Normalizacja histogramu: Normalizacja histogramu jest prostą operacją punktową stosowaną w celu poprawy obrazów o złym kontraście.
|
|
- Aniela Wierzbicka
- 8 lat temu
- Przeglądów:
Transkrypt
1 Barłomiej Mróz: Hisogram - czyli wykres częsości wysępowania kolejnych warości pikseli obrazu. Hisogram pokazuje, jak liczne są w obrazie punky o różnych warościach jasności. Przyjmuje się, że pierwszy elemen hisogramu ma numer 0, a osani Z max, Z max zakres maksymalny. Zakładamy, że Z max = 2 n -1, jeżeli barwa jes reprezenowana przez n biów Obliczenia: 1. Usalenie zakresu jasności lub przyjęcie domyślnego dla danej liczby biów na piksel; 2. Określenie liczby przedziałów; 3. Wyznaczenie szerokości przedziałów poprzez podzielnie zakresu przez ich liczbę; 4. Obliczenie liczby pikseli o warościach jasności należących do poszczególnych przedziałów. Paramery liczone z hisogramu: W oparciu o obliczony hisogram obrazu możliwe jes wygenerowanie szeregu paramerów opisujących różne własności hisogramu, i obrazu. Zdefiniowano szereg paramerów wykorzysujących obliczony już wcześniej hisogram H(b: - Gdzie: H - hisogram p - szerokość przedziału L - liczba przedziałów Normalizacja hisogramu: Normalizacja hisogramu jes prosą operacją punkową sosowaną w celu poprawy obrazów o złym konraście. Załóżmy, iż hisogram H(b posiada niezerowe warości jedynie w pewnym przedziale [a,b] będącym podzakresem przedziału [0,255], czyli H(b= 0 dla 0 b < a oraz b < b 255. Efekem działania operacji normalizacji jes rozszerzenie przedziału [a,b] na pełen zakres odcienie szarości.
2 Normalizacja jes opisywana funkcją liniową F o warościach wzrasających od 0 do 255 w przedziale [a,b]. F = 0 dla b < a oraz F = 255 dla b > b. Z liczba elemenów Z liczbą elemenów i liczbą przedziałów Normalizacja obrazu ma za zadanie ściągnąć cały zakres do przedziału <0;255> X - macierz danych Xnorm - znormalizowana macierz danych Dysponują hisogramem obrazu możemy określić pozycje i szerokość zakresu w kórym znajduje się większość danych. W ym celu wprowadza się próg określający minimalną częsość wysępowania elemenów z lewej i prawej srony hisogramu. XL - lewa granica XP - prawa granica Rozciągnięcie hisogramu wzdłuż krzywej: Rozciągnięcie hisogramu wzdłuż zadanej krzywej zmienia rozkład jasności pikseli poprzez zmianę ich przyporządkowania do przedziałów hisogramu. Przekłada o się na zmianę szerokości przedziałów hisogramu: b jasność piksela przed rozciągnięciem hisogramu; e jasność piksela po rozciągnięciu hisogramu; f(b funkcja rozciągnięcia hisogramu. Tangens kąa nachylenia sycznej funkcji f(b jes współczynnikiem zmiany szerokości przedziału. Chodzi oo, ze nową warości dla piksela liczymy na podsawie równanie (np y=x+b lub y=x^a, przy czym rzeba pamięać aby później zrobić normalizacje obrazka do przedziału <0;255> Wyrównywanie hisogramu (ang. hisogram equalizaion ma na celu akie dobranie warości aby wykres był możliwie "płaski". W prakyce wyrównywanie hisogramu sprowadza się do wykonania przekszałcenia obrazu przy pomocy odpowiednio przygoowanej ablicy normalizacyjnej. Operacja wyrównywania hisogramu pozwala na uwypuklenie ych szczegółów w obrazie, kóre z uwagi na niewielki konras są mało widoczne. obliczenie średniej wysokości słupków N - liczba przedziałów H - hisogram Obliczenie nowej szerokości przedziałów
3 Obliczanie granic przedziałów i zmiana warości jasności ak aby znalazły się w odpowiednich przedziałach Hisogram dwuwymiarowy Hisogram dwuwymiarowy służy do badania saysycznych zależności miedzy sąsiednimi pikselami. Jes szczególnie przydany w analizie eksur. Łukasz Koreń: Negayw P (x, y = P(x, y P(x, y jasność oryginalnego piksela obrazka; P (x, y jasność nowego piksela obrazka. Progowanie binarne a jasność oryginalnego piksela obrazka; a jasność nowego piksela obrazka; p usalony próg.
4 Progowanie binarne odwrone a jasność oryginalnego piksela obrazka; a jasność nowego piksela obrazka; p usalony próg. Progowanie binarne przedziałowe lub a jasność oryginalnego piksela obrazka; a jasność nowego piksela obrazka; p 1, p 2 usalone progi. Progowanie z zachowaniem poziomów szarości a jasność oryginalnego piksela obrazka; a jasność nowego piksela obrazka; p 1, p 2 usalone progi. Progowanie obrazu kolorowego z zachowaniem poziomów jasności
5 A wekor składowych koloru piksela obrazka przed progowaniem; A' wekor składowych koloru piksela obrazka po progowaniu; p r1, p r2, p g1, p g2, p b1, p b2 usalone progi dla poszczególnych kolorów. Progowanie wielopoziomowe a jasność oryginalnego piksela obrazka; a' jasność nowego piksela obrazka; b 1,b 2,...b N usalone poziomy szarości; p 1,p 2,..,p N usalone progi. Dodawanie obrazów Dwa lub więcej obrazów możemy połączyć wykonując prosą operację sumowania macierzy: O 1,O 1,...O N obrazki sumowane; O' obrazek powsały w wyniku zsumowania; w 1, w 2,...w N współczynniki normalizujące (wagi. Na ogół współczynniki normalizujące powinny spełniać warunek: Splo
6 Splo dwóch funkcji f i g można zapisać nasępująco: Splo liniowy Sploem liniowym y[n] dwóch sygnałów czasu dyskrenego x 1 [n] i x 2 [n] nazywamy sumę: Splo kołowy Dla dwóch ciągów x[n] i h[n] o idenycznej długości N splo kołowy definiujemy jako: Splo sekorowy Dwuwymiarowa filracja sploowa
7 Problem elemenów skrajnych 1. Pominięcie elemenów skrajnych 2. Powielenie elemenów skrajnych 3. Dynamiczny rozmiar maski Filr sploowy uśredniający (dolnoprzepusowy W filrze ym warość piksela wyznaczana jes na podsawie uśrednienia jego najbliższego ooczenia. Sopień uśrednienia a zarazem pewnego rozmycia obrazu zależy od wielkości analizowanego ooczenia. W przypadku gdy konieczne jes osłabienie działania filru elemenom cenralnym można nadać warości większe od zera. Warość normalizacyjna jes sumą wszyskich elemenów maski. Efekem działania filru uśredniającego jes wygładzenie obrazu i usunięcie szumu o niewielkiej ampliudzie. Maski: Filr sploowy wyosrzający (górnoprzepusowy Filr górnoprzepusowy wykorzysywany jes do wzmacniania szczegółów o dużej częsoliwości wysępujących w obrazie. W filrach ych środkowe elemeny maski są zazwyczaj bardzo duże, a pozosałe są niewielkimi liczbami ujemnymi lub zerami. Po filracji zwiększa się osrość i konras obrazu, ale ujemnym efekem jes wzmocnienie również szumu. Częso filry górnoprzepusowe sosuje się po silnej filracji uśredniającej, aby przywrócić osrość obrazu. Maski: Pior Humienik:
8 Filr sploowy konuryzacyjny Po filracji obszary o jednoliym kolorze maja warość zero, a obszary jasność zmieniała sie mocno (czyli głównie brzegi obieków mają bardzo duże warości (dodanie lub ujemne Filr en służy do przekszałcenia obrazów do posaci wekorowej. przykładowe maski: Modyfikacje filru sploowego efek wiaru- pozwala ona na rozmycie obrazu w wybranym kierunku i daje wrażenie jakby zdjęcie było zrobione w ruchu lub ze zby krókim czasem naświelania.efek wiaru uzyskujemy przekszałcając obraz za pomocą wzoru: : N liczba powórzeń, wsp współczynnik. Modyfikacje filru sploowego pikselizacja Filry sayczne- Służą przede wszyskim do usuwania zakłóceń losowych (szumów na obrazie, nie zmieniają one przy ym użyecznych informacji. filr medianowy-przepisujemy określoną liczbę pikseli(wymiar maski i sorujemy rosnąco, a nasępnie zapisujemy w wyjściowym obrazie warość środkową naszej lisy. Isnieją 2 wersje: mocna- gdy obliczony piksel zasępuje nam wejściowy, i bierze udział w obliczaniu sąsiednich pikseli, oraz wersja słabsza, kiedy obliczone piksele są zapisywane w innym miejscu.
9 filr minimalny i maksymalny: w zależności od wielkości maski, badamy warość jasności w pikseli w obrębie naszej wybranej kropki, i zasępujemy ją największą lub najmniejszą warością (w ym przypadku 0 dla filru minimalnego i 6 dla maksymalnego. filr różnicowy- w zależności o wielkości maski, od warości pikseli w badanym obszarze odejmujemy warości maski, obliczamy warość bezwzględna i sumujemy- wynik zapisujemy w miejsce badanego piksela. Tomasz Waligóra: Relief KONTURYZACJA Mamy obraz. Robimy z niego negayw, a nasępnie robimy przesunięcie ego negaywu (np. o 1 piksel, o 2 piksele id.. Nasępnie sumujemy obraz oryginalny z obrazem negaywu po przesunięciu. Orzymany obraz
10 normalizujemy. Konuryzacyjny filr korelacyjny Konuryzacyjny filr korelacyjny definiuje maskę filru sploowego: Gdzie : ρc i ρr współczynniki korelacji między punkami obrazu; M maska filru sploowego. Współczynniki ρc i ρr obieramy sami, wedy np. dla ρc=0 i ρr=0 mamy maskę : a dla ρc=1 i ρr=1, maskę Filr konuryzacyjny Gaussa Funkcja Macleoda: Gdzie: p i współczynniki podające wpływ elemenów obrazu na wyliczaną warość; n i m rozmiary maski.
11 Filr Robersa Do realizacji ego filru wysarczy jedynie skorzysać ze wzoru : lub : O w obraz wynikowy O obraz źródłowy Filr Sobela W ym przypadku poruszamy się po obrazie podobnie jak w filracji sploowej. Przesuwamy się kolejno od lewego górnego rogu do prawego dolnego i wycinamy z obrazu maski o rozmiarze 3x3. Maski akie przedsawiają się nasępująco: Nasępnie dokonujemy obliczeń : obrazu wynikowego według wzoru : Po obliczeniu warości X oraz Y podsawiamy je do Filr Kirscha Tuaj podobnie jak w filrze Sobela wyznaczamy kolejne maski obrazu : Nasępnie rzeba obliczyć kolejne warości S i oraz T i :
12 pamięając przy ym, że, a indeksy zmieniają się modulo 8. Po obliczeniu warości S i oraz T i, podsawiamy wszysko do obrazu wynikowego według wzoru : Wekoryzacja konuru rasrowego meoda najbliższego sąsiada Akualnie znaleziony punk zaznaczamy jako bieżący, usuwamy go z ablicy I, a nasępnie szukamy jego najbliższego sąsiada. Oznacza o, że wszyskie punky o jednakowej odległości od punku bieżącego, znajdują się na obrzeżu kwadrau, o środku w ym punkcie. 1. Sar. Szukamy punku począkowego, zapamięujemy go i usawiamy jako bieżący. 2. Usalamy bok kwadrau na Sprawdzamy czy są jakieś punk na obwodzie kwadrau. 4. Jeśli są o wybieramy en o najmniejszej odległości od punku bieżącego. Jeśli nie ma o skaczemy do pk. 3 i zwiększamy bok kwadrau o Zapamięujemy punk i usawiamy go jako bieżący. Przechodzimy do pk 3. Cały proces powarzamy do momenu aż nie przekroczymy usalonego rozmiaru kwadrau. Filip Przybysz 1. Aproksymacja obrazu wieloma obrazami Obraz można przedsawić jako sumę ważoną innych obrazów (z błędem. Polega na podziale obrazu na bloki odpowiadające rozmiarom obrazów z bazy (nimi będziemy przybliżać fragmeny skrajne mniejsze od obrazów bazy należy odrzucić. współczynniki aproksymacji dla każdego fragmenu według wzoru: wsp. aproksymacji (korelacji mówią nam jak podobne są do siebie dwa obrazy, przyjmuje war. Od -1 do 1, 0 oznacza max niepodobieńswo, war. Skrajne o max podobieńswo. Po obliczeniu współczynników odwarzamy każdy wg wzoru: X 1...X n - obrazy bazowe c 1 c n wsp. aproksymacji
13 4. Przybliżanie sygnału innym sygnałem f( = c*g(+ve( z ego: = ( ( ( 2 d g d g f c dla obrazu: = g g f c ( ( ( 2 5. Przybliżanie dla wielu sygnałów: = ( ( ( 2 i i i i d g d g f c
14 Konrad Gorczyca: 1 Porównywanie obrazów: Punk po punkcie Cała meoda polega na porównaniu kolejnych pikseli obrazów. Wzór: h* w* n a =, a ilość ych samych pikseli, h wysokość obrazka, w szerokość obrazka, n warość 100 podobieńswa. średnia RGB z kwadrau Wysępuje wzór jak wyżej oraz: 256 n r = 256, r różnica 100 Każdy obraz jes dzielony na mniejsze obrazy, przy pomocy siaki, nasępnie: R + G + B c =, c średnia koloru w danym kwadracie, RGB warości składowych danego piksela, 3 2 Kompresja Składa się z 4 eapów: Transformaa cosinusowa: n + 1 lπ c( k, l = α ( k α ( l x( m, n cos cos 64 m= 0 n= n + 1 lπ x( m, n = 2 ( ( ( α k α l c k, l cos cos m= 0 n= 0 16 Gdzie: x(m,n warość piksela obrazu począkowego c(k,l współczynnik ransformay 1 ; k, l 0 α( k = 2 1; k, l = 1,2, 7 Kwanowanie: Cˆ ( k, l = C( k, l /( k * l Cˆ ( k, l = C( k, l / V Gdzie V>>1 lub C(1,1 ( ( 2n + 1 ( ( 2n + 1 kπ 16 kπ 16 Kodowanie obrazów: Kod Hoffmana działa na zasadzie wyliczania częsości wysępowanie danej jasności 3 Składowa wekorów wzdłuż innych wekorów A=c 1 X 1+c 2 X c n X n 4 Przybliżanie obrazów innymi obrazami Sprowadza się do znalezienia wekora c współczynników z ww. równania 5 Rozbarwienie Dodanie do każdego X pewnej sałej, przesuwającej kolor. 6 Usunięcie składowej Usunięcie czyli zlikwidowanie jednego X z danego równania 7 Wykrywanie kierunków
15 Wiele meod deekcji krawędzi bazuje na pierwszej pochodnej luminancji - daje o nam sopień przyrosu (gradien warości oryginalnych danych. Wykorzysując ą informację możemy szukać eksremów pierwszej pochodnej luminancji (gradienu luminancji. Jeśli I(x odzwierciedla luminancję piksela x, a I (x jes pierwszą pochodną (inensiy gradien piksela x, można zapisać : I (x=-1/2*i(x-1+0*i(x+1/2*(x+1; Andrzej Licznierski Godziuk Definicje Grupa zdefiniowane mnożenie lączne, elemen neuralny 1, elemen odwrony Grupa abelowa mnożenie jes przemienne Cialo dodawanie, mnozenie, rozdzielnosc mnozenia względem dodawania Przesrzen wekorowa zdefiniowane mnozenie przez skalar; jes grupa abelowa; jes rozdzielnosc i lacznosc Przesrzen prehilberowska zdefiniowany iloczyn skalarny (x,y Przesrzen uniarna prehilberowska + zdefiniowano norme (x,x Malowanie jednym pedzlem Malowanie jednym pedzlem polega na odworzeniu obrazu w odcieniach jednego koloru np. piekne odcienie rozowego. Majac dany wekor koloru rozowego C = (255, 128, 128 i piksel obrazka A = (r, g, b wyliczamy najpierw wspolczynnik skalowania c: ( A, C c =, a nasepnie skalujemy wekor C o warosc c czyli nowa warosc piksela A = c C. Jako bonus, wzor ( C, C na iloczyn skalarny: (A,C = a 1 c 1 + a 2 c 2 + a 3 c 3. Filracja barw Filracja barw polega na zmieszaniu obrazu oryginalnego z obrazu namalowanego jednym pedzlem. Dodajemy obraz oryginalny (z waga np. 0.8 do obrazu monochromaycznego (powiedzmy z waga 0.2. Goowe. Laczenie obrazow za pomoca rzuowania kolorow Jak malowanie jednym pedzlem, ylko kolor pedzla w kazdym pikselu bierzemy z drugiego obrazka. Filr Gabora Filr Gabora należy do filrów sploowych. Jego maska o dwoch filrow skladowych. Skladowa s o zespolona skladowa sinusoidalna i jej wzor o. Skladowa g o gaussian evenlop (jakkolwiek glupio by o nie brzmialo po polsku i jej wzor o - powsaje z pomnozenia. Filr en sluzy m.in. do wykrywania skladowych o roznych kaach nachylenia. Ka kóry będziemy wykrywac można wyliczyc ze wzoru. Paramery σ x, σ y określają szerokośc pasma przepusowego filru (lub, jak ko woli, sandardowe odchylenie. Można przyjac, ze ich miara sa piksele. Tak wiec, usawiajac warosci sigm na odpowiednio 40 i 50 oraz ka na -45, wypadaloby usalic rozmiar maski na 128x128!
16 Składowa wekora wzdłuż innych wekorów wzajemnie orogonalnych Wekor A wyrażamy jako kombinację liniową wzajemnie oragonalnych wekorów X 1..X n : Wersja macierzowa obliczeń:, c 1..c n skalary. Wersja ieracyjna obliczeń: Oronormalizacja Wekory bazy są oronormalne jeśli są wzajemnie oragonalne (iloczyny skalarne wynoszą 0 oraz unormowane do 1. Oronormalizacja przekszałcenie wekorów liniowo niezależnych w oronormalne. Proces oronormalizacji Grama-Schmida: dla wekorów wejściowych X 1..X n, obliczamy wekory wyjściowe (zoronormalizowane Y 1..Y n. Najpierw obliczamy Y 1 : Nasępnie kolejne wekory Y 2..Y n : Inny (bardziej czyelny wzór na obliczanie Y k o: k 1 ( X k, Yi Y k = X k Y 2 i, (X, Y iloczyn skalarny; X - norma i= 1 Y i Orogonalność funkcji zespolonych, f(, g( o funkcje kórych oragonalność badamy; g*( sprzężenie warości funkcji Funkcje f(, g( są oragonalne jeśli warość c jes zerowa. Szereg rygonomeryczny Chcemy zapisać funkcję f( w przedziale jako ciąg współczynników a0, a1, a2,..., b1, b2,... Aby złożyć warość funkcji ze współczynników, dokonujemy operacji:
17 ,, Współczynniki z funkcji f( uzyskuje się nasępująco: Szereg wykładniczy Przedsawiamy funkcję f( jako ciąg współczynników F n, Operacja złożenia warości funkcji ze współczynników: Liczenie współczynników F n : Odpowiedniki dla wersji dwuwymiarowej:,
18 Transformaa Fouriera Uwaga: ϖ jes ciągłe, nie jak w poprzednich ransformaach dyskrene! Wersja dwuwymiarowa:
Analiza 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 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 szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoVII. ZAGADNIENIA DYNAMIKI
Konderla P. Meoda Elemenów Skończonych, eoria i zasosowania 47 VII. ZAGADNIENIA DYNAMIKI. Równanie ruchu dla zagadnienia dynamicznego Q, (7.) gdzie M NxN macierz mas, C NxN macierz łumienia, K NxN macierz
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 szczegółowoRuch płaski. Bryła w ruchu płaskim. (płaszczyzna kierująca) Punkty bryły o jednakowych prędkościach i przyspieszeniach. Prof.
Ruch płaski Ruchem płaskim nazywamy ruch, podczas kórego wszyskie punky ciała poruszają się w płaszczyznach równoległych do pewnej nieruchomej płaszczyzny, zwanej płaszczyzną kierującą. Punky bryły o jednakowych
Bardziej szczegółowo( ) ( ) ( τ) ( t) = 0
Obliczanie wraŝliwości w dziedzinie czasu... 1 OBLICZANIE WRAśLIWOŚCI W DZIEDZINIE CZASU Meoda układu dołączonego do obliczenia wraŝliwości układu dynamicznego w dziedzinie czasu. Wyznaczane będą zmiany
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowoψ przedstawia zależność
Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi
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 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 szczegółowoWykład FIZYKA I. 2. Kinematyka punktu materialnego. Dr hab. inż. Władysław Artur Woźniak
Wykład FIZYKA I. Kinemayka punku maerialnego Kaedra Opyki i Fooniki Wydział Podsawowych Problemów Techniki Poliechnika Wrocławska hp://www.if.pwr.wroc.pl/~wozniak/fizyka1.hml Miejsce konsulacji: pokój
Bardziej szczegółowoPrzetwarzanie analogowocyfrowe
Przewarzanie analogowocyfrowe Z. Serweciński 05-03-2011 Przewarzanie u analogowego na cyfrowy Proces przewarzania u analogowego (ciągłego) na cyfrowy składa się z rzech podsawowych operacji: 1. Próbkowanie
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
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 szczegółowoFiltracja splotowa obrazu
Informatyka, S1 sem. letni, 2012/2013, wykład#3 Filtracja splotowa obrazu dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydział Informatyki ZUT 1 / 53 Proces przetwarzania obrazów Obraz f(x,y)
Bardziej szczegółowoCałka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona
Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu
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 szczegółowoANALIZA HARMONICZNA RZECZYWISTYCH PRZEBIEGÓW DRGAŃ
Ćwiczenie 8 ANALIZA HARMONICZNA RZECZYWISTYCH PRZEBIEGÓW DRGAŃ. Cel ćwiczenia Analiza złożonego przebiegu drgań maszyny i wyznaczenie częsoliwości składowych harmonicznych ego przebiegu.. Wprowadzenie
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
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 szczegółowoDetekcja twarzy w obrazie
Detekcja twarzy w obrazie Metoda na kanałach RGB 1. Należy utworzyć nowy obrazek o wymiarach analizowanego obrazka. 2. Dla każdego piksela oryginalnego obrazka pobiera się informację o wartości kanałów
Bardziej szczegółowoALGORYTMY PRZETWARZANIA OBRAZÓW Projekt. Aplikacja przetwarzająca obrazy z możliwością eksportu i importu do programu MS Excel.
Grupa IZ07IO1 Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT ALGORYTMY PRZETWARZANIA OBRAZÓW Projekt Aplikacja przetwarzająca obrazy z możliwością eksportu i importu do programu MS Excel. Wykonali:
Bardziej szczegółowo0 + 0 = 0, = 1, = 1, = 0.
5 Kody liniowe Jak już wiemy, w celu przesłania zakodowanego tekstu dzielimy go na bloki i do każdego z bloków dodajemy tak zwane bity sprawdzające. Bity te są w ścisłej zależności z bitami informacyjnymi,
Bardziej szczegółowoPOLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA i ENERGETYKI INSTYTUT MASZYN i URZĄDZEŃ ENERGETYCZNYCH
POLIECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA i ENERGEYKI INSYU MASZYN i URZĄDZEŃ ENERGEYCZNYCH IDENYFIKACJA PARAMERÓW RANSMIANCJI Laboraorium auomayki (A ) Opracował: Sprawdził: Zawierdził:
Bardziej szczegółowoRÓWNANIA RÓŻNICZKOWE WYKŁAD 13
RÓWNANIA RÓŻNICZKOWE WYKŁAD 13 Geomeria różniczkowa Geomeria różniczkowa o dział maemayki, w kórym do badania obieków geomerycznych wykorzysuje się meody opare na rachunku różniczkowym. Obieky geomeryczne
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
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 szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowoWykład 5 Elementy teorii układów liniowych stacjonarnych odpowiedź na dowolne wymuszenie
Wykład 5 Elemeny eorii układów liniowych sacjonarnych odpowiedź na dowolne wymuszenie Prowadzący: dr inż. Tomasz Sikorski Insyu Podsaw Elekroechniki i Elekroechnologii Wydział Elekryczny Poliechnika Wrocławska
Bardziej szczegółowodr inż. Piotr Odya dr inż. Piotr Suchomski
dr inż. Piotr Odya dr inż. Piotr Suchomski Podział grafiki wektorowa; matematyczny opis rysunku; małe wymagania pamięciowe (i obliczeniowe); rasteryzacja konwersja do postaci rastrowej; rastrowa; tablica
Bardziej szczegółowo1. Rezonans w obwodach elektrycznych 2. Filtry częstotliwościowe 3. Sprzężenia magnetyczne 4. Sygnały odkształcone
Wyład 6 - wersja srócona. ezonans w obwodach elerycznych. Filry częsoliwościowe. Sprzężenia magneyczne 4. Sygnały odszałcone AMD ezonans w obwodach elerycznych Zależności impedancji dwójnia C od pulsacji
Bardziej szczegółowoZasada pędu i popędu, krętu i pokrętu, energii i pracy oraz d Alemberta bryły w ruchu postępowym, obrotowym i płaskim
Zasada pędu i popędu, kręu i pokręu, energii i pracy oraz d Alembera bryły w ruchu posępowym, obroowym i płaskim Ruch posępowy bryły Pęd ciała w ruchu posępowym obliczamy, jak dla punku maerialnego, skupiając
Bardziej szczegółowoC d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:
Zadanie. Obliczyć przebieg napięcia na pojemności C w sanie przejściowym przebiegającym przy nasępującej sekwencji działania łączników: ) łączniki Si S są oware dla < 0, ) łącznik S zamyka się w chwili
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowoPOMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU
Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów
Bardziej szczegółowoLABORATORIUM PODSTAWY ELEKTRONIKI Badanie Bramki X-OR
LORTORIUM PODSTWY ELEKTRONIKI adanie ramki X-OR 1.1 Wsęp eoreyczny. ramka XOR ramka a realizuje funkcję logiczną zwaną po angielsku EXLUSIVE-OR (WYŁĄZNIE LU). Polska nazwa brzmi LO. Funkcję EX-OR zapisuje
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
Bardziej szczegółowoPodstawy elektrotechniki
Wydział Mechaniczno-Energeyczny Podsawy elekroechniki Prof. dr hab. inż. Juliusz B. Gajewski, prof. zw. PWr Wybrzeże S. Wyspiańskiego 27, 50-370 Wrocław Bud. A4 Sara kołownia, pokój 359 Tel.: 71 320 3201
Bardziej szczegółowo3. Wykład Układy równań liniowych.
31 Układy równań liniowych 3 Wykład 3 Definicja 31 Niech F będzie ciałem Układem m równań liniowych o niewiadomych x 1,, x n, m, n N, o współczynnikach z ciała F nazywamy układ równań postaci: x 1 + +
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 7 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 szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoCzęść I. MECHANIKA. Wykład KINEMATYKA PUNKTU MATERIALNEGO. Ruch jednowymiarowy Ruch na płaszczyźnie i w przestrzeni.
Część I. MECHANIKA Wykład.. KINEMATYKA PUNKTU MATERIALNEGO Ruch jednowymiarowy Ruch na płaszczyźnie i w przesrzeni 1 KINEMATYKA PUNKTU MATERIALNEGO KINEMATYKA zajmuje się opisem ruchu ciał bez rozparywania
Bardziej szczegółowo3. OPERACJE BEZKONTEKSTOWE
3. OPERACJE BEZKONTEKSTOWE 3.1. Tablice korekcji (LUT) Przekształcenia bezkontekstowe (punktowe) to takie przekształcenia obrazu, w których zmiana poziomu szarości danego piksela zależy wyłącznie od jego
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 szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ.
ROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. LICZBA TEMAT GODZIN LEKCYJNYCH Potęgi, pierwiastki i logarytmy (8 h) Potęgi 3 Pierwiastki 3 Potęgi o wykładnikach
Bardziej szczegółowoCo to jest wektor? Jest to obiekt posiadający: moduł (długość), kierunek wraz ze zwrotem.
1 Wektory Co to jest wektor? Jest to obiekt posiadający: moduł (długość), kierunek wraz ze zwrotem. 1.1 Dodawanie wektorów graficzne i algebraiczne. Graficzne - metoda równoległoboku. Sprowadzamy wektory
Bardziej szczegółowoW naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.
1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy
Bardziej szczegółowoWyższa Szkoła Informatyki Stosowanej i Zarządzania
Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT Grupa IZ06TC01, Zespół 3 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń laboratoryjnych Ćwiczenie nr 5 Temat: Modelowanie koloru, kompresja obrazów,
Bardziej szczegółowoPython: JPEG. Zadanie. 1. Wczytanie obrazka
Python: JPEG Witajcie! Jest to kolejny z serii tutoriali uczący Pythona, a w przyszłości być może nawet Cythona i Numby Jeśli chcesz nauczyć się nowych, zaawansowanych konstrukcji to spróbuj rozwiązać
Bardziej szczegółowoWYBRANE DZIAŁY ANALIZY MATEMATYCZNEJ. Wykład VII Przekształcenie Fouriera.
7. Całka Fouriera w posaci rzeczywisej. Wykład VII Przekszałcenie Fouriera. Doychczas rozparywaliśmy szeregi Fouriera funkcji w ograniczonym przedziale [ l, l] lub [ ] Teraz pokażemy analogicznie przedsawienie
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 szczegółowoFiltracja liniowa (metody konwolucyjne, tzn. uwzględniające pewne otoczenie przetwarzanego piksla):
WYKŁAD 3 Operacje sąsiedztwa Są to operacje, w których na wartość zadanego piksla obrazu wynikowego q o współrz. (i,j) mają wpływ wartości piksli pewnego otoczenia piksla obrazu pierwotnego p o współrzędnych
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoLiczby zespolone. x + 2 = 0.
Liczby zespolone 1 Wiadomości wstępne Rozważmy równanie wielomianowe postaci x + 2 = 0. Współczynniki wielomianu stojącego po lewej stronie są liczbami całkowitymi i jedyny pierwiastek x = 2 jest liczbą
Bardziej szczegółowoO MACIERZACH I UKŁADACH RÓWNAŃ
O MACIERZACH I UKŁADACH RÓWNAŃ Problem Jak rozwiązać podany układ równań? 2x + 5y 8z = 8 4x + 3y z = 2x + 3y 5z = 7 x + 8y 7z = Definicja Równanie postaci a x + a 2 x 2 + + a n x n = b gdzie a, a 2, a
Bardziej szczegółowoDendrochronologia Tworzenie chronologii
Dendrochronologia Dendrochronologia jes nauką wykorzysującą słoje przyrosu rocznego drzew do określania wieku (daowania) obieków drewnianych (budynki, przedmioy). Analizy różnych paramerów słojów przyrosu
Bardziej szczegółowoy 1 y 2 = f 2 (t, y 1, y 2,..., y n )... y n = f n (t, y 1, y 2,..., y n ) f 1 (t, y 1, y 2,..., y n ) y = f(t, y),, f(t, y) =
Uk lady równań różniczkowych Pojȩcia wsȩpne Uk ladem równań różniczkowych nazywamy uk lad posaci y = f (, y, y 2,, y n ) y 2 = f 2 (, y, y 2,, y n ) y n = f n (, y, y 2,, y n ) () funkcje f j, j =, 2,,
Bardziej szczegółowoĆWICZENIE 4 Badanie stanów nieustalonych w obwodach RL, RC i RLC przy wymuszeniu stałym
ĆWIZENIE 4 Badanie sanów nieusalonych w obwodach, i przy wymuszeniu sałym. el ćwiczenia Zapoznanie się z rozpływem prądów, rozkładem w sanach nieusalonych w obwodach szeregowych, i Zapoznanie się ze sposobami
Bardziej szczegółowo4.2. Obliczanie przewodów grzejnych metodą dopuszczalnego obciążenia powierzchniowego
4.. Obliczanie przewodów grzejnych meodą dopuszczalnego obciążenia powierzchniowego Meodą częściej sosowaną w prakyce projekowej niż poprzednia, jes meoda dopuszczalnego obciążenia powierzchniowego. W
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 szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoPrzemieszczeniem ciała nazywamy zmianę jego położenia
1 Przemieszczeniem ciała nazywamy zmianę jego położenia + 0 k k 0 Przemieszczenie jes wekorem. W przypadku jednowymiarowym możliwy jes ylko jeden kierunek, a zwro określamy poprzez znak. Przyjmujemy, że
Bardziej szczegółowoPrzekształcenia kontekstowe. Filtry nieliniowe Typowy przykład usuwania zakłóceń z obrazu
Definicja Przekształcenia kontekstowe są to przekształcenia które dla wyznaczenia wartości jednego punktu obrazu wynikowego trzeba dokonać określonych obliczeń na wielu punktach obrazu źródłowego. Przekształcenia
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 szczegółowoPodstawowe operacje arytmetyczne i logiczne dla liczb binarnych
1 Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1. Podstawowe operacje logiczne dla cyfr binarnych Jeśli cyfry 0 i 1 potraktujemy tak, jak wartości logiczne fałsz i prawda, to działanie
Bardziej szczegółowoDrgania elektromagnetyczne obwodu LCR
Ćwiczenie 61 Drgania elekromagneyczne obwodu LCR Cel ćwiczenia Obserwacja drgań łumionych i przebiegów aperiodycznych w obwodzie LCR. Pomiar i inerpreacja paramerów opisujących obserwowane przebiegi napięcia
Bardziej szczegółowoAnimowana grafika 3D. Opracowanie: J. Kęsik.
Animowana grafika 3D Opracowanie: J. Kęsik kesik@cs.pollub.pl Powierzchnia obiektu 3D jest renderowana jako czarna jeżeli nie jest oświetlana żadnym światłem (wyjątkiem są obiekty samoświecące) Oświetlenie
Bardziej szczegółowoSzeregi Fouriera. Powyższe współczynniki można wyznaczyć analitycznie z następujących zależności:
Trygonomeryczny szereg Fouriera Szeregi Fouriera Każdy okresowy sygnał x() o pulsacji podsawowej ω, spełniający warunki Dirichlea:. całkowalny w okresie: gdzie T jes okresem funkcji x(), 2. posiadający
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie trzecie Operacje na dwóch obrazach 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z operacjami jakie możemy wykonywać na dwóch obrazach,
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 szczegółowoRównania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.
Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać
Bardziej szczegółowoLiczby zespolone. Magdalena Nowak. 23 marca Uniwersytet Śląski
Uniwersytet Śląski 23 marca 2012 Ciało liczb zespolonych Rozważmy zbiór C = R R, czyli C = {(x, y) : x, y R}. W zbiorze C definiujemy następujące działania: dodawanie: mnożenie: (a, b) + (c, d) = (a +
Bardziej szczegółowoĆwiczenie 12 Różdżka, szybkie zaznaczanie i zakres koloru
Ćwiczenie 12 Różdżka, szybkie zaznaczanie i zakres koloru Różdżka 1. zaznacza wszystkie piksele o podobnym kolorze w zakresie Tolerancji ustalanej na pasku Opcji, 2. ma zastosowanie dla obszarów o dość
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoDyskretny proces Markowa
Procesy sochasyczne WYKŁAD 4 Dyskreny roces Markowa Rozarujemy roces sochasyczny X, w kórym aramer jes ciągły zwykle. Będziemy zakładać, że zbiór sanów jes co najwyżej rzeliczalny. Proces X, jes rocesem
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowoMaskowanie i selekcja
Maskowanie i selekcja Maska prostokątna Grafika bitmapowa - Corel PHOTO-PAINT Pozwala definiować prostokątne obszary edytowalne. Kiedy chcemy wykonać operacje nie na całym obrazku, lecz na jego części,
Bardziej szczegółowoKodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,
1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoWSTĘP DO ELEKTRONIKI
WSTĘP DO ELEKTRONIKI Część I Napięcie, naężenie i moc prądu elekrycznego Sygnały elekryczne i ich klasyfikacja Rodzaje układów elekronicznych Janusz Brzychczyk IF UJ Elekronika Dziedzina nauki i echniki
Bardziej szczegółowoPraca domowa nr 1. Metodologia Fizyki. Grupa 1. Szacowanie wartości wielkości fizycznych Zad Stoisz na brzegu oceanu, pogoda jest idealna,
Praca domowa nr. Meodologia Fizyki. Grupa. Szacowanie warości wielkości fizycznych Zad... Soisz na brzegu oceanu, pogoda jes idealna, powierze przeźroczyse; proszę oszacować jak daleko od Ciebie znajduje
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoRozwiązywanie układów równań liniowych
Rozwiązywanie układów równań liniowych Marcin Orchel 1 Wstęp Jeśli znamy macierz odwrotną A 1, to możęmy znaleźć rozwiązanie układu Ax = b w wyniku mnożenia x = A 1 b (1) 1.1 Metoda eliminacji Gaussa Pierwszy
Bardziej szczegółowoĆwiczenia z grafiki komputerowej 5 FILTRY. Miłosz Michalski. Institute of Physics Nicolaus Copernicus University. Październik 2015
Ćwiczenia z grafiki komputerowej 5 FILTRY Miłosz Michalski Institute of Physics Nicolaus Copernicus University Październik 2015 1 / 12 Wykorzystanie warstw Opis zadania Obrazy do ćwiczeń Zadanie ilustruje
Bardziej szczegółowoBadanie funktorów logicznych TTL - ćwiczenie 1
adanie funkorów logicznych TTL - ćwiczenie 1 1. Cel ćwiczenia Zapoznanie się z podsawowymi srukurami funkorów logicznych realizowanych w echnice TTL (Transisor Transisor Logic), ich podsawowymi paramerami
Bardziej szczegółowoAnaliza i Przetwarzanie Obrazów. Szyfrowanie Obrazów. Autor : Mateusz Nawrot
Analiza i Przetwarzanie Obrazów Szyfrowanie Obrazów Autor : Mateusz Nawrot 1. Cel projektu Celem projektu jest zaprezentowanie metod szyfrowania wykorzystujących zmodyfikowane dane obrazów graficznych.
Bardziej szczegółowoi j k Oprac. W. Salejda, L. Bujkiewicz, G.Harań, K. Kluczyk, M. Mulak, J. Szatkowski. Wrocław, 1 października 2015
WM-E; kier. MBM, lisa za. nr. p. (z kary przemiou): Rozwiązywanie zaań z zakresu: ransformacji ukłaów współrzęnych, rachunku wekorowego i różniczkowo-całkowego o kursu Fizyka.6, r. ak. 05/6; po koniec
Bardziej szczegółowo3. FUNKCJA LINIOWA. gdzie ; ół,.
1 WYKŁAD 3 3. FUNKCJA LINIOWA FUNKCJĄ LINIOWĄ nazywamy funkcję typu : dla, gdzie ; ół,. Załóżmy na początek, że wyraz wolny. Wtedy mamy do czynienia z funkcją typu :.. Wykresem tej funkcji jest prosta
Bardziej szczegółowoVII. WYKRESY Wprowadzenie
VII. WYKRESY 7.1. Wprowadzenie Wykres jest graficznym przedstawieniem (w pewnym układzie współrzędnych) zależności pomiędzy określonymi wielkościami. Ułatwia on interpretację informacji (danych) liczbowych.
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie trzecie Operacje na dwóch obrazach Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z operacjami jakie możemy wykonywać na dwóch obrazach,
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 szczegółowoKształcenie w zakresie podstawowym. Klasa 2
Kształcenie w zakresie podstawowym. Klasa 2 Poniżej podajemy umiejętności, jakie powinien zdobyć uczeń z każdego działu, aby uzyskać poszczególne stopnie. Na ocenę dopuszczającą uczeń powinien opanować
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
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 szczegółowo