(x,y) - np., redniej jasnoci obrazu w pewnym otoczeniu, to próg jest okrelany mianem lokalnego. Zatem jego warto jest ustalana na podstawie funkcji: T = T p(x, [ y),f (x, y) ]
16 Progowanie jasnoci Dla tzw. progowania wielopoziomowego, wartoci odpowiednich poziomów progowania s elementami wektora: T= [T 1, T 2, T N ]. W wyniku takiego progowania obraz podlega segmentacji na obszary o N+1 rónych jasnociach, np. progowanie dwupoziomowe wyznacza trzy takie obszary: +.,.!. Progowanie jasnoci mona uogólni do progowania wielowymiarowego, które moe mie zastosowanie w segmentacji obrazów kolorowych, kodowanych w systemach reprezentacji kolorów RGB lub HSI (ang. Hue, Saturation, Intensity). Poszczególne wartoci progów mona okrela na podstawie histogramu trójwymiarowego utworzonego z trzech składowych koloru.
17 Progowanie wielopoziomowe - przykład x=imread('blood1.tif'); figure(1), imshow(x); figure(2),imshow(x), colormap(jet(16))
18 Nierównomierne owietlenie sceny równomierne owietlenie sceny nierównomierne owietlenie sceny
19 DEMO MATLAB Distance along profile
20 Tekstury z albumu Brodatza
21 Dobór wartoci progu Niech obraz zawiera obszary o jasnociach skupionych wokół dwóch wartoci rednich m 1 (obiekt), m 2 (tło), kade o rozkładzie Gaussowskim N(0,σ). Obszary te wystpuj w obrazie w proporcjach P 1 i P 2 przy czym P 1 + P 2 =1. Naley okreli warto progow T minimalizujc całkowity błd segmentacji obrazu (tj. liczby punktów obrazu nalecych do obiektu i zaliczonych do tła (ang. false positive) oraz liczby punktów nalecych to tła i zaliczonych do obiektu (ang. false negative)).
22 Progowanie jasnoci P P T? m 1 m 2
23 Dobór wartoci progu Dla równych wariancji rozkładu jasnoci tła i obiektu warto progu minimalizujca błd segmentacji jest postaci: T = m1 + m2 σ P + ln 2 m m P Dla P 1 =P 2 optymalna warto progu segmentacji jest równa redniej arytmetycznej ze rednich jasnoci tła i obiektu.
24 Dopasowanie wzorca Jedn ze specjalnych technik segmentacji obrazu jest metoda dopasowania wzornika (ang. template matching). Stosuje si j w sytuacji, gdy jest znany a priori kształt obiektu podlegajcego segmentacji (detekcji). Metod bada stopie podobiestwa maski wzornika do kształtu obiektu poszukiwanego w obrazie. Poszukiwanie obiektu w obrazie o załoonym kształcie realizuje si przez wyznaczenie korelacji pomidzy maska wzornikiem a obrazem.
25 Dopasowanie wzorca Korelacja maski wzornika w(x,y) o wymiarze J K oraz obrazu f(x,y) o wymiarze M N jest dany zalenoci: c( s, t) f ( x, y) w( x s, y t) ( s, t) = x y Maska w(x,y) jest przemieszczana w obrbie obrazu dajc w wyniku obraz c(s,t). Maksymalna warto c(s,t) wskazuje połoenie maski w(x,y) w którym wykazuje ona najwiksze podobiestwo do f(x,y).
26 y Dopasowanie wzorca
27 Dopasowanie wzorca Funkcja korelacji jest jednak zalena od rednich poziomów jasnoci obrazu w obrbie maski wzornika. Lepsze wyniki detekcji uzyskuje si po zastosowaniu współczynnika korelacji: [ f ( x, y) f ( x, y) ][ w( x s, y t) w] x y γ ( s, t) = 2 2 1/ 2 { [ f ( x, y) f ( x, y) ] [ w( x s, y t) w] } x y x y
28 Dopasowanie wzorca %MATLAB %c i x typu double z=xcorr2(c,x); imshow(z,[ ]); Ilustracja metody dopasowania wzorca. Znak podlegajcy detekcji to dua litera C.
29 Dopasowanie wzorca
30 Dopasowanie wzorca - zastosowanie Karta do głosowania Wynik korelacji ze wzorcem x Wynik progowania
ANALIZA OBRAZU Analiza obrazu poprawy jako ci obrazu, restauracji obrazów kodowania obrazów
ANALIZA OBRAZU Analiza obrazu (ang. image analysis, scene analysis, image description, image understanding, pattern recognition, machine/computer vision) dotyczy metod wydobywania danych (informacji) z
Bardziej szczegółowostopie szaro ci piksela ( x, y)
I. Wstp. Jednym z podstawowych zada analizy obrazu jest segmentacja. Jest to podział obrazu na obszary spełniajce pewne kryterium jednorodnoci. Jedn z najprostszych metod segmentacji obrazu jest progowanie.
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 szczegółowoPRAKTYKA PRZETWARZANIA OBRAZU W PROGRAMIE MATLAB
Zygmunt Wróbel Robert Koprowski PRAKTYKA PRZETWARZANIA OBRAZU W PROGRAMIE MATLAB EXIT 2004 2 3 SPIS TREŚCI Wstęp 7 CZĘŚĆ I 9 OBRAZ ORAZ JEGO DYSKRETNA STRUKTURA 9 1. Obraz w programie Matlab 11 1.1. Reprezentacja
Bardziej szczegółowoZakład Ubezpieczeń Społecznych Departament Statystyki i Prognoz Aktuarialnych
Zakład Ubezpieczeń Społecznych Departament Statystyki i Prognoz Aktuarialnych Struktura wysokości emerytur i rent wypłacanych przez ZUS po waloryzacji w marcu 2011 roku. Warszawa 2011 I. Badana populacja
Bardziej szczegółowoStatystyki opisowe. Marcin Zajenkowski. Marcin Zajenkowski () Statystyki opisowe 1 / 57
Statystyki opisowe Marcin Zajenkowski Marcin Zajenkowski () Statystyki opisowe 1 / 57 Struktura 1 Miary tendencji centralnej Średnia arytmetyczna Wartość modalna Mediana 2 Miary rozproszenia Roztęp Wariancja
Bardziej szczegółowoĆwiczenie: Badanie normalności rozkładu. Wyznaczanie przedziałów ufności
Ćwiczenie: Badanie normalności rozkładu. Wyznaczanie przedziałów ufności Badanie normalności rozkładu Shapiro-Wilka: jest on najbardziej zalecanym testem normalności rozkładu. Jednak wskazane jest, aby
Bardziej szczegółowoĆwiczenie nr 2 Zbiory rozmyte logika rozmyta Rozmywanie, wnioskowanie, baza reguł, wyostrzanie
Ćwiczenie nr 2 Zbiory rozmyte logika rozmyta Rozmywanie, wnioskowanie, baza reguł, wyostrzanie 1. Wprowadzenie W wielu zagadnieniach dotyczących sterowania procesami technologicznymi niezbędne jest wyznaczenie
Bardziej szczegółowoPODSTAWY DZIAŁANIA UKŁADÓW CYFROWYCH
PODSTAWY DZIAŁANIA UKŁADÓW CYFROWYCH Podstawy działania układów cyfrowych Obecnie telekomunikacja i elektronika zostały zdominowane przez układy cyfrowe i przez cyfrowy sposób przetwarzania sygnałów. Cyfrowe
Bardziej szczegółowoCałka potrójna. Całka potrójna po prostopadłoscianie. f (x i, y i, z i ) x i y i z i. (1)
Całka potrójna Całka potrójna po prostopadłoscianie Rozważmy prostopadłościan = {(x, y, z) R 2 : a x b, c y d, p z q}, gdzie a, b, c, d, p, q R, oraz funkcję trzech zmiennych f : R ograniczoną w tym prostopadłościanie.
Bardziej szczegółowoWYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA
TYPY GRAFÓW c.d. Graf nazywamy dwudzielnym, jeśli zbiór jego wierzchołków można podzielić na dwa rozłączne podzbiory, tak że żadne dwa wierzchołki należące do tego samego podzbioru nie są sąsiednie. G
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przekształcenia geometryczne Obroty Przesunięcia Odbicia Rozciągnięcia itp Przekształcenia geometryczne Obroty Wielokrotność 90 stopni Inne Przekształcenia geometryczne Obroty Wielokrotność
Bardziej szczegółowoSTA T T A YSTYKA Korelacja
STATYSTYKA Korelacja Pojęcie korelacji Korelacja (współzależność cech) określa wzajemne powiązania pomiędzy wybranymi zmiennymi. Charakteryzując korelację dwóch cech podajemy dwa czynniki: kierunek oraz
Bardziej szczegółowoEfektywność nauczania w Gimnazjum w Lutyni
Efektywność nauczania w Gimnazjum w Lutyni Efektywność nauczania w danej szkole często utożsamiana jest z jej wynikami egzaminacyjnymi. Gdyby wszystkie szkoły w Polsce pracowały z uczniami o tym samym
Bardziej szczegółowoGeometria Wykreślna Wykład 3
Geometria Wykreślna Wykład 3 OBRÓT PUNKTU Z obrotem punktu A związane są następujące elementy obrotu: - oś obrotu - prosta l, - płaszczyzna obrotu - płaszczyzna, - środek obrotu - punkt S, - promień obrotu
Bardziej szczegółowoNazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka. Nazwa jednostki prowadzącej przedmiot / moduł: WMF Instytut Matematyki
Wypełnia kierownik studiów Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka. Nazwa jednostki prowadzącej przedmiot / moduł: WMF Instytut Matematyki Nazwa studiów podyplomowych: Studia podyplomowe
Bardziej szczegółowoFiltracja obrazu. Piotr Dalka
Filtracja obrazu Piotr Dalka Plan wykładu Przetwarzanie obrazu Wygładzanie obrazu Przekształcenia wykorzystujące pochodne Wykrywanie krawędzi Poprawa jakości obrazów tekstu Wygładzanie obrazu Stosowane
Bardziej szczegółowoI. LOGICZNE STRUKTURY DRZEWIASTE
I LOGICZNE STRUKTURY DRZEWIASTE Analizując dany problem uzyskuje się zadanie projektowe w postaci pewnego zbioru danych Metoda morfologiczna, która została opracowana w latach 1938-1948 przez amerykańskiego
Bardziej szczegółowoWyklad 1. Analiza danych za pomocą pakietu SAS. Obiekty i zmienne. Rodzaje zmiennych
Bioinformatyka - rozwój oferty edukacyjnej Uniwersytetu Przyrodniczego we Wrocławiu projekt realizowany w ramach Programu Operacyjnego Kapitał Ludzki współfinansowanego ze środków Europejskiego Funduszu
Bardziej szczegółowoTest F- Snedecora. będzie zmienną losową chi-kwadrat o k 1 stopniach swobody a χ
Test F- nedecora W praktyce często mamy do czynienia z kilkoma niezaleŝnymi testami, słuŝącymi do weryfikacji tej samej hipotezy, prowadzącymi do odrzucenia lub przyjęcia hipotezy zerowej na róŝnych poziomach
Bardziej szczegółowoWytyczne dla środków masowego przekazu
Wytyczne dla środków masowego przekazu ZASADY korzystania ze znaków PZPN przez środki masowego przekazu Nowe znaki PZPN są jedynie obowiązującymi. Dotychczasowych logotypów można używać wyłącznie do celów
Bardziej szczegółowoALGORYTMY I STRUKTURY DANYCH
ALGORYTMY I TRUKTURY DANYCH Temat 7: Drzewa czerwono-czarne czarne Wykładowca: dr inż. Zbigniew TARAATA e-mail: Zbigniew.Tarapata@isi.wat.edu.pl http://www.tarapata.strefa.pl/p_algorytmy_i_struktury_danych/
Bardziej szczegółowoPomiary geofizyczne w otworach
Pomiary geofizyczne w otworach Profilowanie w geofizyce otworowej oznacza rejestrację zmian fizycznego parametru z głębokością. Badania geofizyki otworowej, wykonywane dla potrzeb geologicznego rozpoznania
Bardziej szczegółowoPodr cznik Identyfikacji Wizualnej Muzeum II Wojny Âwiatowej
Podr cznik Identyfikacji Wizualnej Muzeum II Wojny Âwiatowej 1 1 Spis treêci: 1. Logotyp / wersja podstawowa 2. Logotyp / kolorystyka 3. Logotyp / minimalna wielkoêç znaku 4. Logotyp / wersja czarno-biała
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 szczegółowoPrzykłady wybranych fragmentów prac egzaminacyjnych z komentarzami Technik ochrony fizycznej osób i mienia 515[01]
Przykłady wybranych fragmentów prac egzaminacyjnych z komentarzami Technik ochrony fizycznej osób i mienia 515[01] 1 2 3 4 5 6 Efektem rozwiązania zadania egzaminacyjnego przez zdającego była praca 7 egzaminacyjna,
Bardziej szczegółowoPodstawowe pojęcia: Populacja. Populacja skończona zawiera skończoną liczbę jednostek statystycznych
Podstawowe pojęcia: Badanie statystyczne - zespół czynności zmierzających do uzyskania za pomocą metod statystycznych informacji charakteryzujących interesującą nas zbiorowość (populację generalną) Populacja
Bardziej szczegółowoWykład 1. Strategie a struktury organizacyjne
Dr inż. Aleksander Gwiazda Zarządzanie strategiczne Wykład 1 Strategie a struktury Plan wykładu Struktury Struktura funkcjonalna Struktura dywizjonalna Struktura macierzowa Struktury Definicja struktury
Bardziej szczegółowoKINO ŚWIATOWID KSIĄŻKA ZNAKU
KINO ŚWIATOWID Opracował: Krzysztof Prochera... Zatwierdził: Antoni Czyżyk... Elbląg, dn. 4.12.2014 Znak firmowy (Logo):Odgrywa kluczową rolę w kreowaniu wizerunku firmy. Poza funkcją typowo marketingową
Bardziej szczegółowoEstymacja przedziałowa
Estymacja przedziałowa Statystyka w medycynie Dr inż. Janusz Majewski Katedra Informatyki Populacja, próba, wnioskowanie Statystyka jest nauką o wnioskowaniu, nauką o uogólnianiu polegającym na przechodzeniu
Bardziej szczegółowoTWIERDZENIE PITAGORASA
PODSTAWY > Figury płaskie (2) TWIERDZENIE PITAGORASA Twierdzenie Pitagorasa dotyczy trójkąta prostokątnego, to znaczy takiego, który ma jeden kąt prosty. W trójkącie prostokątnym boki, które tworzą kąt
Bardziej szczegółowoSpis treści. 1. Znak... 3. Konstrukcja symbolu... 3. Budowa znaku... 3. 2. Kolorystyka wersja podstawowa... 3. Kolorystyka wersja czarno-biała...
KSIĘGA ZNAKU 1 Spis treści 1. Znak... 3 Konstrukcja symbolu... 3 Budowa znaku... 3 2. Kolorystyka wersja podstawowa... 3 Kolorystyka wersja czarno-biała... 4 Kolorystyka wersja jednokolorowa druk aplą,
Bardziej szczegółowoTechnologie Informacyjne
Technologie Informacyjne Szkoła Główna Służby Pożarniczej Zakład Informatyki i Łączności April 11, 2016 Technologie Informacyjne Wprowadzenie : wizualizacja obrazów poprzez wykorzystywanie technik komputerowych.
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 szczegółowoROZWIĄZANIA ZADAŃ Zestaw P3 Odpowiedzi do zadań zamkniętych
PRZYKŁADOWY ARKUSZ EGZAMINACYJNY POZIOM PODSTAWOWY ROZWIĄZANIA ZADAŃ Zestaw P3 Odpowiedzi do zadań zamkniętych Numer zadania 1 3 4 5 6 7 8 9 10 11 1 13 14 15 16 17 18 19 0 Odpowiedź A B B C C D C B B C
Bardziej szczegółowoEKSPLORACJA ZASOBÓW INTERNETU LABORATORIUM VIII WYSZUKIWANIE OBRAZÓW
EKSPLORACJA ZASOBÓW INTERNETU LABORATORIUM VIII WYSZUKIWANIE OBRAZÓW 1. Motywacja Strony internetowe zawierają 70% multimediów Tradycyjne wyszukiwarki wspierają wyszukiwanie tekstu Kolekcje obrazów: Dwie
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 szczegółowoI.1.1. Technik mechanizacji rolnictwa 311[22]
I.1.1. Technik mechanizacji rolnictwa 311[22] Do egzaminu zostało zgłoszonych: 1 253 Przystąpiło łącznie: 1 079 przystąpiło: 1 016 przystąpiło: ETAP PISEMNY ETAP PRAKTYCZNY zdało: 942 (92,7%) zdało: 482
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoOPIS PRZEDMIOTU. Podstawy edukacji matematycznej. Wydzia Pedagogiki i Psychologii
OPIS PRZEDMIOTU Nazwa przedmiotu Kod przedmiotu Wydzia Wydzia Pedagogiki i Psychologii Instytut/Katedra INSTYTUT PEDAGOGIKI, Zak ad Pedagogiki Wczesnoszkolnej i Edukacji Plastycznej Kierunek pedagogika,
Bardziej szczegółowoKalkulacyjny układ kosztów
Kalkulacyjny układ kosztów bezpośrednie Robocizna Inne wydziałowe zarządu bezpośrednie Techniczny koszty TKW wytworzenia Zakładowy koszt wytworzenia Całkowity koszt własny sprzedaży CKW Rachunkowość zarządcza
Bardziej szczegółowoprof. Paweł Strumiłło dr hab. Michał Strzelecki tel , p. 216, godz. przyj: poniedziałek 12-13, wtorek 15-16
prof. Paweł Strumiłło dr hab. Michał Strzelecki tel. 631 26 31, p. 216, mstrzel@p.lodz.pl godz. przyj: poniedziałek 12-13, wtorek 15-16 Strumillo, Strzelecki Literatura: 1. Notatki i materiały wykładowe
Bardziej szczegółowoGDYNIA moje miasto. Księga Znaku Promocyjnego
GDYNIA moje miasto Księga Znaku Promocyjnego SPIS TREŚCI 01 ELEMENTY BAZOWE 01.01... Znak podstawowy 01.02... Kolorystyka 01.03... Budowa znaku 01.04... Znak w wersjach uproszczonych 01.05... Znak w wersji
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 szczegółowoPrzetwarzanie obrazów
Przetwarzanie obrazów Zajęcia 10 Filtracje przestrzenne obrazów rastrowych. 2006-12-12 13:44:21 Zasady wykonania ćwiczenia Obrazy wynikowe do zadań zapisujemy w pliku nazwiskonr.rvc (bieżące nr 1) a komentarze
Bardziej szczegółowoWYKŁAD 13 ANALIZA I ROZPOZNANIE OBRAZU. Konstrukcja wektora cech z użyciem współczynników kształtu
WYKŁAD 13 ANALIZA I ROZPOZNANIE OBRAZU Współczynniki kształtu W1,...,W9 stanowią skalarną miarę kształtu analizowanego obiektu. Konstrukcja wektora cech z użyciem współczynników kształtu Wektor cech: x
Bardziej szczegółowoKONKURSY MATEMATYCZNE. Treść zadań
KONKURSY MATEMATYCZNE Treść zadań Wskazówka: w każdym zadaniu należy wskazać JEDNĄ dobrą odpowiedź. Zadanie 1 Wlewamy 1000 litrów wody do rurki w najwyższym punkcie systemu rurek jak na rysunku. Zakładamy,
Bardziej szczegółowoGraficzna prezentacja danych statystycznych
Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych Katowice, 12 i 26 czerwca 2014 r. Dopasowanie narzędzia do typu zmiennej Dobór narzędzia do
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 szczegółowoksięga znaku Echo Investment
księga znaku Echo Investment Logotyp / wersja podstawowa Logotyp podstawowy jest zaprojektowany specjalnie dla Echo Investment. Powinien identyfikować firmę echo investment we wszelkich relacjach z otoczeniem
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 Detekcja twarzy autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się algorytmem gradientu prostego
Bardziej szczegółowoWprowadzenie do metod numerycznych Wykład 8 Całkowanie numeryczne
Wprowadzenie do metod numerycznych Wykład 8 Całkowanie numeryczne Polsko-Japońska Wyższa Szkoła Technik Komputerowych Katedra Informatyki Stosowanej Spis treści 1 Na czym polega całkowanie numeryczne 2
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 szczegółowoALGORYTM PRZETWARZANIA OBRAZU DETEKCJA I ANALIZA OBSZARÓW IMAGE PROCESSING ALGORITHM BLOB DETECTION AND ANALYSIS
ELEKTRYKA 203 Zeszyt 2-3 (226-227) Rok LIX Marek SZYMCZAK Politechnika Śląska w Gliwicach ALGORYTM PRZETWARZANIA OBRAZU DETEKCJA I ANALIZA OBSZARÓW Streszczenie. W artykule przedstawiono algorytm przetwarzania
Bardziej szczegółowoMarcin Wilczewski Politechnika Gdańska, 2013/14
Algorytmy graficzne Marcin Wilczewski Politechnika Gdańska, 213/14 1 Zagadnienia, wykład, laboratorium Wykład: Światło i barwa. Modele barw. Charakterystyki obrazu. Reprezentacja i opis. Kwantyzacja skalarna
Bardziej szczegółowoMODUŁ 3. WYMAGANIA EGZAMINACYJNE Z PRZYKŁADAMI ZADAŃ
MODUŁ 3. WYMAGANIA EGZAMINACYJNE Z PRZYKŁADAMI ZADAŃ A.19. Wykonywanie zabiegów fryzjerskich 1. Przykłady zadań do części pisemnej egzaminu dla wybranych umiejętności z kwalifikacji A.19. Wykonywanie zabiegów
Bardziej szczegółowoOperacje kontekstowe (filtry)
Operacje kontekstowe (filtry) Operacje polegaj na modyfikacji poszczególnych elementów obrazu w zale no ci od stanu ich samych i stanu ich otoczenia. Ze wzgl du na kontekstowo mog zajmowa du o czasu, ale
Bardziej szczegółowoKARTA PRZEDMIOTU. w języku polskim Statystyka opisowa Nazwa przedmiotu USYTUOWANIE PRZEDMIOTU W SYSTEMIE STUDIÓW. dr Agnieszka Krzętowska
KARTA PRZEDMIOTU Kod przedmiotu E/O/SOP w języku polskim Statystyka opisowa Nazwa przedmiotu w języku angielskim Statistics USYTUOWANIE PRZEDMIOTU W SYSTEMIE STUDIÓW Kierunek studiów Forma studiów Poziom
Bardziej szczegółowoNumer Programu Nauczania: 514 [03] / SP/ MEN/ 2000.11.10.
Plan wynikowy Nazwa przedmiotu: Specjalizacja - wizaż Wydział: Technik Usług Kosmetycznych Numer Programu Nauczania: 514 [03] / SP/ MEN/ 2000.11.10. Nauczyciel: mgr Iwona Wojdyła Rok Szkolny: 2005/2006
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoMapa akustyczna miasta Poznania
Mapa akustyczna miasta Poznania Cel mapy akustycznej Informowanie społeczeństwa o zagrożeniu hałasem Opracowanie danych dla państwowego monitoringu środowiska Tworzenie i aktualizacja programów ochrony
Bardziej szczegółowoPRZETWORNIK NAPIĘCIE - CZĘSTOTLIWOŚĆ W UKŁADZIE ILORAZOWYM
PRZETWORNIK NAPIĘCIE - CZĘSTOTLIWOŚĆ W UKŁADZIE ILORAZOWYM dr inż. Eligiusz Pawłowski Politechnika Lubelska, Wydział Elektryczny, ul. Nadbystrzycka 38 A, 20-618 LUBLIN E-mail: elekp@elektron.pol.lublin.pl
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowozna wybrane modele kolorów i metody transformacji między nimi zna podstawowe techniki filtracji liniowej, nieliniowej dla obrazów cyfrowych
Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Kod modułu Język kształcenia Wydział Matematyki i Informatyki Instytut Informatyki Przetwarzanie i analiza obrazów cyfrowych w
Bardziej szczegółowoREGULAMIN ZAJĘĆ Z PRZEDMIOTU: PODSTAWY PSYCHOTERAPII. - rok akademicki 2015/2016 -
REGULAMIN ZAJĘĆ Z PRZEDMIOTU: PODSTAWY PSYCHOTERAPII - rok akademicki 2015/2016 - (opracowany na podst. Opisu Modułu Kształcenia oraz Regulaminu Studiów w Śląskim Uniwersytecie Medycznym w Katowicach,
Bardziej szczegółowoZałącznik nr 2 Testy logiczne służące sprawdzeniu jakości danych uczestników projektów współfinansowanych z EFS
Załącznik nr 2 Testy logiczne służące sprawdzeniu jakości danych projektów współfinansowanych z EFS W załączniku zawarto podstawowe testy logiczne pozwalające zweryfikować jakość i spójność danych monitorowanych
Bardziej szczegółowos n = a k (2) lim s n = S, to szereg (1) nazywamy zbieżnym. W przeciwnym przypadku mówimy, że szereg jest rozbieżny.
Szeregi liczbowe Definicja Szeregiem liczbowym nazywamy wyrażenie a n = a + a 2 + a 3 + () Liczby a n, n =, 2,... nazywamy wyrazami szeregu. Natomiast sumę n s n = a k (2) nazywamy n-tą sumą częściową
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoInstrumenty wirtualne z LabVIEW. Akademia Górniczo - Hutnicza im.stanisława Staszica w Krakowie, Wydział Inżynierii Materiałowej i Ceramiki
Instrumenty wirtualne z LabVIEW Cele prezentacji Składniki przyrządu wirtualnego Wprowadzenie do LabVIEW oraz jego funkcji Budowa prostej aplikacji LabVIEW (National Instruments) LabVIEW zintegrowane środowisko
Bardziej szczegółowoWZORU PRZEMYSŁOWEGO PL 21935. UNIWERSYTET PRZYRODNICZY W LUBLINIE, Lublin, (PL) 29.02.2016 WUP 02/2016
PL 21935 RZECZPOSPOLITA POLSKA (12) OPIS OCHRONNY WZORU PRZEMYSŁOWEGO (19) PL (11) 21935 Urząd Patentowy Rzeczypospolitej Polskiej (21) Numer zgłoszenia: 23251 (22) Data zgłoszenia: 20.03.2015 (51) Klasyfikacja:
Bardziej szczegółowoTYTUŁ ARTYKUŁU (14 PKT)
XII KONFERENCJA NAUKOWA UWARUNKOWANIA RYNKOWE ROZWOJU MIKRO, MAŁYCH I ŚREDNICH PRZEDSIĘBIORSTW MIKROFIRMA 2016 9-11 MAJA 2016 r. IMIĘ I NAZWISKO AUTORA (12 PKT) JEDNOSTKA/WYDZIAŁ TYTUŁ ARTYKUŁU (14 PKT)
Bardziej szczegółowoRZUTOWANIE AKSONOMETRYCZNE
Zapis i Podstawy Konstrukcji Rzuty aksonometryczne 1 RZUTOWANIE AKSONOMETRYCZNE Rzuty aksonometryczne służą do poglądowego przedstawiania przedmiotów W metodzie aksonometrycznej rzutnią jest płaszczyzna
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowodla terenu pod budow hali sportowej wielofunkcyjnej przy ul. ulowej w Czstochowie
Urzd Miasta Czstochowy 42-217 Czstochowa, ul. lska 11/13 Wykonawca: NOWE PRZEDSIBIORSTWO GEOLOGICZNE s.c. 42-200 Czstochowa ul. Krótka 27 tel./fax (0-34) 361-57-16 e-mail: kontakt@neogeo.pl http:// www.neogeo.pl
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 szczegółowoKSIĘGA IDENTYFIKACJI WIZUALNEJ
01. LOGO POLITECHNKA ŚLĄSKA WYDZIAŁ ORAGANIZACJI I ZARZĄDZANIA KSIĘGA IDENTYFIKACJI WIZUALNEJ SPIS TREŚCI KSIĘGA IDENTYFIKACJI WIZUALNEJ to szczegółowy opis techniczny budowy logo oraz przykładów jak należy
Bardziej szczegółowo(x j x)(y j ȳ) r xy =
KORELACJA. WSPÓŁCZYNNIKI KORELACJI Gdy w badaniu mamy kilka cech, często interesujemy się stopniem powiązania tych cech między sobą. Pod słowem korelacja rozumiemy współzależność. Mówimy np. o korelacji
Bardziej szczegółowoProgramowanie dynamiczne
Programowanie dynamiczne Programowanie dynamiczne jest jedną z technik matematycznych, którą można zastosować do rozwiązywania takich problemów jak: zagadnienie dyliżansu, zagadnienie finansowania inwestycji,
Bardziej szczegółowoRok akademicki: 2015/2016 Kod: RBM-1-510-s Punkty ECTS: 3. Poziom studiów: Studia I stopnia Forma i tryb studiów: -
Nazwa modułu: Inżynierskie oprogramowanie komputerowe Rok akademicki: 2015/2016 Kod: RBM-1-510-s Punkty ECTS: 3 Wydział: Inżynierii Mechanicznej i Robotyki Kierunek: Mechanika i Budowa Maszyn Specjalność:
Bardziej szczegółowoPodstawowe obiekty AutoCAD-a
LINIA Podstawowe obiekty AutoCAD-a Zad1: Narysowa lini o pocztku w punkcie o współrzdnych (100, 50) i kocu w punkcie (200, 150) 1. Wybierz polecenie rysowania linii, np. poprzez kilknicie ikony. W wierszu
Bardziej szczegółowoAnaliza obrazu. wykład 3. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009
Analiza obrazu komputerowego wykład 3 Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Binaryzacja Binaryzacja jest jedną z ważniejszych ż czynności punktowego przetwarzania obrazów. Poprzedza prawie zawsze
Bardziej szczegółowoInstrukcja obsługi programu MechKonstruktor
Instrukcja obsługi programu MechKonstruktor Opracował: Sławomir Bednarczyk Wrocław 2002 1 1. Opis programu komputerowego Program MechKonstruktor słuy do komputerowego wspomagania oblicze projektowych typowych
Bardziej szczegółowoVII SYMPOZJUM INSTYTUTU EKONOMII I ZARZĄDZANIA POLITECHNIKA ŚWIĘTOKRZYSKA Kielce 6 lutego 2006r.
VII SYMPOZJUM INSTYTUTU EKONOMII I ZARZĄDZANIA POLITECHNIKA ŚWIĘTOKRZYSKA Kielce 6 lutego 2006r. ZESZYTY NAUKOWE NAUKI EKONOMICZNE nr 34 STABILNOŚĆ MODELI PROGNOZOWANIA PRODUKCJI SAMOCHODÓW W USA Wacław
Bardziej szczegółowoNr 170, poz. 1217 i Nr 249, poz. 1832 oraz z 2007 r. Nr 21, poz. 124, Nr 75, poz. 493 i Nr 88, poz. 587.
ROZPORZDZENIE MINISTRA RODOWISKA ) z dnia 4 czerwca 007 r. w sprawie dopuszczalnych poziomów hałasu w rodowisku (Dz. U. Nr 0 z dnia 5 lipca 007 r., poz.86) Na podstawie art. 3 ust. ustawy z dnia 7 kwietnia
Bardziej szczegółowoEgzamin / zaliczenie na ocenę*
WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI Zał. nr 4 do ZW 33/01 KARTA PRZEDMIOTU Nazwa w języku polskim: BIOMATERIAŁY Nazwa w języku angielskim: BIOMATERIALS Kierunek studiów (jeśli dotyczy): INŻYNIERIA
Bardziej szczegółowoVenture Industries KSIĘGA ZNAKU
Venture Industries KSIĘGA ZNAKU Venture Industries Sp. z o.o. Spis treści wprowadzenie 3 wersja podstawowa znaku 4 wersja czarno-biała 5 pole podstawowe znaku 6 pole ochronne znaku 7 kolorystyka podstawowa
Bardziej szczegółowoRok akademicki: 2014/2015 Kod: EME s Punkty ECTS: 3. Kierunek: Mikroelektronika w technice i medycynie Specjalność: -
Nazwa modułu: Techniki obrazowania medycznego Rok akademicki: 2014/2015 Kod: EME-1-606-s Punkty ECTS: 3 Wydział: Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Kierunek: Mikroelektronika
Bardziej szczegółowoKSIĘGA ZNAKU TOTORU S.C.
2011 SPIS TREŚCI FORMA PODSTAWOWA...03 FORMY UZUPEŁNIAJĄCE...06 KONSTRUKCJA ZNAKU...08 POLE PODSTAWOWE I POLE OCHRONNE...10 WIELKOŚCI MINIMALNE...11 WARIANTY ACHROMATYCZNE I MONOCHROMATYCZNE...13 KOLORYSTYKA...15
Bardziej szczegółowoKomunikacja Człowiek-Komputer
Komunikacja Człowiek-Komputer Przetwarzanie i rozpoznawanie obrazów przegląd Wojciech Jaśkowski Instytut Informatyki Politechnika Poznańska Wersja: 21 listopada 2014 Transformata Hough Detekcja odcinków
Bardziej szczegółowoTemat: Funkcje. Własności ogólne. A n n a R a j f u r a, M a t e m a t y k a s e m e s t r 1, W S Z i M w S o c h a c z e w i e 1
Temat: Funkcje. Własności ogólne A n n a R a j f u r a, M a t e m a t y k a s e m e s t r 1, W S Z i M w S o c h a c z e w i e 1 Kody kolorów: pojęcie zwraca uwagę * materiał nieobowiązkowy A n n a R a
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 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 szczegółowoZ-LOG-476I Analiza matematyczna I Mathematical analysis I
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Z-LOG-476I Analiza matematyczna I Mathematical analysis I A. USYTUOWANIE
Bardziej szczegółowoANALIZA INTENSYWNOŚCI UśYTKOWANIA POJAZDÓW W FIRMIE TRANSPORTOWEJ
Paweł DROŹDZIEL 1 Henryk KOMSTA Leszek KRZYWONOS Intensywność uŝytkowania pojazdów, Analizy statystyczne, ANALIZA INTENSYWNOŚCI UśYTKOWANIA POJAZDÓW W FIRMIE TRANSPORTOWEJ Streszczenie Intensywność uŝytkowania
Bardziej szczegółowoInżynieria bezpieczeństwa i ekologia transportu. Transport
Kod przedmiotu TR.SIS402 Nazwa przedmiotu Infrastruktura transportu II Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia
Bardziej szczegółowoBogusław Jackowski GRAFIKA DYSKRETNA BACHOTEK 1998
Bogusław Jackowski GRAFIKA DYSKRETNA BACHOTEK 1998 Motto: bit kształtuje świadomość filozofia Hakunów Nr 1 B. Jackowski: Grafika dyskretna, Batchotek 1998 Mapa bitowa niekoniecznie musi być prostokątna...
Bardziej szczegółowo1 Metody iteracyjne rozwi zywania równania f(x)=0
1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0
Bardziej szczegółowo