Przetwarzanie sygnaªów
|
|
- Aniela Grzelak
- 5 lat temu
- Przeglądów:
Transkrypt
1 Przetwarzanie sygnaªów Wykªad 8 - Wst p do obrazów 2D Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
2 Plan wykªadu 1 Informacje wstepne 2 Przetwarzanie obrazu 3 Wizja komputerowa 4 Analiza obrazów Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
3 Informacje wstepne Denicja obrazu Obrazem 2D nazywamy grak dwuwymiarow, która jest zbiorem pikseli. Pikselem nazywamy najmniejszy jednolity element obrazu wy±wietlanego na ekranie, drukowanego lub uzyskiwanego za pomoc urz dze«przetwarzania obrazu. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
4 Informacje wstepne Parametry obrazu 2D Rysunek: Dªugo± i szeroko± obrazu. Obraz o szeroko±ci w i dªugo±ci h b dzie zªo»ony z wh pikseli. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
5 Informacje wstepne Parametry obrazu 2D Najwa»niejsze informacje s zawarte w pikselach, które mog tworzy specjalny obszar na obrazie dla celów detekcji, czy rozpoznawania obiektów. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
6 Informacje wstepne Parametry obrazu 2D Najwa»niejsze informacje s zawarte w pikselach, które mog tworzy specjalny obszar na obrazie dla celów detekcji, czy rozpoznawania obiektów. Ka»dy piksel ma zadan barw w systemie RGB. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
7 Wªasno±ci piksela Informacje wstepne HSL (lub HSB) jest modelem opisu dla kolorów postrzeganych przez ludzkie oko ka»dej barwie jest przyporz dkowany jeden punkt w przestrzeni 3D identykowanej przez trzy skªadowe: Hue (odcie«) o warto±ciach z przedziaªu od 0 do 360 stopni. Saturation (nasycenie) z przedziaªu lub %. Lightness lub brightness (jasno± ) ±rednie ±wiatªo biaªe, z przedziaªu albo %. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
8 Wªasno±ci piksela Informacje wstepne Rysunek: Wizualizacja modelu HSL. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
9 Przetwarzanie obrazu Potrzeba przetwarzania Problem analizy Analiza obrazu polega na szukaniu konkretnych pikseli na obrazie, który mo»e by wykonany w ró»nych warunkach np.: rozmazane, zªe o±wietlenie, czy nawet uszkodzenia obiektywu. Rozwi zanie Przed przyst pieniem do analizy obrazu 2D, nale»y upro±ci obraz w taki sposób aby nie utraci jego cech, a pozby si nie potrzebnych. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
10 Przetwarzanie obrazu Metody przetwarzania obrazu Pzykªadowe metody przetwarzania (upraszczania) obrazów 2D Wyostrzenie, Rozmycie, U±redniania barwy, Wykrywanie kraw dzi, Filtry medianowe. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
11 Dziaªanie ltrów Przetwarzanie obrazu Zastosowanie ltrów w przetwarzaniu obrazów oznacza,»e do obliczenia nowej warto±ci punktu brane s pod uwag warto±ci punktów z jego otoczenia. Ka»dy piksel z otoczenia wnosi swój wkªad - wag podczas przeprowadzania oblicze«. Wagi te zapisywane s w postaci maski. Typowe rozmiary masek to 3 x 3, 5 x 5 b d¹ 7 x 7. Rozmiary masek s z reguªy nieparzyste poniewa» piksel na ±rodku reprezentuje piksel dla którego wykonywana jest operacja przeksztaªcania ltrem. Filtracj przeprowadza si osobno dla ka»dej skªadowej obrazu. Zatem je»eli mamy obraz reprezentowany w modelu RGB, to wówczas b dziemy wykonywa oddzielne przeksztaªcenia dla skªadowej R, G oraz B. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
12 Przetwarzanie obrazu Rozmycie Gaussa Maska rozmycia Gaussa A= s = 3 i=1 j=1 3 δ(i, j) A[i, j], (1) gdzie δ jest funkcj zwracaj c konkretn warto± piksela tak jak warto± R, G lub B, jasno± czy nasycenie. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
13 Przetwarzanie obrazu Rozmycie Gaussa mask 3 3 Rysunek: Efekt rozmycia Gaussa. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
14 Przetwarzanie obrazu Wykrywanie kraw dzi Filtry przesuwania i odejmowania, wykonuj przesuni cie obrazu a nast pnie odejmowanie obrazu od swojej kopii. Filtry te sªu» do wykrywania kraw dzi w obrazie. W zale»no±ci od kierunku przesuwania obrazu b d to kraw dzie pionowe, poziome b d¹ uko±ne. Nale»y zauwa»y,»e w wyniku dziaªania tego rodzaju ltrów wynikowa warto± skªadowej punktu mo»e wyj± ujemna. W takim wypadku nale»y u»y warto±ci bezwzgl dnej albo sprowadzi warto± do 0. Maska 3 3 A= Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
15 Przetwarzanie obrazu Wykrywanie kraw dzi Rysunek: Wykrywanie kraw dzi. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
16 Filtr Sobela Przetwarzanie obrazu Operator Sobela jest operatorem dyskretnego ró»niczkowania, umo»liwiaj cy aproksymacj pochodnych kierunkowych intensywno±ci obrazu w jednym z kierunków. Maska 3 3 Operator Sobela dla k tu 45 jest nast puj c mask A= Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
17 Filtr Sobela Przetwarzanie obrazu Rysunek: Efekt zastosowania ltru Sobela. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
18 Wizja komputerowa Wizja komputerowa a maszynowa Wizja komputerowa Wizja komputerowa to dziaª informatyki zajmuj cy si analiz przechwytywanego obrazu. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
19 Wizja komputerowa Wizja komputerowa a maszynowa Wizja komputerowa Wizja komputerowa to dziaª informatyki zajmuj cy si analiz przechwytywanego obrazu. Wizja maszynowa Wizja maszynowa to dziaª informatyki polegaj cy na przechwytywaniu obrazu i jego zapisie. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
20 Wizja komputerowa Przechwytywany obraz Automatyczny system sztucznego widzenia to poª czenie wizji maszynowej i komputerowej. Wizja maszynowa odpowiada przede wszystkim za pobranie obrazu za pomoc pewnego urz dzenia (przede wszystkim kamery i aparatu) i jego zapis na dysku. Nast pnie uruchamiany jest moduª widzenia komputerowego i przetworzenie obrazu w celu identykacji pewnych obiektów. Rysunek: Ta±ma lmowa. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
21 Wizja komputerowa Przechwytywany obraz Obraz video to zbiór obrazów 2D. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
22 Wizja komputerowa Przechwytywany obraz Obraz video to zbiór obrazów 2D. Obrazem 2D nazywamy grak dwuwymiarow, która jest zbiorem pikseli. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
23 Wizja komputerowa Przechwytywany obraz Obraz video to zbiór obrazów 2D. Obrazem 2D nazywamy grak dwuwymiarow, która jest zbiorem pikseli. Pikselem nazywamy najmniejszy jednolity element obrazu wy±wietlanego na ekranie, drukowanego lub uzyskiwanego za pomoc urz dze«przetwarzania obrazu. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
24 Wizja komputerowa Przechwytywany obraz Problemy wizji komputerowej Przetworzenie graki, Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
25 Wizja komputerowa Przechwytywany obraz Problemy wizji komputerowej Przetworzenie graki, Analiza graki, Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
26 Wizja komputerowa Przechwytywany obraz Problemy wizji komputerowej Przetworzenie graki, Analiza graki, Detekcja obiektów, Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
27 Wizja komputerowa Przechwytywany obraz Problemy wizji komputerowej Przetworzenie graki, Analiza graki, Detekcja obiektów, Klasykacja obiektów. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
28 Wizja komputerowa Przechwytywany obraz Problemy wizji komputerowej Uwaga Przetworzenie graki, Analiza graki, Detekcja obiektów, Klasykacja obiektów. Wszystkie problemy wizji komputerowej sprowadzaj si do analizy konkretnych obrazów 2D. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
29 Punkty kluczowe Analiza obrazów Punktami kluczowymi nazywamy piksele deniuj ce fragmenty obrazu o unikalnych wªasno±ciach wizualnych. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
30 Punkty kluczowe Analiza obrazów Punktami kluczowymi nazywamy piksele deniuj ce fragmenty obrazu o unikalnych wªasno±ciach wizualnych. Detektory a deskryptory Deskryptor to identykator danego punktu, czyli jego opis. Detektor posªuguje si deskryptorami w celu detekcji ró»nych obiektów czy (dokªadniej) punktów kluczowych. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
31 Punkty kluczowe Analiza obrazów Punktami kluczowymi nazywamy piksele deniuj ce fragmenty obrazu o unikalnych wªasno±ciach wizualnych. Detektory a deskryptory Deskryptor to identykator danego punktu, czyli jego opis. Detektor posªuguje si deskryptorami w celu detekcji ró»nych obiektów czy (dokªadniej) punktów kluczowych. Najbardziej znane detektory i deskryptory punktów kluczowych Harris, SIFT, SURF. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
32 Detektor Harrisa Analiza obrazów 1 Policz pochodne cz stkowe dla obrazu za pomoc zadanego ltru, Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
33 Detektor Harrisa Analiza obrazów 1 Policz pochodne cz stkowe dla obrazu za pomoc zadanego ltru, 2 Policz l x, l y, l 2 x i l 2 y, Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
34 Detektor Harrisa Analiza obrazów 1 Policz pochodne cz stkowe dla obrazu za pomoc zadanego ltru, 2 Policz l x, l y, l 2 x i l 2 y, 3 Oblicz splot l y, lx 2 i l y 2 l 2 x, ly 2, l x l y, z ltrem prostok tnym w celu obliczenia sum: Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
35 Detektor Harrisa Analiza obrazów 1 Policz pochodne cz stkowe dla obrazu za pomoc zadanego ltru, 2 Policz l x, l y, l 2 x i l 2 y, 3 Oblicz splot l y, lx 2 i l y 2 l 2 x, ly 2, l x l y, z ltrem prostok tnym w celu obliczenia sum: 4 Oblicz warto± R wg wzoru Harrisa lub Shi-Tomasi, Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
36 Detektor Harrisa Analiza obrazów 1 Policz pochodne cz stkowe dla obrazu za pomoc zadanego ltru, 2 Policz l x, l y, l 2 x i l 2 y, 3 Oblicz splot l y, lx 2 i l y 2 l 2 x, ly 2, l x l y, z ltrem prostok tnym w celu obliczenia sum: 4 Oblicz warto± R wg wzoru Harrisa lub Shi-Tomasi, 5 Wybierz tylko punkty speªniaj ce warunek R > θ, gdzie θ jest zadan warto±ci progow, Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
37 Detektor Harrisa Analiza obrazów 1 Policz pochodne cz stkowe dla obrazu za pomoc zadanego ltru, 2 Policz l x, l y, l 2 x i l 2 y, 3 Oblicz splot l y, lx 2 i l y 2 l 2 x, ly 2, l x l y, z ltrem prostok tnym w celu obliczenia sum: 4 Oblicz warto± R wg wzoru Harrisa lub Shi-Tomasi, 5 Wybierz tylko punkty speªniaj ce warunek R > θ, gdzie θ jest zadan warto±ci progow, 6 We¹ lokalne maxima. Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
38 Detektor Harrisa Analiza obrazów Rozwa»my dwa fragmenty obrazu o ±rodkach w punktach (x, y) oraz (x + x, y + y), Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
39 Detektor Harrisa Analiza obrazów Rozwa»my dwa fragmenty obrazu o ±rodkach w punktach (x, y) oraz (x + x, y + y), Suma kwadratów ró»nic pomi dzy nimi wynosi SSD( x, y) = ( ) l(x, y) l(x + x, y + y) 2 2 xy P (2) Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
40 Detektor Harrisa Analiza obrazów Rozwa»my dwa fragmenty obrazu o ±rodkach w punktach (x, y) oraz (x + x, y + y), Suma kwadratów ró»nic pomi dzy nimi wynosi SSD( x, y) = ( ) l(x, y) l(x + x, y + y) 2 2 xy P Pochodne cz stkowe z obrazu I to I x = I (x,y) x i I y = I (x,y) y. Przybli»aj c szeregiem Taylora (pierwszego stopnia) otrzymujemy I (x + x, y + y) I (x, y) + I x (x, y) x + I y (x, y) y, (3) a to daje nast puj ce przybli»enie SSD( x, y) (I x (x, y) x + I y (x, y) y) 2 (4) x,y P (2) Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
41 Detektor Harrisa Analiza obrazów Poprzednio uzyskane przybli»enie mo»emy zapisa w formie macierzowej SSD( x, y) [ ] x [ x y]m, (5) y gdzie M = x,y P [ l 2 x l x l y l x l y l 2 y ] = [ ] l 2 x lx l y lx l y l 2 y (6) Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
42 Detektor Harrisa Analiza obrazów Zaªó»my,»e naro»nik jest wyrównany do osi ukªadu wspóªrz dnych, wtedy dominuj cy gradient jest wzdªu» osi x lub y, a wi c mamy [ λ1 0 M = [ l 2 x lx l y lx l y l 2 y ] = 0 λ 2 ]. (7) Je±li która± z warto±ci wªasnych macierzy M jest bliska 0, to punkt nie jest naro»nikiem (a wi c nie jest równie» punktem kluczowym). Wektory wªasne wskazuj kierunek najwi kszej i najmniejszej zmiany SSD. Punkty s punkami kluczowymi gdy speªniaj nast puj cy warunek R = min(λ 1, λ 2 ) > θ. (8) Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
43 Detektor Harrisa Analiza obrazów Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
44 Analiza obrazów Dzi kuj za uwag ;) Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, / 27
Zadania z z matematyki dla studentów gospodarki przestrzennej UŠ. Marek Majewski Aktualizacja: 31 pa¹dziernika 2006
Zadania z z matematyki dla studentów gospodarki przestrzennej UŠ Marek Majewski Aktualizacja: 1 pa¹dziernika 006 Spis tre±ci 1 Macierze dziaªania na macierzach. Wyznaczniki 1 Macierz odwrotna. Rz d macierzy
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
Bardziej szczegółowoXVII Warmi«sko-Mazurskie Zawody Matematyczne
1 XVII Warmi«sko-Mazurskie Zawody Matematyczne Kategoria: klasa VIII szkoªy podstawowej i III gimnazjum Olsztyn, 16 maja 2019r. Zad. 1. Udowodnij,»e dla dowolnych liczb rzeczywistych x, y, z speªniaj cych
Bardziej szczegółowoElementy geometrii analitycznej w przestrzeni
Wykªad 3 Elementy geometrii analitycznej w przestrzeni W wykªadzie tym wi kszy nacisk zostaª poªo»ony raczej na intuicyjne rozumienie deniowanych poj, ni» ±cisªe ich zdeniowanie. Dlatego niniejszy wykªad
Bardziej szczegółowoMacierze i Wyznaczniki
dr Krzysztof yjewski Mechatronika; S-I.in». 5 pa¹dziernika 6 Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja. Tablic nast puj cej postaci a a... a n a a... a n A =... a m a m...
Bardziej szczegółowoElementy geometrii w przestrzeni R 3
Elementy geometrii w przestrzeni R 3 Z.Šagodowski Politechnika Lubelska 29 maja 2016 Podstawowe denicje Wektorem nazywamy uporz dkowan par punktów (A,B) z których pierwszy nazywa si pocz tkiem a drugi
Bardziej szczegółowoA = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.
Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta
Bardziej szczegółowoMacierze i Wyznaczniki
Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja 1. Tablic nast puj cej postaci a 11 a 12... a 1n a 21 a 22... a 2n A =... a m1 a m2... a mn nazywamy macierz o m wierszach i n kolumnach,
Bardziej szczegółowoNumeryczne zadanie wªasne
Rozdziaª 11 Numeryczne zadanie wªasne W tym rozdziale zajmiemy si symetrycznym zadaniem wªasnym, tzn. zadaniem znajdowania warto±ci i/lub wektorów wªasnych dla macierzy symetrycznej A = A T. W zadaniach
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 szczegółowoZbiory i odwzorowania
Zbiory i odwzorowania 1 Sposoby okre±lania zbiorów 1) Zbiór wszystkich elementów postaci f(t), gdzie t przebiega zbiór T : {f(t); t T }. 2) Zbiór wszystkich elementów x zbioru X speªniaj cych warunek ϕ(x):
Bardziej szczegółowoAproksymacja funkcji metod najmniejszych kwadratów
Aproksymacja funkcji metod najmniejszych kwadratów Teoria Interpolacja polega na znajdowaniu krzywej przechodz cej przez wszystkie w zªy. Zdarzaj si jednak sytuacje, w których dane te mog by obarczone
Bardziej szczegółowoProste metody segmentacji
Laboratorium: Cyfrowe przetwarzanie obrazów i sygnaªów Proste metody segmentacji 1 Cel i zakres wiczenia Celem wiczenia jest zapoznanie si z prostymi metodami segmentacji: progowaniem, wykrywaniem i aproksymacj
Bardziej szczegółowoWykªad 4. Funkcje wielu zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 4. Funkcje wielu zmiennych. Zbiory na pªaszczy¹nie i w przestrzeni.
Bardziej szczegółowoPochodna funkcji jednej zmiennej
Pochodna funkcji jednej zmiennej Denicja. (pochodnej funkcji w punkcie) Je±li funkcja f : D R, D R okre±lona jest w pewnym otoczeniu punktu D i istnieje sko«czona granica ilorazu ró»niczkowego: f f( +
Bardziej szczegółowoi, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski 5 kwietnia 2017
i, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski Uniwersytet Šódzki, Wydziaª Matematyki i Informatyki UŠ piotr@fulmanski.pl http://fulmanski.pl/zajecia/prezentacje/festiwalnauki2017/festiwal_wmii_2017_
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoFunkcje, wielomiany. Informacje pomocnicze
Funkcje, wielomiany Informacje pomocnicze Przydatne wzory: (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) 3 = a 3 + 3a 2 b + 3ab 2 + b 3 (a b) 3 = a 3 3a 2 b + 3ab 2 b 3 a 2 b 2 = (a + b)(a
Bardziej szczegółowoInformacje pomocnicze
Funkcje wymierne. Równania i nierówno±ci wymierne Denicja. (uªamki proste) Wyra»enia postaci Informacje pomocnicze A gdzie A d e R n N (dx e) n nazywamy uªamkami prostymi pierwszego rodzaju. Wyra»enia
Bardziej szczegółowo1 Trochoidalny selektor elektronów
1 Trochoidalny selektor elektronów W trochoidalnym selektorze elektronów TEM (Trochoidal Electron Monochromator) stosuje si skrzy»owane i jednorodne pola: elektryczne i magnetyczne. Jako pierwsi taki ukªad
Bardziej szczegółowo2 Liczby rzeczywiste - cz. 2
2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:
Bardziej szczegółowoWektor. Uporz dkowany ukªad liczb (najcz ±ciej: dwóch - na pªaszczy¹nie, trzech - w przestrzeni 3D).
Wektor Uporz dkowany ukªad liczb (najcz ±ciej: dwóch - na pªaszczy¹nie, trzech - w przestrzeni 3D). Adam Szmagli«ski (IF PK) Wykªad z Fizyki dla I roku WIL Kraków, 10.10.2015 1 / 13 Wektor Uporz dkowany
Bardziej szczegółowo2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v)
Przeksztaªcenia liniowe Def 1 Przeksztaªceniem liniowym (homomorzmem liniowym) rzeczywistych przestrzeni liniowych U i V nazywamy dowoln funkcj L : U V speªniaj c warunki: 1 L( u + v) = L( u) + L( v) dla
Bardziej szczegółowoAM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium
AM II.1 2018/2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium Normy w R n, iloczyn skalarny sprawd¹ czy dana funkcja jest norm sprawd¹, czy dany zbiór jest kul w jakiej± normie i oblicz norm wybranego
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowoWektory w przestrzeni
Wektory w przestrzeni Informacje pomocnicze Denicja 1. Wektorem nazywamy uporz dkowan par punktów. Pierwszy z tych punktów nazywamy pocz tkiem wektora albo punktem zaczepienia wektora, a drugi - ko«cem
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 szczegółowo1. Odcienie szaro±ci. Materiaªy na wiczenia z Wprowadzenia do graki maszynowej dla kierunku Informatyka, rok III, sem. 5, rok akadem.
Materiaªy na wiczenia z Wprowadzenia do graki maszynowej dla kierunku Informatyka, rok III, sem. 5, rok akadem. 2018/2019 1. Odcienie szaro±ci Model RGB jest modelem barw opartym na wªa±ciwo±ciach odbiorczych
Bardziej szczegółowo1 Bª dy i arytmetyka zmiennopozycyjna
1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy
Bardziej szczegółowoLZNK. Rozkªad QR. Metoda Householdera
Rozdziaª 10 LZNK. Rozªad QR. Metoda Householdera W tym rozdziale zajmiemy si liniowym zadaniem najmniejszych wadratów (LZNK). Dla danej macierzy A wymiaru M N i wetora b wymiaru M chcemy znale¹ wetor x
Bardziej szczegółowoGraka komputerowa Wykªad 3 Geometria pªaszczyzny
Graka komputerowa Wykªad 3 Geometria pªaszczyzny Instytut Informatyki i Automatyki Pa«stwowa Wy»sza Szkoªa Informatyki i Przedsi biorczo±ci w Šom»y 2 0 0 9 Spis tre±ci Spis tre±ci 1 Przeksztaªcenia pªaszczyzny
Bardziej szczegółowoRozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a).
Rozwi zania zada«z egzaminu podstawowego z Analizy matematycznej 2.3A (24/5). Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a). Zadanie P/4. Metod operatorow rozwi
Bardziej szczegółowoTemat: Co to jest optymalizacja? Maksymalizacja objętości naczynia prostopadłościennego za pomocą arkusza kalkulacyjngo.
Konspekt lekcji Przedmiot: Informatyka Typ szkoły: Gimnazjum Klasa: II Nr programu nauczania: DKW-4014-87/99 Czas trwania zajęć: 90min Temat: Co to jest optymalizacja? Maksymalizacja objętości naczynia
Bardziej szczegółowoWska¹niki, tablice dynamiczne wielowymiarowe
Rozdziaª 11 Wska¹niki, tablice dynamiczne wielowymiarowe 11.1 Wst p Identycznie, jak w przypadku tablic statycznych, tablica dynamiczna mo»e by tablic jedno-, dwu-, trójitd. wymiarow. Tablica dynamiczna
Bardziej szczegółowoLekcja 3 Banki i nowe przedmioty
Lekcja 3 Banki i nowe przedmioty Akademia im. Jana Dªugosza w Cz stochowie Banki przedmiotów Co ju» wiemy? co to s banki przedmiotów w Baltie potramy korzysta z banków przedmiotów mo»emy tworzy nowe przedmioty
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Analiza matematyczna 2; MatematykaS-I 0 lic 21 maja 2018 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(, y b dzie okre±lona przynajmniej na otoczeniu punktu
Bardziej szczegółowoW poprzednim odcinku... Podstawy matematyki dla informatyków. Relacje równowa»no±ci. Zbiór (typ) ilorazowy. Klasy abstrakcji
W poprzednim odcinku... Podstawy matematyki dla informatyków Rodzina indeksowana {A t } t T podzbiorów D to taka funkcja A : T P(D),»e A(t) = A t, dla dowolnego t T. Wykªad 3 20 pa¹dziernika 2011 Produkt
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 szczegółowo1 Granice funkcji wielu zmiennych.
AM WNE 008/009. Odpowiedzi do zada«przygotowawczych do czwartego kolokwium. Granice funkcji wielu zmiennych. Zadanie. Zadanie. Pochodne. (a) 0, Granica nie istnieje, (c) Granica nie istnieje, (d) Granica
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoZdzisªaw Dzedzej, Katedra Analizy Nieliniowej pok. 611 Kontakt:
Zdzisªaw Dzedzej, Katedra Analizy Nieliniowej pok. 611 Kontakt: zdzedzej@mif.pg.gda.pl www.mif.pg.gda.pl/homepages/zdzedzej () 5 pa¹dziernika 2016 1 / 1 Literatura podstawowa R. Rudnicki, Wykªady z analizy
Bardziej szczegółowoFunkcja kwadratowa, wielomiany oraz funkcje wymierne
Funkcja kwadratowa, wielomiany oraz funkcje wymierne Šukasz Dawidowski Nocne powtórki maturalne 28 kwietnia 2014 r. Troch teorii Funkcj f : R R dan wzorem: f (x) = ax 2 + bx + c gdzie a 0 nazywamy funkcj
Bardziej szczegółowoPRZYPOMNIENIE Ka»d przestrze«wektorow V, o wymiarze dim V = n < nad ciaªem F mo»na jednoznacznie odwzorowa na przestrze«f n n-ek uporz dkowanych:
Plan Spis tre±ci 1 Homomorzm 1 1.1 Macierz homomorzmu....................... 2 1.2 Dziaªania............................... 3 2 Ukªady równa«6 3 Zadania 8 1 Homomorzm PRZYPOMNIENIE Ka»d przestrze«wektorow
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowoWst p do sieci neuronowych, wykªad 14 Zespolone sieci neuronowe
Wst p do sieci neuronowych, wykªad 14 Zespolone sieci neuronowe M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toru«, Poland 2011-18-02 Motywacja Liczby
Bardziej szczegółowoPrzeksztaªcenia liniowe
Przeksztaªcenia liniowe Przykªady Pokaza,»e przeksztaªcenie T : R 2 R 2, postaci T (x, y) = (x + y, x 6y) jest przeksztaªceniem liniowym Sprawdzimy najpierw addytywno± przeksztaªcenia T Niech v = (x, y
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Rachunek ró»niczkowy funkcji wielu zmiennych
Zadania z analizy matematycznej - sem II Rachunek ró»niczkowy funkcji wielu zmiennych Denicja (Pochodne cz stkowe dla funkcji trzech zmiennych) Niech D R 3 b dzie obszarem oraz f : D R f = f y z) P 0 =
Bardziej szczegółowoPrzetwarzanie sygnaªów
Przetwarzanie sygnaªów Laboratorium 1 - wst p do C# Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, 2018 1 / 17 Czego mo»na oczekiwa wzgl dem programowania w C# na tych laboratoriach? Dawid Poªap Przetwarzanie
Bardziej szczegółowoPrzekroje Dedekinda 1
Przekroje Dedekinda 1 O liczbach wymiernych (tj. zbiorze Q) wiemy,»e: 1. zbiór Q jest uporz dkowany relacj mniejszo±ci < ; 2. zbiór liczb wymiernych jest g sty, tzn.: p, q Q : p < q w : p < w < q 3. 2
Bardziej szczegółowoInterpolacja funkcjami sklejanymi
Interpolacja funkcjami sklejanymi Funkcje sklejane: Zaªó»my,»e mamy n + 1 w zªów t 0, t 1,, t n takich,»e t 0 < t 1 < < t n Dla danej liczby caªkowitej, nieujemnej k funkcj sklejan stopnia k nazywamy tak
Bardziej szczegółowoRównania ró»niczkowe I rz du (RRIR) Twierdzenie Picarda. Anna D browska. WFTiMS. 23 marca 2010
WFTiMS 23 marca 2010 Spis tre±ci 1 Denicja 1 (równanie ró»niczkowe pierwszego rz du) Równanie y = f (t, y) (1) nazywamy równaniem ró»niczkowym zwyczajnym pierwszego rz du w postaci normalnej. Uwaga 1 Ogólna
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 szczegółowoMateriaªy do Repetytorium z matematyki
Materiaªy do Repetytorium z matematyki 0/0 Dziaªania na liczbach wymiernych i niewymiernych wiczenie Obliczy + 4 + 4 5. ( + ) ( 4 + 4 5). ( : ) ( : 4) 4 5 6. 7. { [ 7 4 ( 0 7) ] ( } : 5) : 0 75 ( 8) (
Bardziej szczegółowox y x y x y x + y x y
Algebra logiki 1 W zbiorze {0, 1} okre±lamy dziaªania dwuargumentowe,, +, oraz dziaªanie jednoargumentowe ( ). Dziaªanie x + y nazywamy dodawaniem modulo 2, a dziaªanie x y nazywamy kresk Sheera. x x 0
Bardziej szczegółowoWST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14
WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 2013/14 Spis tre±ci 1 Kodowanie i dekodowanie 4 1.1 Kodowanie a szyfrowanie..................... 4 1.2 Podstawowe poj cia........................
Bardziej szczegółowoVincent Van GOGH: M»czyzna pij cy li»ank kawy. Radosªaw Klimek. J zyk programowania Java
J zyk programowania JAVA c 2011 Vincent Van GOGH: M»czyzna pij cy li»ank kawy Zadanie 6. Napisz program, który tworzy tablic 30 liczb wstawia do tej tablicy liczby od 0 do 29 sumuje te elementy tablicy,
Bardziej szczegółowoLekcja 12 - POMOCNICY
Lekcja 12 - POMOCNICY 1 Pomocnicy Pomocnicy, jak sama nazwa wskazuje, pomagaj Baltiemu w programach wykonuj c cz ± czynno±ci. S oni szczególnie pomocni, gdy chcemy ci g polece«wykona kilka razy w programie.
Bardziej szczegółowoSpis tre±ci. 1 Gradient. 1.1 Pochodna pola skalarnego. Plan
Plan Spis tre±ci 1 Gradient 1 1.1 Pochodna pola skalarnego...................... 1 1.2 Gradient................................ 3 1.3 Operator Hamiltona......................... 4 2 Ró»niczkowanie pola
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej
Zadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej Denicja 1. Niech X = R n b dzie przestrzeni unormowan oraz d(x, y) = x y.
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowoPrzetwarzanie fotografii cyfrowej lab. 3 J.Wi licki, A.Romanowski
Spis tre ci 1. Edycja obrazów fotograficznych...2 1.1. Ksi yc...2 1.2. S o ce zza chmur...4 1.3. Rzeka lawy...6 1.4. nie yca...7 1.5. Ulewa...8 1.6. Noktowizor...9 strona 1 z 11 1. Edycja obrazów fotograficznych
Bardziej szczegółowoArkusz maturalny. Šukasz Dawidowski. 25 kwietnia 2016r. Powtórki maturalne
Arkusz maturalny Šukasz Dawidowski Powtórki maturalne 25 kwietnia 2016r. Odwrotno±ci liczby rzeczywistej 1. 9 8 2. 0, (1) 3. 8 9 4. 0, (8) 3 4 4 4 1 jest liczba Odwrotno±ci liczby rzeczywistej 3 4 4 4
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x, y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0, y 0 ) Pochodn cz stkow pierwszego rz du funkcji dwóch zmiennych wzgl
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 szczegółowoc Marcin Sydow Przepªywy Grafy i Zastosowania Podsumowanie 12: Przepªywy w sieciach
12: w sieciach Spis zagadnie«sieci przepªywowe przepªywy w sieciach ±cie»ka powi kszaj ca tw. Forda-Fulkersona Znajdowanie maksymalnego przepªywu Zastosowania przepªywów Sieci przepªywowe Sie przepªywowa
Bardziej szczegółowoProste modele o zªo»onej dynamice
Proste modele o zªo»onej dynamice czyli krótki wst p do teorii chaosu Tomasz Rodak Festiwal Nauki, Techniki i Sztuki 2018 April 17, 2018 Dyskretny model pojedynczej populacji Rozwa»my pojedyncz populacj
Bardziej szczegółowoPrzetwarzanie sygnaªów
Przetwarzanie sygnaªów Wykªad 1 - Warunki zaliczenia, podstawy teorii sygnaªów Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, 2018 1 / 23 Plan wykªadu 1 Informacje wst pne 2 Historia bada«nad
Bardziej szczegółowoZadania z kolokwiów ze Wst pu do Informatyki. Semestr II.
Zadania z kolokwiów ze Wst pu do Informatyki. Semestr II. Poni»sze zadania s wyborem zada«z kolokwiów ze Wst pu do Informatyki jakie przeprowadziªem w ci gu ostatnich lat. Marek Zawadowski Zadanie 1 Napisz
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Ukªady równa«liniowych PWSZ Gªogów, 2009 Motywacje Zagadnienie kluczowe dla przetwarzania numerycznego Wiele innych zada«redukuje si do problemu rozwi zania ukªadu
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoUczenie Wielowarstwowych Sieci Neuronów o
Plan uczenie neuronu o ci gªej funkcji aktywacji uczenie jednowarstwowej sieci neuronów o ci gªej funkcji aktywacji uczenie sieci wielowarstwowej - metoda propagacji wstecznej neuronu o ci gªej funkcji
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 szczegółowoANALIZA MATEMATYCZNA Z ALGEBR
ANALIZA MATEMATYCZNA Z ALGEBR WYKŠAD II Maªgorzata Murat MACIERZ A rzeczywist (zespolon ) o m wierszach i n kolumnach nazywamy przyporz dkowanie ka»dej uporz dkowanej parze liczb naturalnych (i, j), gdzie
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoLekcja 3 - BANKI I NOWE PRZEDMIOTY
Lekcja 3 - BANKI I NOWE PRZEDMIOTY Wiemy ju» co to s banki przedmiotów i potramy z nich korzysta. Dowiedzieli±my si te»,»e mo»emy tworzy nowe przedmioty, a nawet caªe banki przedmiotów. Na tej lekcji zajmiemy
Bardziej szczegółowoLiczby zespolone. dr Krzysztof yjewski Mechatronika; S-I 0.in». 6 pa¹dziernika Oznaczenia. B dziemy u»ywali nast puj cych oznacze«:
Liczby zespolone Oznaczenia B dziemy u»ywali nast puj cych oznacze«: N = {1, 2, 3,...}- zbiór liczb naturalnych, Z = {..., 3, 2, 1, 0, 1, 2, 3,...}- zbiór liczb caªkowitych, Q = { a b : a, b Z, b 0}- zbiór
Bardziej szczegółowoRelacj binarn okre±lon w zbiorze X nazywamy podzbiór ϱ X X.
Relacje 1 Relacj n-argumentow nazywamy podzbiór ϱ X 1 X 2... X n. Je±li ϱ X Y jest relacj dwuargumentow (binarn ), to zamiast (x, y) ϱ piszemy xϱy. Relacj binarn okre±lon w zbiorze X nazywamy podzbiór
Bardziej szczegółowoPodstawy matematyki dla informatyków
Podstawy matematyki dla informatyków Wykªad 6 10 listopada 2011 W poprzednim odcinku... Zbiory A i B s równoliczne (tej samej mocy ), gdy istnieje bijekcja f : A 1 1 B. Piszemy A B lub A = B. na Moc zbioru
Bardziej szczegółowoLekcja 8 - ANIMACJA. 1 Polecenia. 2 Typy animacji. 3 Pierwsza animacja - Mrugaj ca twarz
Lekcja 8 - ANIMACJA 1 Polecenia Za pomoc Baltiego mo»emy tworzy animacj, tzn. sprawia by obraz na ekranie wygl daª jakby si poruszaª. Do animowania przedmiotów i tworzenia animacji posªu» nam polecenia
Bardziej szczegółowoUkªady równa«liniowych - rozkªady typu LU i LL'
Rozdziaª 9 Ukªady równa«liniowych - rozkªady typu LU i LL' W tym rozdziale zapoznamy si z metodami sªu» cych do rozwi zywania ukªadów równa«liniowych przy pomocy uzyskiwaniu odpowiednich rozkªadów macierzy
Bardziej szczegółowoZestaw 1 ZESTAWY A. a 1 a 2 + a 3 ± a n, gdzie skªadnik a n jest odejmowany, gdy n jest liczb parzyst oraz dodawany w przeciwnym.
ZESTAWY A Zestaw 1 Organizacja plików: Wszystkie pliki oddawane do sprawdzenia nale»y zapisa we wspólnym folderze o nazwie b d cej numerem indeksu, umieszczonym na pulpicie. Oddajemy tylko ¹ródªa programów
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 szczegółowoMetody bioinformatyki (MBI)
Metody bioinformatyki (MBI) Wykªad 9 - mikromacierze DNA, analiza danych wielowymiarowych Robert Nowak 2016Z Metody bioinformatyki (MBI) 1/42 mikromacierze DNA Metoda badawcza, pozwalaj ca bada obecno±
Bardziej szczegółowoUkªady równa«liniowych
dr Krzysztof yjewski Mechatronika; S-I 0 in» 7 listopada 206 Ukªady równa«liniowych Informacje pomocnicze Denicja Ogólna posta ukªadu m równa«liniowych z n niewiadomymi x, x, x n, gdzie m, n N jest nast
Bardziej szczegółowoDeskryptory punktów charakterystycznych
Przetwarzanie i Rozpoznawanie Obrazów May 18, 2016 1/41 Wstęp 2/41 Idea Często spotykany (typowy) schemat przetwarzanie obrazu/sekwencji wideo: 1 Detekcja punktów charakterystycznych 2 Opis wyznaczonych
Bardziej szczegółowoPodstawy modelowania w j zyku UML
Podstawy modelowania w j zyku UML dr hab. Bo»ena Wo¹na-Szcze±niak Akademia im. Jan Dªugosza bwozna@gmail.com Wykªad 8 Diagram pakietów I Diagram pakietów (ang. package diagram) jest diagramem strukturalnym,
Bardziej szczegółowoRachunek caªkowy funkcji wielu zmiennych
Rachunek caªkowy funkcji wielu zmiennych I. Malinowska, Z. Šagodowski Politechnika Lubelska 8 czerwca 2015 Caªka iterowana podwójna Denicja Je»eli funkcja f jest ci gªa na prostok cie P = {(x, y) : a x
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoRozdziaª 13. Przykªadowe projekty zaliczeniowe
Rozdziaª 13 Przykªadowe projekty zaliczeniowe W tej cz ±ci skryptu przedstawimy przykªady projektów na zaliczenia zaj z laboratorium komputerowego z matematyki obliczeniowej. Projekty mo»na potraktowa
Bardziej szczegółowoFiltracja w domenie przestrzeni
Filtracja w domenie przestrzeni 1 Filtracja Filtracja liniowa jest procesem splotu (konwolucji) obrazu z mask (ltrem). Dla dwuwymiarowej i dyskretnej funkcji ltracja dana jest wzorem: L2(m, n) = (w L1)(m,
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowo. 0 0... 1 0. 0 0 0 0 1 gdzie wektory α i tworz baz ortonormaln przestrzeni E n
GAL II 2013-2014 A. Strojnowski str.45 Wykªad 20 Denicja 20.1 Przeksztaªcenie aniczne f : H H anicznej przestrzeni euklidesowej nazywamy izometri gdy przeksztaªcenie pochodne f : T (H) T (H) jest izometri
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoWYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania
WYKŁAD 4 Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania PLAN WYKŁADU Metody uczenia sieci: Uczenie perceptronu Propagacja wsteczna Zastosowania Sterowanie (powtórzenie) Kompresja obrazu Rozpoznawanie
Bardziej szczegółowoLokalne transformacje obrazów
Laboratorium: Cyfrowe przetwarzanie obrazów i sygnaªów Lokalne transformacje obrazów 1 Cel i zakres wiczenia Celem wiczenia jest zapoznanie si z wªasno±ciami lokalnych transformacji obrazu i ich wykorzystaniem
Bardziej szczegółowoKolokwium Zadanie 1. Dla jakich warto±ci parametrów a i b funkcja sklejona
Kolokwium 3 0.0. Zadanie. Dla jakich warto±ci parametrów a i b funkcja sklejona a : π, f() = cos() : π < π, a + b : π < jest ci gªa? Rozwi zanie: Funkcja jest ci gªa we wszystkich punktach poza, by mo»e,
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoWYKŁAD 8. Postacie obrazów na różnych etapach procesu przetwarzania
WYKŁAD 8 Reprezentacja obrazu Elementy edycji (tworzenia) obrazu Postacie obrazów na różnych etapach procesu przetwarzania Klasy obrazów Klasa 1: Obrazy o pełnej skali stopni jasności, typowe parametry:
Bardziej szczegółowo