AUTOMATYZACJA PROCESÓW DYSKRETNYCH 2014
|
|
- Mieczysław Wiśniewski
- 6 lat temu
- Przeglądów:
Transkrypt
1 AUTOMATYZACJA PROCESÓW DYSKRETNYCH 2014 Artur BAL Politechnika Śląska NIENADZOROWANA METODA OCENY JAKOŚCI SEGMENTACJI OBRAZÓW Z FUNKCJA WYBORU WYMAGANEJ DOKŁADNOŚCI WYNIKU SEGMENTACJI Streszczenie. Praca dotyczy zagadnienia oceny jakości wyników segmentacji obrazów cyfrowych. Przedstawione zostało porównanie efektów zastosowania czterech znanych z literatury metod oceny jakości segmentacji tj. miar F (O), Q(O), B 1 (O), B 4 (0) oraz nowej miary C(O, α) na potrzeby zadania wyboru najlepszych wyników segmentacji danego obrazu. Cechą charakterystyczną proponowanej miary C(O, α) jest możliwość wyboru wymaganego dla danego zastosowania stopnia dokładności segmentacji. Badania przeprowadzono wykorzystując zestawy wyników segmentacji czterech obrazów; do segmentacji wykorzystano implementację dwuetapowej metody segmentacji przez łączenie obszarów, dla każdego obrazu segmentacja została przeprowadzona dla wielu różnych kombinacji wartości parametrów tego procesu. UNSUPERVISED IMAGE SEGMENTATION EVALUATION METHOD WITH CHOOSING FUNCTION OF REQUIRED IMAGE SEGMENTATION ACCURACY Summary. This article deals with the problem of evaluation of image segmentation results. In the work comparison of results obtained from different image segmentation evaluation methods used for the choosing of the best image segmentation result is presented. For the test four know from literature i.e. F (O), Q(O), B 1 (O), B 4 (0) and one new method C(O, α) were used. A unique feature of the proposed method C(O, α) is the possibility of choosing of required image segmentation accuracy. For the test purpose segmentation results of four images obtained for many different segmentation parameters have been used. For segmentation an implementation of two-stage region merging algorithm was used. 1. Wprowadzenie Jednym z istotnych problemów związanych z procesem segmentacji obrazów jest zagadnienie oceny jakości wyników otrzymywanych w efekcie realizacji tego procesu. Najbardziej pożądanym rozwiązaniem tego problemu jest opracowanie metod numerycznych pozwalających na nienadzorowaną przez człowieka, obiektywną, ilościową ocenę jakości segmentacji metody takie w dalszej części pracy będą one określane mianem obiektywnych metod oceny. W idealnym przypadku takie metody powinny prawidłowo oceniać wynik segmentacji niezależnie od rodzaju obrazu i celu segmentacji.
2 8 A. Bal W literaturze zaproponowanych zostało przynajmniej kilkanaście rożnych obiektywnych metod oceny jakości segmentacji [5]. W metodach tych jakość segmentacji wyznaczana jest przez zastosowanie charakterystycznego dla każdej metody funkcjonału F. Wybór najlepszego wyniku segmentacji w opt analizowanego obrazu O spośród rozważanego zbioru wyników jego segmentacji W = {w i } sprowadza się w przypadku rozważanych metod oceny do wskazania wyniku w i, dla którego dany funkcjonał F osiągnął (w zależności od konwencji przyjętej przez autora danej metody) globalne minimum lub maksimum. Autorzy opisywanych metod przyjmują niejawnie założenie o tym, że dla danego obrazu O istnieje charakterystyczny dla niego jeden najlepszy, jedynie słuszny, wynik segmentacji ẘ (na potrzeby dalszych rozważań złożenie to oznaczone zostanie jako Z). Wynik ten, według założenia Z, niezależnie od celu prowadzenia segmentacji obrazu O, jest wynikiem optymalnym. Metody oceny segmentacji działające według tego założenia spośród dostępnych wyników segmentacji w przypadku, gdy wśród dostępnych wyników nie ma ẘ wskazują jako najlepsze te wyniki w i, które są najbardziej zbliżone do ẘ. Zdaniem autora pracy, w ogólnym przypadku, założenie Z o istnieniu jednego idealnego dla danego obrazu O, niezależnie od celu jego segmentacji, wyniku segmentacji ẘ nie znajduje uzasadnienia w praktyce. W niniejszej pracy zaproponowano obiektywną metodę oceny jakości segmentacji, która opracowana została przy zastosowaniu innego podejścia. Podejście to oraz nową metodę oceny zaprezentowano w rozdziale 3., a ich przedstawienie zostało poprzedzone opisem kilku prezentowanych w literaturze obiektywnych metod oceny opracowanych zgodnie z założeniem Z (roz. 2.). W rozdziale 4. opisano warunki testu porównawczego opisanych w pracy obiektywnych metod oceny segmentacji, a także przedstawiono jego wyniki. Rozdział 5. stanowi podsumowanie uzyskanych do tej pory wyników. 2. Obiektywne metody oceny segmentacji W pracy [5] przedstawione zostało porównanie kilkunastu obiektywnych metod oceny jakości segmentacji. Na potrzeby pracy zaimplementowano dwie z pośród prezentowanych tam metod tzn. miarę F (I) i Q(I). Dodatkowo zaimplementowano dwie miary przedstawione w pracy [2] tj. B 1 (I) oraz B 4 (I). W metodach tych poszukiwanie najlepszego wyniku segmentacji w opt analizowanego obrazu O spośród rozważanego zbioru wyników W = {w i } sprowadza się poszukiwania minimów globalnych odpowiednich funkcjonałów przedstawionych poniżej: Q(O) = F (O) = R 10 4 MN R 10 3 MN R k=1 B 1 (O) = 1 MN R k=1 e 2 k ak, (1) e 2 ( k r(ak ) log a k R + R e k k=1 a k ) 2, (2), (3)
3 Nienadzorowana metoda oceny jakości segmentacji obrazów... 9 B 4 (O) = 1 2MN R + M N i=1 j=1 1, (4) 1 e ij gdzie: M N to rozmiar obrazu O, który jest wynikiem segmentacji obrazu O; R to liczba wszystkich obszarów jakie występują w O; a k pole powierzchni obszaru o k ; r(a k ) to liczba obszarów o polu równym a k ; e ij = s {R,G,B} ( Os (p ij ) O s (p ij ) ) 2 to różnica barwy między odpowiadającymi sobie pikselami p ij w obrazach O i O (wartość e ij wyznaczana jest jako różnica barw w przestrzeni RGB, O s i O s oznaczają poszczególne składowe barwne przestrzeni RGB obrazów O i O); e k = p ij o k e ij (6) to sumaryczna różnica barw pikseli należących do obszaru o k. Na rysunku 1 przedstawiono przykładowe wykresy wartości opisywanych miar jakości dla obrazu MOUNTAIN (rys. 2(d)) otrzymanych dla wyników otrzymanych metodą segmentacji zastosowaną do przeprowadzenia testu opisanego w rozdziale 4. (5) (a) F (O) (b) Q(O) (c) B 1 (O) (d) B 4 (O) Rys. 1. Przykładowe wykresy wartości miar: (a) F (O), (b) Q(O), (c) B 1 (O), (d) B 4 (O); wartości wyznaczono dla wyników segmentacji obrazu MOUNTAIN (rys. 2(d)) metodą opisaną w rozdziale 4.
4 10 A. Bal 3. Nowa metoda oceny jakos ci segmentacji Przedstawione w poprzednim rozdziale metody bazuja na prawdziwos ci załoz enia Z. W praktyce jednak, w zalez nos ci od celu segmentacji, zmienia si e równiez wymaganie odnos nie wyniku segmentacji. Zatem w ogólnym przypadku wynik w nie jest stały dla danego obrazu O (co wynika z Z), a jest jest zalez ny od przyj etego celu segmentacji c. W praktyce cel ten moz na utoz samiac z dokładnos cia segmentacji rozumiana jako zachowanie w wyniku segmentacji okres lonego stopnia szczegółowos ci obrazu. (a) B ULDINGS (c) H AUSE (b) C ASTLE (d) M OUNTAIN Rys. 2. Obrazy wykorzystane w pracy Aby zilustrowac to zagadnienie rozwaz my obraz B ULDINGS (rys. 2(a)). Zdefiniujmy nast epujace przykładowe dwa cele analizy tego obrazu wymagajace policzenia: wszystkich okien widocznych na obrazie, budynków widocznych na obrazie. W zalez nos ci od celu analizy wymagana jest inna dokładnos c segmentacji. Liczba szczegółów, które musza byc widoczne na obrazie po segmentacji jest zdecydowanie wi eksza w przypadku zadania liczenia okien niz to ma miejsce w przypadku drugiego zadania. Co wi ecej wykorzystanie do realizacji zadania liczenia budynków wyniku dokładnej segmentacji przygotowanej pod katem zadania liczenia okien moz e znacznie utrudnic realizacj e tego zadania (konieczne jest zastosowanie dodatkowych etapów okres lenie przynalez nos ci poszczególnych obszarów do konkretnych budynków lub tła), a nawet uniemoz liwic jego realizacj e (taka sytuacja b edzie miała miejsce jez eli wynik segmentacji b edzie zawierac jedynie obszary reprezentujace okna i jeden duz y obszar zawierajacy
5 Nienadzorowana metoda oceny jakości segmentacji obrazów pozostałe punkty obrazu). Wydaje się zatem, że chcąc opracować uniwersalną metodę oceny jakości segmentacji konieczne jest uwzględnienie w procesie oceny możliwości określenia celu segmentacji c np. poprzez umożliwienie wyboru preferencji co do wymaganego stopnia szczegółowości otrzymanego idealnego wyniku. Biorąc pod uwagę określone wcześniej wymagania opracowana została miara C(O, α) oceny jakości segmentacji dająca możliwość wyboru wymaganego stopnia dokładności (szczegółowości) segmentacji miara ta zdefiniowana jest następująco C(O, α) = αr + (1 α)e (7) gdzie α 0, 1 jest parametrem pozwalającym na określenie wymaganego stopnia dokładności, a R i E to znormalizowane do zakresu 0, 1 wielkości reprezentujące, odpowiednio, liczbę obszarów wyróżnionych w O oraz sumaryczny błąd barwy między O a O. Wartość R określona następująca zależność R = R 1 R max 1, (8) gdzie R jest liczbą obszarów wyróżnionych w O, a R max jest liczbą obszarów jakie można wyróżnić w O jako obszary w O traktowane są spójne grupy pikseli o takiej samej barwie, na potrzeby wyznaczenia R max przyjmowana jest taka sama definicja spójności jaka stosowana jest do wyznaczenia R (w przypadku obrazów scen naturalnych większość znalezionych w O stanowią obszary o wielkości 1 piksela). Wartość E wyznaczana jest według wzoru E = 1 E max gdzie e ij wyznaczane jest zgodnie z (5), a E max = M N i=1 j=1 M N i=1 j=1 s {R,G,B} e ij, (9) ( Os (p ij ) Ōs) ) 2 jest maksymalną wartością błędu barwy dla całego obrazu jaka może wystąpić w procesie segmentacji w przypadku, gdy obszary przyjmują średnią barwę należących do nich pikseli, Ō s = 1 M N O s (p ij ). (11) MN i=1 j=1 to wartość poszczególnych składowych przestrzeni barw RGB (s {R, G, B}) uśredniona dla całego obrazu O. Proponowana miara C(O, α) pozwala na wybór między dokładną segmentacją (małe wartości α) a segmentacją zgrubną (wartości α zbliżone do 1). Takie działanie jest efektem połączenia w mierze C(O, α) wartości R i E mających swoje minima globalne dla przeciwnych jeżeli chodzi o stopień szczegółowości wyników segmentacji i umożliwienia wyboru stopnia ich wpływu na wynik oceny poprzez parametr α. R ma swoje minimum dla segmentacji zgrubnej w takim przypadku w obrazie utworzonych jest mała liczba obszarów o stosunkowo dużym błędzie barwy. Natomiast E ma swoje minimum dla segmentacji dokładnej błąd barwy przyjmuje stosunkowo małe wartości, jednak liczba obszarów jest w takim przypadku bardzo duża. Odpowiednio dobierając wartość α można dowolnie wybierać wymaganą dokładność procesu segmentacji. (10)
6 12 A. Bal 4. Porównanie metod oceny segmentacji Do porównania wykorzystano wyniki otrzymane z dwuetapowej obszarowej metody segmentacji opisanej w pracy [1]. W metodzie tej, w ramach jej 1. etapu odbywa się łączenie ze sobą wszystkich sąsiadujących ze sobą par obszarów o w i o v między którym różnica barwy δ(o v, o w ) d (wartość d jest parametrem ustalanym przez użytkownika) obraz przed segmentacja traktowany jest jako obraz zawierający M N obszarów o wielkości 1 piksela. Etap 2. to równoległe usuwanie z obrazu obszarów o i, których pole powierzchni a(o i ) A (wartość A jest drugim parametrem określanym przez użytkownika). Usuwanie obszarów polega na dołączaniu obszarów o i do sąsiadujących z nimi obszarów o j, do których odległość δ(o i, o j ) spełnia warunek δ(o i, o j ) = min ok N o i δ(o i, o k ), (12) gdzie N (o i ) to zbiór obszarów sąsiadujących z o i. W obu etapach procesy łączenia obszarów realizowane są równolegle na całym obrazie i łączone są ze sobą wszystkie obszary spełniające warunki ich połączenia. Dzięki takiemu rozwiązaniu zastosowana metoda odporna jest m.in. na zmianę orientacji obrazu o wielokrotność kąta prostego. Na potrzeby testu przeprowadzono segmentację opisaną metodą czterech obrazów przedstawionych na rysunku 2. Segmentację przeprowadzono dla prawie różnych zestawów par parametrów (d, A), dających w efekcie wszystkie elementy iloczynu kartezjańskiego d A, gdzie i d d = {0 : 1 : 25, 30 : 5 : 50, 60 : 10 : 150} (13) A A = {0 : 5 : 50, 75 : 25 : 250, 500 : 250 : 5000, 5500 : 500 : 10000; : 1000 : 25000, : 2500 : 50000}, zapis x α : : x ω oznacza ciąg arytmetyczny zaczynający się od x α, którego różnica ciągu wynosi, a ostatni wyraz jest nie większy niż x ω. Na rysunkach 3 6 przedstawiono najlepsze w sensie miar Q, B 1 i B 4 wyniki segmentacji dla każdego z obrazów testowych. Wyników dla miary F nie zamieszczono ponieważ dla każdego obrazu miara ta jako najlepszy wynik segmentacji każdego obrazu wskazywała obraz oryginalny. Dla porównania na rysunkach 7 i 8 przedstawiono najlepsze w sensie miary C wyniki segmentacji obrazów testowych dla różnych wartości parametru α. 5. Podsumowanie Na potrzeby analizy wyników przedstawionych w poprzednim rozdziale założono, że prawidłowy wynik segmentacji powinien zawierać obszary reprezentujące obiekty występujące w obrazie i mające znaczenie z punktu widzenia rożnego typu zadań analizy obrazu. W przypadku, gdy duża część wyznaczonych obszarów nie jest obiektem rozróżnianym przez człowieka a zwykle taki sposób podziału obrazów jest wymagany do większości zadań analizy obrazów wynik taki oceniany był jako niewłaściwy. Dobrymi przykładami takich nieprawidłowych wyników są wyniki uzyskane dla miary Q dla obrazu BULDINGS (rys. 3(a) i 3(d)) i miary B 4 dla obrazu MO- UNTAIN (rys. 6(c) i 6(f)) wyniki te są przykładami, odpowiednio, nadsegmentacji (ang. over-segmentation) i niedosegmentacji (ang. under-segmentation) obrazów [4]. (14)
7 Nienadzorowana metoda oceny jakości segmentacji obrazów (a) d = 1, A = 5 (b) d = 3, A = 25 (c) d = 13, A = 150 (d) n = (e) n = (f) n = 66 Rys. 3. Najlepsze wyniki segmentacji obrazu BULDINGS według miar (od lewej): Q, B 1 i B 4 ; wyniki zostały pokazane w kolorach uśrednionych (rząd górny) i w pseudokolorach (rząd dolny); dla każdego wyniku podano wartości parametrów d i A oraz liczbę obszarów n (a) d = 1, A = 20 (b) d = 1, A = 30 (c) d = 4, A = (d) n = (e) n = (f) n = 19 Rys. 4. Najlepsze wyniki segmentacji obrazu CASTLE według miar (od lewej): Q, B 1 i B 4 ; wyniki zostały pokazane w kolorach uśrednionych (rząd górny) i w pseudokolorach (rząd dolny); dla każdego wyniku podano wartości parametrów d i A oraz liczbę obszarów n
8 14 A. Bal (a) d = 1, A = 5 (b) d = 3, A = 50 (c) n = (d) n = 385 Rys. 5. Najlepsze wyniki segmentacji obrazu HAUSE według miar: Q kolumna lewa, B 1 i B 4 kolumna prawa; wyniki zostały pokazane w kolorach uśrednionych (rząd górny) i w pseudokolorach (rząd dolny); dla każdego wyniku podano wartości parametrów d i A oraz liczbę obszarów n (a) d = 0, A = 5 (b) d = 0, A = 75 (c) d = 7, A = (d) n = (e) n = 823 (f) n = 2 Rys. 6. Najlepsze wyniki segmentacji obrazu CASTLE według miar (od lewej): Q, B 1 i B 4 ; wyniki zostały pokazane w kolorach uśrednionych (rząd górny) i w pseudokolorach (rząd dolny); dla każdego wyniku podano wartości parametrów d i A oraz liczbę obszarów n
9 Nienadzorowana metoda oceny jakości segmentacji obrazów (a) α = 0.6, n = 711 (b) α = 0.8, n = 385 (c) α = 0.9, n = 191 (d) α = 0.95, n = 100 (e) α = 0.975, n = 34 (f) α = 0.99, n = 26 (g) α = 0.999, n = 9 (h) α = , n = 4 (i) α = , n = 2 Rys. 7. Najlepsze według miary C(O, α) wyniki segmentacji obrazu HAUSE otrzymane dla różnych wartości α; dla każdego obrazu podano wartość parametru α oraz liczbę wyróżnionych obszarów n; wyniki przedstawiono w postaci konturów obszarów (czarne linie) nałożonych na oryginalny obraz
10 16 A. Bal (a) α = 0.975, n = 324 (b) α = 0.995, n = 33 (c) α = 0.999, n = 7 (d) α = , n = 109 (e) α = 0.999, n = 15 (f) α = , n = 4 (g) α = 0.995, n = 36 (h) α = , n = 4 (i) α = , n = 3 (j) α = , n = 13 (k) α = , n = 2 (l) α = , n = 2 Rys. 8. Najlepsze według miary C(O, α) wyniki segmentacji obrazów: B ULDINGS (kolumna 1.), C ASTLE (kolumna 2), M OUNTAIN (kolumna 3.), otrzymane dla róz nych wartos ci α; dla kaz dego obrazu podano wartos c parametru α oraz liczb e wyróz nionych obszarów n; wyniki przedstawiono w postaci konturów obszarów (czarne linie) nałoz onych na oryginalne obrazy
11 Nienadzorowana metoda oceny jakości segmentacji obrazów Terminy te oznaczają, odpowiednio podział obrazu na zbyt dużą i zbyt małą liczbę obszarów w stosunku do potrzeb wynikających z celu segmentacji oraz treści segmentowanego obrazu. Zjawiska nadsegmentacji i niedosegmentacji można opisać wykorzystując wprowadzone w rozdziale 3. pojęcie dokładności segmentacji w przypadku nadsegmentacji otrzymany wynik charakteryzuje się nadmiernie dokładnym (zbyt drobiazgowym) podziałem na obszary, natomiast w przypadku niedosegmentacji podział na obszary jest za mało dokładny (zgrubny). Należy zaznaczyć, że klasyfikowanie wyniku segmentacji jako wyniku obarczonego nadsegmentacją lub niedosegmentacją jest zazwyczaj uproszczeniem wynikającym z tego, że stosunkowo często na jednym obrazie wynikowym występują zarówno fragmenty obarczone nadsegmentacją jak i takie w których występuje niedosegmentacja. O zakwalifikowaniu obrazu będącego wynikiem segmentacji jako wyniku obarczonego nadsegmentacją lub niedosegmentacją decyduje zazwyczaj to które z tych zjawisk, w danym przypadku, ma charakter dominujący. Analizując całościowo wyniki uzyskane dla miar Q, B 1 i B 4 (rys. 3 6) można zaobserwować, że w zdecydowanej większości przypadków obrazy te cechuje nadsegmentacja największą nadsegmentacją cechują się wyniki wskazywane przez miarę Q, a następnie B 1 i B 4. Należy jednak zaznaczyć, że w przypadku wyników wybranych na podstawie miary B 4 w przypadku obrazów BULDINGS (rys. 3(c) i 3(f)) i CA- STLE (rys. 4(c) i 4(f)) można mówić o wynikach spełniających przedstawione wcześniej kryterium prawidłowego wyniku segmentacji. Na podstawie otrzymanych rezultatów można stwierdzić miary Q, B 1 i B 4 w zdecydowanej większości przypadków jako najlepsze wyniki segmentacji zwracają wyniki, które są wynikami nieprzydatnymi z punktu widzenia typowych zadań analizy obrazów. W analizie pominięto przedstawioną w rozdziale 2. miarę F ponieważ miara ta dla każdego testowanego obrazu jako najlepszy segmentacji wynik wskazywała oryginalny obraz. Porównując omówione do tej pory wyniki stosowania miar Q, B 1 i B 4 z wynikami uzyskanymi dzięki stosowaniu miary C (rys.7 i 8) należy stwierdzić, że ta nowa miara pozwoliła na wybór dla każdego z segmentowanych obrazów wyników użytecznych z punktu widzenia typowych zadań analizy obrazów. Oczywiście to jakie obrazy zostaną wybrane przy zastosowaniu miary C zależy wartości parametru α. Na rysunku 7 można zaobserwować jak zmiana wartości α od 0,6 do prawie 1 wpływa na wybór wyników segmentacji obrazu HAUSE. Dla α 0,9 wybrane wyniki charakteryzują się dużą nadsegentacją (rys. 7(a) (c)), która powoduje, że obrazy te nie są przydatne do wykorzystania ich w typowych zadaniach analizy obrazów. Jak można zaobserwować dla większych wartości α wybrane obrazy cechują się znacznie niższym rozdrobnieniem obszarów aż do uzyskania dla α = 0,99975 podziału obrazu na dwa obszary, z których jeden reprezentuje budynek, a drugi tło. Podobne zależności można zaobserwować dla wyników przedstawionych na rysunku 8. Zastosowanie w mierze C możliwości wyboru dokładności segmentacji poprzez wybór wartości parametru α znacząco zwiększa możliwości wykorzystania tej miary w praktyce. Optymalny dobór wartości α jest jednak problematyczny ponieważ dla różnych obrazów do osiągnięcia takiego samego, w sensie jakości segmentacji, wyniku konieczne jest zastosowanie rożnych wartości α. Poszukiwanie metod doboru wartości parametru α będzie jednym z celów przyszłych badań. Podsumowując przedstawione w niniejszej pracy badania wydaje się, że zaproponowana w pracy nowa miara oceny jakości segmentacji C(O, α) udowodniła swoją
12 18 A. Bal przydatność. Uzyskiwane przy pomocy tej miary wyniki są znacznie lepsze niż wyniki uzyskane przy zastosowaniu miar F, Q, B 1, B 4. Warto zaznaczyć, że miary te zostały opracowane przy założeniu, że dla każdego obrazu O istnieje jeden optymalny wynik segmentacji tego obrazu niezależnie od celu prowadzenia procesu segmentacji. Miara C została natomiast opracowana przy założeniu, że dla każdego obrazu istnieje wiele, w ogólnym przypadku, różnych wyników, które ze względu za przyjęty cel segmentacji mogą być uznane za optymalne. Porównanie wyników uzyskanych przy pomocy miary C z wynikami uzyskanymi przy zastosowaniu miar F, Q, B 1, B 4 wydaje się potwierdzać słuszność przyjętego założenia będącego punktem wyjścia do opracowania tej nowej miary oceny jakości segmentacji. Podziękowania Praca została częściowo sfinansowana ze środków na badania statutowe Instytutu Automatyki Politechniki Śląskiej w 2014 roku. Część badań wykorzystanych w pracy została przeprowadzona w Laboratorium Obrazowania i Pomiarów Kolorymetrycznych Instytutu Automatyki Politechniki Śląskiej działającego w Centrum Biotechnologii Politechniki Śląskiej w Gliwicach. LITERATURA 1. Bal A.: Wyznaczanie odpowiedniości elementów obrazów z wykorzystaniem informacji o ich strukturze, Rozprawa doktorska, Wydział Automatyki Elektroniki i Informatyki, Politechnika Śląska, Gliwice, Bal, A.: Wieloetapowa metoda usuwania nadsegmentacji, Materiały XV Krajowej Konferencji Automatyzacji Procesów Dyskretnych, Zakopane, września 2006r., Zeszyty Naukowe Politechniki Śląskiej. Seria Automatyka. z. 145, Politechnika Śląska, Gliwice, 2006, s Borsotti M., Campadelli P., Schettini R.: Quantitative evaluation of color image segmentation results, Pattern Recognition Letters, 19(8), 1998, s Palus H.: Przetwarzanie końcowe w segmentacji obszarowej obrazów barwnych, Przegląd Elektrotechniczny, 84(9), 2008, s Zhang H., Fritts J. E., Goldman S. A.: Image Segmentation Evaluation: A Survey of Unsupervised Methods, Computer Vision and Image Understanding, 110(2), 2008, s
9. OBRAZY i FILTRY BINARNE 9.1 Erozja, dylatacja, zamykanie, otwieranie
9. OBRAZY i FILTRY BINARNE 9.1 Erozja, dylatacja, zamykanie, otwieranie Obrazy binarne to takie, które mają tylko dwa poziomy szarości: 0 i 1 lub 0 i 255. ImageJ wykorzystuje to drugie rozwiązanie - obrazy
Bardziej szczegółowoAnna Fabijańska. Algorytmy segmentacji w systemach analizy ilościowej obrazów
POLITECHNIKA ŁÓDZKA Wydział Elektrotechniki Elektroniki Informatyki i Automatyki Katedra Informatyki Stosowanej Anna Fabijańska Nr albumu: 109647 Streszczenie pracy magisterskiej nt.: Algorytmy segmentacji
Bardziej szczegółowoZajęcia wprowadzające W-1 termin I temat: Sposób zapisu wyników pomiarów
wielkość mierzona wartość wielkości jednostka miary pomiar wzorce miary wynik pomiaru niedokładność pomiaru Zajęcia wprowadzające W-1 termin I temat: Sposób zapisu wyników pomiarów 1. Pojęcia podstawowe
Bardziej szczegółowoPriorytetyzacja przypadków testowych za pomocą macierzy
Priorytetyzacja przypadków testowych za pomocą macierzy W niniejszym artykule przedstawiony został problem przyporządkowania priorytetów do przypadków testowych przed rozpoczęciem testów oprogramowania.
Bardziej szczegółowoWPŁYW SZYBKOŚCI STYGNIĘCIA NA WŁASNOŚCI TERMOFIZYCZNE STALIWA W STANIE STAŁYM
2/1 Archives of Foundry, Year 200, Volume, 1 Archiwum Odlewnictwa, Rok 200, Rocznik, Nr 1 PAN Katowice PL ISSN 1642-308 WPŁYW SZYBKOŚCI STYGNIĘCIA NA WŁASNOŚCI TERMOFIZYCZNE STALIWA W STANIE STAŁYM D.
Bardziej szczegółowoWPŁYW METODY DOPASOWANIA NA WYNIKI POMIARÓW PIÓRA ŁOPATKI INFLUENCE OF BEST-FIT METHOD ON RESULTS OF COORDINATE MEASUREMENTS OF TURBINE BLADE
Dr hab. inż. Andrzej Kawalec, e-mail: ak@prz.edu.pl Dr inż. Marek Magdziak, e-mail: marekm@prz.edu.pl Politechnika Rzeszowska Wydział Budowy Maszyn i Lotnictwa Katedra Technik Wytwarzania i Automatyzacji
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 szczegółowoDetekcja punktów zainteresowania
Informatyka, S2 sem. Letni, 2013/2014, wykład#8 Detekcja punktów zainteresowania dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydział Informatyki ZUT 1 / 61 Proces przetwarzania obrazów
Bardziej szczegółowo9.9 Algorytmy przeglądu
14 9. PODSTAWOWE PROBLEMY JEDNOMASZYNOWE 9.9 Algorytmy przeglądu Metody przeglądu dla problemu 1 r j,q j C max były analizowane między innymi w pracach 25, 51, 129, 238. Jak dotychczas najbardziej elegancka
Bardziej szczegółowoWykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.
Wykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.. KEITHLEY. Practical Solutions for Accurate. Test & Measurement. Training materials, www.keithley.com;. Janusz Piotrowski: Procedury
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoOPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI
Autoreferat do rozprawy doktorskiej OPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI Michał Mazur Gliwice 2016 1 2 Montaż samochodów na linii w
Bardziej szczegółowoPlanowanie zajęć równoległych i mieszanych
Planowanie zajęć równoległych i mieszanych... 1 Wprowadzanie zajęć... 2 Zestawy przedmiotów... 4 Legenda... 4 Analiza zajęć... 5 Publikacja rozkładów... 6 Tabela przestawna... 6 Konfiguracja... 7 Okno
Bardziej szczegółowoĆwiczenie 6. Transformacje skali szarości obrazów
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 6. Transformacje skali szarości obrazów 1. Obraz cyfrowy Obraz w postaci cyfrowej
Bardziej szczegółowoIdentyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji
Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody
Bardziej szczegółowoZachowania odbiorców. Grupa taryfowa G
Zachowania odbiorców. Grupa taryfowa G Autor: Jarosław Tomczykowski Biuro PTPiREE ( Energia elektryczna luty 2013) Jednym z założeń wprowadzania smart meteringu jest optymalizacja zużycia energii elektrycznej,
Bardziej szczegółowoWykład 4: Statystyki opisowe (część 1)
Wykład 4: Statystyki opisowe (część 1) Wprowadzenie W przypadku danych mających charakter liczbowy do ich charakterystyki można wykorzystać tak zwane STATYSTYKI OPISOWE. Za pomocą statystyk opisowych można
Bardziej 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 szczegółowoWYKORZYSTANIE MES DO WYZNACZANIA WPŁYWU PĘKNIĘCIA W STOPIE ZĘBA KOŁA NA ZMIANĘ SZTYWNOŚCI ZAZĘBIENIA
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2009 Seria: TRANSPORT z. 65 Nr kol. 1807 Tomasz FIGLUS, Piotr FOLĘGA, Piotr CZECH, Grzegorz WOJNAR WYKORZYSTANIE MES DO WYZNACZANIA WPŁYWU PĘKNIĘCIA W STOPIE ZĘBA
Bardziej szczegółowoWykład 5: Statystyki opisowe (część 2)
Wykład 5: Statystyki opisowe (część 2) Wprowadzenie Na poprzednim wykładzie wprowadzone zostały statystyki opisowe nazywane miarami położenia (średnia, mediana, kwartyle, minimum i maksimum, modalna oraz
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 szczegółowoRys Wykres kosztów skrócenia pojedynczej czynności. k 2. Δk 2. k 1 pp. Δk 1 T M T B T A
Ostatnim elementem przykładu jest określenie związku pomiędzy czasem trwania robót na planowanym obiekcie a kosztem jego wykonania. Związek ten określa wzrost kosztów wykonania realizacji całego przedsięwzięcia
Bardziej szczegółowoTRANSFORMATA FALKOWA WYBRANYCH SYGNAŁÓW SYMULACYJNYCH
1-2013 PROBLEMY EKSPLOATACJI 27 Izabela JÓZEFCZYK, Romuald MAŁECKI Politechnika Warszawska, Płock TRANSFORMATA FALKOWA WYBRANYCH SYGNAŁÓW SYMULACYJNYCH Słowa kluczowe Sygnał, dyskretna transformacja falkowa,
Bardziej szczegółowo5.5. Wybieranie informacji z bazy
5.5. Wybieranie informacji z bazy Baza danych to ogromny zbiór informacji, szczególnie jeśli jest odpowiedzialna za przechowywanie danych ogromnych firm lub korporacji. Posiadając tysiące rekordów trudno
Bardziej szczegółowoWYZNACZANIE PRACY WYJŚCIA ELEKTRONÓW Z LAMPY KATODOWEJ
INSTYTUT FIZYKI WYDZIAŁ INŻYNIERII PRODUKCJI I TECHNOLOGII MATERIAŁÓW POLITECHNIKA CZĘSTOCHOWSKA PRACOWNIA FIZYKI CIAŁA STAŁEGO Ć W I C Z E N I E N R FCS - WYZNACZANIE PRACY WYJŚCIA ELEKTRONÓW Z LAMPY
Bardziej szczegółowoMATEMATYCZNY MODEL PĘTLI HISTEREZY MAGNETYCZNEJ
ELEKTRYKA 014 Zeszyt 1 (9) Rok LX Krzysztof SZTYMELSKI, Marian PASKO Politechnika Śląska w Gliwicach MATEMATYCZNY MODEL PĘTLI ISTEREZY MAGNETYCZNEJ Streszczenie. W artykule został zaprezentowany matematyczny
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoNiepewności pomiarów
Niepewności pomiarów Międzynarodowa Organizacja Normalizacyjna (ISO) w roku 1995 opublikowała normy dotyczące terminologii i sposobu określania niepewności pomiarów [1]. W roku 1999 normy zostały opublikowane
Bardziej szczegółowoPROBLEM ROZMIESZCZENIA MASZYN LICZĄCYCH W DUŻYCH SYSTEMACH PRZEMYSŁOWYCH AUTOMATYCZNIE STEROWANYCH
CZESŁAW KULIK PROBLEM ROZMIESZCZENIA MASZYN LICZĄCYCH W DUŻYCH SYSTEMACH PRZEMYSŁOWYCH AUTOMATYCZNIE STEROWANYCH Duże systemy przemysłowe, jak kopalnie, kombinaty metalurgiczne, chemiczne itp., mają złożoną
Bardziej szczegółowoANALIZA PORÓWNAWCZA METOD POMIARU IMPEDANCJI PĘTLI ZWARCIOWEJ PRZY ZASTOSOWANIU PRZETWORNIKÓW ANALOGOWYCH
Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Nr 54 Politechniki Wrocławskiej Nr 54 Studia i Materiały Nr 23 2003 Andrzej STAFINIAK * metody pomiarowe,impedancje pętli zwarciowej impedancja
Bardziej szczegółowoTemat ćwiczenia. Wyznaczanie mocy akustycznej
POLITECHNIKA ŚLĄSKA W YDZIAŁ TRANSPORTU Temat ćwiczenia Wyznaczanie mocy akustycznej Cel ćwiczenia Pomiary poziomu natęŝenia dźwięku źródła hałasu. Wyznaczanie mocy akustycznej źródła hałasu. Wyznaczanie
Bardziej szczegółowoPlan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji
Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoMaciej Piotr Jankowski
Reduced Adder Graph Implementacja algorytmu RAG Maciej Piotr Jankowski 2005.12.22 Maciej Piotr Jankowski 1 Plan prezentacji 1. Wstęp 2. Implementacja 3. Usprawnienia optymalizacyjne 3.1. Tablica ekspansji
Bardziej szczegółowoPodstawy Informatyki. Sprawność algorytmów
Podstawy Informatyki Sprawność algorytmów Sprawność algorytmów Kryteria oceny oszczędności Miara złożoności rozmiaru pamięci (złożoność pamięciowa): Liczba zmiennych + liczba i rozmiar struktur danych
Bardziej szczegółowoMetody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia. Mgr inż.
Metody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia Mgr inż. Dorota Smorawa Plan prezentacji 1. Wprowadzenie do zagadnienia 2. Opis urządzeń badawczych
Bardziej szczegółowo7. Identyfikacja defektów badanego obiektu
7. Identyfikacja defektów badanego obiektu Pierwszym krokiem na drodze do identyfikacji defektów było przygotowanie tzw. odcisku palca poszczególnych defektów. W tym celu został napisany program Gaussian
Bardziej szczegółowoCECHOWANIE TERMOELEMENTU Fe-Mo I WYZNACZANIE PUNKTU INWERSJI
INSTYTUT FIZYKI WYDZIAŁ INŻYNIERII PRODUKCJI I TECHNOLOGII MATERIAŁÓW POLITECHNIKA CZĘSTOCHOWSKA PRACOWNIA FIZYKI CIAŁA STAŁEGO Ć W I C Z E N I E N R FCS - 7 CECHOWANIE TERMOELEMENTU Fe-Mo I WYZNACZANIE
Bardziej szczegółowoAUTOMATYZACJA PROCESÓW DYSKRETNYCH 2014
AUTOMATYZACJA PROCESÓW DYSKRETNYCH 2014 Artur BAL Politechnika Śląska PORÓWNANIE WYBRANYCH METOD POPRAWY JAKOŚCI SEGMENTACJI OBIEKTÓW W POSTACI SKUPISK NA PRZYKŁADZIE GLOBALNEJ BINARYZACJI OBRAZÓW KOMETOWYCH
Bardziej szczegółowoMateriały dla finalistów
Materiały dla finalistów Malachoviacus Informaticus 2016 11 kwietnia 2016 Wprowadzenie Poniższy dokument zawiera opisy zagadnień, które będą niezbędne do rozwiązania zadań w drugim etapie konkursu. Polecamy
Bardziej szczegółowoKomputerowe przetwarzanie obrazu Laboratorium 5
Komputerowe przetwarzanie obrazu Laboratorium 5 Przykład 1 Histogram obrazu a dobór progu binaryzacji. Na podstawie charakterystyki histogramu wybrano dwa różne progi binaryzacji (120 oraz 180). Proszę
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoĆw. 8: OCENA DOKŁADNOŚCI PRZYRZĄDÓW POMIAROWYCH
Ćw. 8: OCENA DOKŁADNOŚCI PRZYRZĄDÓW POMIAROWYCH I. Cel ćwiczenia Celem ćwiczenia jest poznanie zasad sprawdzania dokładności wskazań użytkowych przyrządów pomiarowych analogowych i cyfrowych oraz praktyczne
Bardziej szczegółowoAutomatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych
Automatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych autor: Robert Drab opiekun naukowy: dr inż. Paweł Rotter 1. Wstęp Zagadnienie generowania trójwymiarowego
Bardziej szczegółowoPRZEGLĄD KONSTRUKCJI JEDNOFAZOWYCH SILNIKÓW SYNCHRONICZNYCH Z MAGNESAMI TRWAŁYMI O ROZRUCHU BEZPOŚREDNIM
51 Maciej Gwoździewicz, Jan Zawilak Politechnika Wrocławska, Wrocław PRZEGLĄD KONSTRUKCJI JEDNOFAZOWYCH SILNIKÓW SYNCHRONICZNYCH Z MAGNESAMI TRWAŁYMI O ROZRUCHU BEZPOŚREDNIM REVIEW OF SINGLE-PHASE LINE
Bardziej szczegółowoPorównanie wyników symulacji wpływu kształtu i amplitudy zakłóceń na jakość sterowania piecem oporowym w układzie z regulatorem PID lub rozmytym
ARCHIVES of FOUNDRY ENGINEERING Published quarterly as the organ of the Foundry Commission of the Polish Academy of Sciences ISSN (1897-3310) Volume 15 Special Issue 4/2015 133 138 28/4 Porównanie wyników
Bardziej szczegółowoAiSD zadanie trzecie
AiSD zadanie trzecie Gliwiński Jarosław Marek Kruczyński Konrad Marek Grupa dziekańska I5 5 czerwca 2008 1 Wstęp Celem postawionym przez zadanie trzecie było tzw. sortowanie topologiczne. Jest to typ sortowania
Bardziej szczegółowoWyznaczanie cieplnego współczynnika oporności właściwej metali
Politechnika Łódzka FTIMS Kierunek: Informatyka rok akademicki: 2008/2009 sem. 2. grupa II Termin: 5 V 2009 Nr. ćwiczenia: 303 Temat ćwiczenia: Wyznaczanie cieplnego współczynnika oporności właściwej metali
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoBADANIA ZRÓŻNICOWANIA RYZYKA WYPADKÓW PRZY PRACY NA PRZYKŁADZIE ANALIZY STATYSTYKI WYPADKÓW DLA BRANŻY GÓRNICTWA I POLSKI
14 BADANIA ZRÓŻNICOWANIA RYZYKA WYPADKÓW PRZY PRACY NA PRZYKŁADZIE ANALIZY STATYSTYKI WYPADKÓW DLA BRANŻY GÓRNICTWA I POLSKI 14.1 WSTĘP Ogólne wymagania prawne dotyczące przy pracy określają m.in. przepisy
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 szczegółowoSCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.
SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:
Bardziej szczegółowoCyfrowe Przetwarzanie Obrazów i Sygnałów
Cyfrowe Przetwarzanie Obrazów i Sygnałów Laboratorium EX Lokalne transformacje obrazów Joanna Ratajczak, Wrocław, 28 Cel i zakres ćwiczenia Celem ćwiczenia jest zapoznanie się z własnościami lokalnych
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoOptymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change
Raport 4/2015 Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych
Bardziej szczegółowoSINGLE-IMAGE HIGH-RESOLUTION SATELLITE DATA FOR 3D INFORMATIONEXTRACTION
SINGLE-IMAGE HIGH-RESOLUTION SATELLITE DATA FOR 3D INFORMATIONEXTRACTION MOŻLIWOŚCI WYDOBYCIA INFORMACJI 3D Z POJEDYNCZYCH WYSOKOROZDZIELCZYCH OBRAZÓW SATELITARNYCH J. Willneff, J. Poon, C. Fraser Przygotował:
Bardziej szczegółowoCharakterystyka zadań budżetowych wyznaczonych do realizacji
Charakterystyka zadań budżetowych wyznaczonych do realizacji by Antoni Jeżowski, 2013 Etapy procedury budżetowania Dokumentacja budżetu zadaniowego zależy od etapu budżetowania, można mówić o: dokumentach
Bardziej szczegółowoWielokryteriowa optymalizacja liniowa
Wielokryteriowa optymalizacja liniowa 1. Przy decyzjach złożonych kierujemy się zwykle więcej niż jednym kryterium. Postępowanie w takich sytuacjach nie jest jednoznaczne. Pojawiło się wiele sposobów dochodzenia
Bardziej szczegółowoINSTRUKCJA DO ĆWICZENIA NR 1
L01 ---2014/10/17 ---10:52---page1---#1 KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 1 PRZEDMIOT TEMAT Wybrane zagadnienia z optymalizacji elementów
Bardziej szczegółowoMatematyka dyskretna dla informatyków
Matematyka dyskretna dla informatyków Część I: Elementy kombinatoryki Jerzy Jaworski Zbigniew Palka Jerzy Szymański Uniwersytet im. Adama Mickiewicza Poznań 2007 4 Zależności rekurencyjne Wiele zależności
Bardziej szczegółowoMetoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych
inż. Marek Duczkowski Metoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych słowa kluczowe: algorytm gradientowy, optymalizacja, określanie wodnicy W artykule
Bardziej szczegółowoWYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA
WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA PRZEDMIOT : : LABORATORIUM PODSTAW AUTOMATYKI 9. Dobór nastaw
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoINFORMATYCZNE SYSTEMY ZARZĄDZANIA
Dyspozycje do sprawozdania z ćwiczeń laboratoryjnych do przedmiotu INFORMATYCZNE SYSTEMY ZARZĄDZANIA Str. 1 Wydział Informatyki i Zarządzania Wrocław, dnia 18/02/2013 r. 2012/2013 Dyspozycje do sprawozdania
Bardziej szczegółowoW poszukiwaniu sensu w świecie widzialnym
W poszukiwaniu sensu w świecie widzialnym Andrzej Śluzek Nanyang Technological University Singapore Uniwersytet Mikołaja Kopernika Toruń AGH, Kraków, 28 maja 2010 1 Podziękowania Przedstawione wyniki powstały
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie drugie Podstawowe przekształcenia obrazu 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami obrazu wykonywanymi
Bardziej szczegółowoNiezawodność i Diagnostyka
Katedra Metrologii i Optoelektroniki Wydział Elektroniki Telekomunikacji i Informatyki Politechnika Gdańska Niezawodność i Diagnostyka Ćwiczenie laboratoryjne nr 3 Struktury niezawodnościowe Gdańsk, 2012
Bardziej szczegółowoa. Wersja podstawowa pozioma
a. Wersja podstawowa pozioma b. Wersja podstawowa okrągła c. Kolorystyka d. Typografia e. Warianty w skali szarości f. Warianty achromatyczne g. Warianty achromatyczne negatywowe h. Pole ochronne i. Wielkość
Bardziej szczegółowoPROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM
Mostefa Mohamed-Seghir Akademia Morska w Gdyni PROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM W artykule przedstawiono propozycję zastosowania programowania dynamicznego do rozwiązywania
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoExcel - użycie dodatku Solver
PWSZ w Głogowie Excel - użycie dodatku Solver Dodatek Solver jest narzędziem używanym do numerycznej optymalizacji nieliniowej (szukanie minimum funkcji) oraz rozwiązywania równań nieliniowych. Przed pierwszym
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 szczegółowoPROPOZYCJA ZASTOSOWANIA WYMIARU PUDEŁKOWEGO DO OCENY ODKSZTAŁCEŃ PRZEBIEGÓW ELEKTROENERGETYCZNYCH
Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Nr 56 Politechniki Wrocławskiej Nr 56 Studia i Materiały Nr 24 2004 Krzysztof PODLEJSKI *, Sławomir KUPRAS wymiar fraktalny, jakość energii
Bardziej szczegółowo1.2 Logo Sonel podstawowe załoŝenia
1.2 Logo Sonel podstawowe załoŝenia Logo czyli graficzna forma przedstawienia symbolu i nazwy firmy. Terminu logo uŝywamy dla całego znaku, składającego się z sygnetu (symbolu graficznego) i logotypu (tekstowego
Bardziej szczegółowoSprawdzenie narzędzi pomiarowych i wyznaczenie niepewności rozszerzonej typu A w pomiarach pośrednich
Podstawy Metrologii i Technik Eksperymentu Laboratorium Sprawdzenie narzędzi pomiarowych i wyznaczenie niepewności rozszerzonej typu A w pomiarach pośrednich Instrukcja do ćwiczenia nr 4 Zakład Miernictwa
Bardziej szczegółowoKATEDRA MECHANIKI I PODSTAW KONSTRUKCJI MASZYN. Instrukcja do ćwiczeń laboratoryjnych z elementów analizy obrazów
POLITECHNIKA OPOLSKA KATEDRA MECHANIKI I PODSTAW KONSTRUKCJI MASZYN Instrukcja do ćwiczeń laboratoryjnych z elementów analizy obrazów Przetwarzanie obrazu: skalowanie miary i korekcja perspektywy. Opracował:
Bardziej szczegółowoERGODESIGN - Podręcznik użytkownika. Wersja 1.0 Warszawa 2010
ERGODESIGN - Podręcznik użytkownika Wersja 1.0 Warszawa 2010 Spis treści Wstęp...3 Organizacja menu nawigacja...3 Górne menu nawigacyjne...3 Lewe menu robocze...4 Przestrzeń robocza...5 Stopka...5 Obsługa
Bardziej szczegółowoPOMIAR CZĘSTOTLIWOŚCI NAPIĘCIA W URZĄDZENIACH AUTOMATYKI ELEKTROENERGETYCZNEJ
Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Nr 63 Politechniki Wrocławskiej Nr 63 Studia i Materiały Nr 9 9 Piotr NIKLAS* pomiar częstotliwości, składowe harmoniczne, automatyka elektroenergetyczna
Bardziej szczegółowoOPROGRAMOWANIE DEFSIM2
Politechnika Warszawska Wydział Elektroniki i Technik Informacyjnych OPROGRAMOWANIE DEFSIM2 Instrukcja użytkownika mgr inż. Piotr Trochimiuk, mgr inż. Krzysztof Siwiec, prof. nzw. dr hab. inż. Witold Pleskacz
Bardziej szczegółowoBartosz Kulawik Koordynator Projektu Centrum Badań Kosmicznych PAN Zespół Obserwacji Ziemi
Bartosz Kulawik Koordynator Projektu Centrum Badań Kosmicznych PAN Zespół Obserwacji Ziemi Maciej Borsa Koordynator B+R Instytut Systemów Przestrzennych I Katastralnych Upowszechnienie techniki satelitarnej
Bardziej szczegółowoSystem wspomagania harmonogramowania przedsięwzięć budowlanych
System wspomagania harmonogramowania przedsięwzięć budowlanych Wojciech Bożejko 1 Zdzisław Hejducki 2 Mariusz Uchroński 1 Mieczysław Wodecki 3 1 Instytut Informatyki, Automatyki i Robotyki Politechnika
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 szczegółowoKomputerowe Systemy Przemysłowe: Modelowanie - UML. Arkadiusz Banasik arkadiusz.banasik@polsl.pl
Komputerowe Systemy Przemysłowe: Modelowanie - UML Arkadiusz Banasik arkadiusz.banasik@polsl.pl Plan prezentacji Wprowadzenie UML Diagram przypadków użycia Diagram klas Podsumowanie Wprowadzenie Języki
Bardziej szczegółowoWtyczka Crop3D. Wstęp. Implementacja. Sprawozdanie z realizacji projektu Bartłomiej Trzewiczek Kraków,
Sprawozdanie z realizacji projektu Bartłomiej Trzewiczek Kraków, 30.06.2015 Wtyczka Crop3D Wstęp Celem projektu było napisanie wtyczki do programu ImageJ pozwalającej na obcięcie tła i maksymalne skadrowanie
Bardziej szczegółowoRozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych
Rozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych Piotr Modliński Wydział Geodezji i Kartografii PW 13 stycznia 2012 P. Modliński, GiK PW Rozw.
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoAnaliza wpływu długości trwania strategii na proces optymalizacji parametrów dla strategii inwestycyjnych w handlu event-driven
Raport 8/2015 Analiza wpływu długości trwania strategii na proces optymalizacji parametrów dla strategii inwestycyjnych w handlu event-driven autor: Michał Osmoła INIME Instytut nauk informatycznych i
Bardziej szczegółowotel. (+4861) fax. (+4861)
dr hab. inż. Michał Nowak prof. PP Politechnika Poznańska, Instytut Silników Spalinowych i Transportu Zakład Inżynierii Wirtualnej ul. Piotrowo 3 60-965 Poznań tel. (+4861) 665-2041 fax. (+4861) 665-2618
Bardziej szczegółowoMetody numeryczne Wykład 4
Metody numeryczne Wykład 4 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Metody skończone rozwiązywania
Bardziej szczegółowoKonfiguracja oraz rejestracja czasu pracy dla pracowników służby zdrowia
Konfiguracja oraz rejestracja czasu pracy dla pracowników służby zdrowia (aktualizacja 21 grudnia 2012) Abstrakt W poradniku przedstawiono konfigurowanie oraz rejestrację czasu pracy w programie kadrowo-płacowym
Bardziej szczegółowoPRZESTRZENNY MODEL PRZENOŚNIKA TAŚMOWEGO MASY FORMIERSKIEJ
53/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN 1642-5308 PRZESTRZENNY MODEL PRZENOŚNIKA TAŚMOWEGO MASY FORMIERSKIEJ J. STRZAŁKO
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoANALiZA WPŁYWU PARAMETRÓW SAMOLOTU NA POZiOM HAŁASU MiERZONEGO WEDŁUG PRZEPiSÓW FAR 36 APPENDiX G
PRACE instytutu LOTNiCTWA 221, s. 115 120, Warszawa 2011 ANALiZA WPŁYWU PARAMETRÓW SAMOLOTU NA POZiOM HAŁASU MiERZONEGO WEDŁUG PRZEPiSÓW FAR 36 APPENDiX G i ROZDZiAŁU 10 ZAŁOżEń16 KONWENCJi icao PIotr
Bardziej szczegółowoDwufazowy system monitorowania obiektów. Karina Murawko, Michał Wiśniewski
Dwufazowy system monitorowania obiektów Karina Murawko, Michał Wiśniewski Instytut Grafiki Komputerowej i Systemów Multimedialnych Wydziału Informatyki Politechniki Szczecińskiej Streszczenie W artykule
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoZawartość. Wstęp. Moduł Rozbiórki. Wstęp Instalacja Konfiguracja Uruchomienie i praca z raportem... 6
Zawartość Wstęp... 1 Instalacja... 2 Konfiguracja... 2 Uruchomienie i praca z raportem... 6 Wstęp Rozwiązanie przygotowane z myślą o użytkownikach którzy potrzebują narzędzie do podziału, rozkładu, rozbiórki
Bardziej szczegółowoAkademia Morska w Szczecinie. Wydział Mechaniczny
Akademia Morska w Szczecinie Wydział Mechaniczny ROZPRAWA DOKTORSKA mgr inż. Marcin Kołodziejski Analiza metody obsługiwania zarządzanego niezawodnością pędników azymutalnych platformy pływającej Promotor:
Bardziej szczegółowoOCENA WYBRANYCH CECH JAKOŚCI MROŻONEK ZA POMOCĄ AKWIZYCJI OBRAZU
Inżynieria Rolnicza 4(129)/2011 OCENA WYBRANYCH CECH JAKOŚCI MROŻONEK ZA POMOCĄ AKWIZYCJI OBRAZU Katarzyna Szwedziak, Dominika Matuszek Katedra Techniki Rolniczej i Leśnej, Politechnika Opolska Streszczenie:
Bardziej szczegółowo