ΑΞΙΟΛΟΓΗΣΗ ΤΩΝ ΠΕΡΙΟΧΩΝ ΕΚΠΑΙΔΕΥΣΗΣ ΣΤΗΝ ΕΠΙΒΛΕΠΟΜΕΝΗ ΤΑΞΙΝΟΜΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ
|
|
- Οἰνεύς Βουγιουκλάκης
- 7 χρόνια πριν
- Προβολές:
Transcript
1 ΑΞΙΟΛΟΓΗΣΗ ΤΩΝ ΠΕΡΙΟΧΩΝ ΕΚΠΑΙΔΕΥΣΗΣ ΣΤΗΝ ΕΠΙΒΛΕΠΟΜΕΝΗ ΤΑΞΙΝΟΜΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ Γιώργος Χαρ. Μηλιαρέσης - Τμήμα Τοπογραφίας, Τ.Ε.Ι. Αθήνας Τριπόλεως 38, Αθήνα , Τηλ , miliaresis@ .com Περίληψη: Ο προσδιορισμός του αριθμού των θεματικών τάξεων που εμπεριέχονται σε μια εικόνα και η επιλογή των αντίστοιχων περιοχών επίβλεψης, αποτελούν τους πιο καθοριστικούς παράγοντες για την επιτυχία μιας διαδικασίας επιβλεπόμενης ταξινόμησης. Σε αυτή την εργασία προσδιορίζεται η αβεβαιότητα (CU) στην ταξινόμηση ενός εικονοστοιχείου και εφαρμόζεται για την αξιολόγηση της επιλογής των θεματικών τάξεων και των περιοχών εκπαίδευσης. Η CU προσδιορίζεται για κάθε εικονοστοιχείο ως συνάρτηση των δεσμευμένων πιθανοτήτων να ανήκει το εικονοστοιχεία σε κάθε τάξη. Η διακύμανση τιμών είναι στο διάστημα 0 έως 1 και υποδηλώνει τον βαθμό στον οποίο καμιά τάξη δεν είναι επαρκής για την ερμηνεία ενός εικονοστοιχείου. Η αξιολόγηση του αθροιστικού ιστογράμματος της CU δείχνει το βαθμό επιτυχίας της ταξινόμησης (στο συγκεκριμένο παράδειγμα το 80% των εικονοστοιχείων είχαν αβεβαιότητα 0), δηλαδή το συνολικό βαθμό που οι επιλεχθείσες τάξεις και περιοχές εκπαίδευσης ερμηνεύουν-ταξινομούν την εικόνα. Η χωρική κατανομή της CU στην εικόνα υποδεικνύει την ύπαρξη μικτών εικονοστοιχείων και θεματικών τάξεων για τις οποίες δεν δόθηκαν δεδομένα εκπαίδευσης. Η αντιμετώπιση γίνεται με ταξινόμηση εκ νέου αφού θεωρηθούν επιπλέον τάξεις ακόμη και για τα μικτά εικονοστοιχεία (και επιπρόσθετες περιοχές εκπαίδευσης). Abstract: The determination of the number of classes included in a satellite image and the selection of the corresponding training areas are the most critical points for the success of a supervised classification methodology. A metric was developed that allows the determination of classification uncertainty (CU) per pixel on the basis of it s posterior probability computed for each class. The metric measures the degree to which no class clearly stands out above the others in the assessment of class membership. The computed index ranges from 0 to 1 and expresses the degree of uncertainty the classifier would experience if it were required to provide a definitive answer about the class to which the pixel belongs. The cumulative histogram of CU for the whole image determines the degree (percentage of pixels with minimum uncertainty) to which the selection of the classes and the corresponding training areas were successful. The mapping and the study of the spatial distribution of CU values indicated areas in which the classification failed due to the presence of either mixed pixels or classes that were not selected and included in the classification process. Δελτίο της Γ.Υ.Σ., Αρ. Τεύχους 151
2 1. ΕΙΣΑΓΩΓΗ 180 Ας θεωρήσουμε μια δορυφορική εικόνα Ε με διάσταση κ (γραμμές) και λ (στήλες) σε ν φασματικά κανάλια. Κάθε εικονοστοιχείο E(i,j) όπου i= 1 (1) κ και j= 1 (1) λ περιγράφεται από ένα συγκεκριμένο σύνολο Π τιμών φωτεινότητας Π(i,j): { E [ (i,j) ] μ, μ= 1(1)v }. Το Π ονομάζεται πρότυπο και το σύνολο όλων των προτύπων που συνυπάρχουν σε μία εικόνα συμβολίζεται με Ω. Οι θεματικές τάξεις Τ (σύνολο T) της εικόνας δημιουργούνται από την κατανομή των στοιχείων του συνόλου Ω σε β αριθμό υποσυνόλων, Τ= { Τ 1, Τ 2,.Τ μ, μ=1 (1) β}, έτσι ώστε να ισχύουν οι σχέσεις: Τ 1 Τ 2 T 3.Τ μ = Ω, Ti Tj=, μ=1 (1) β για ij και i,j= 1 (1) β Η επιβλεπόμενη ταξινόμηση βασίζεται στην ύπαρξη πληροφορίας για κάθε υποσύνολο Τ. Δηλαδή για κάθε Τ μ όπου μ=1 (1) β είναι γνωστό ένα υποσύνολο Χ μ όπου μ=1 (1) β (Χ μ Τμ) και κάθε στοιχείο του συνόλου Ω που περιγράφεται από ένα πρότυπο Π [(i,j) ] v ταξινομείται σε μια τάξη Τ μ ανάλογα με ένα μέτρο σύγκρισης που προσδιορίζει την ομοιότητα του με το υποσύνολο Χ μ. Άρα πρέπει α) να καθορισθεί ένα μέτρο σύγκρισης κα β) να είναι γνωστές περιοχές εκπαίδευσης στην εικόνα που προσδιορίζουν αντιπροσωπευτικές εμφανίσεις των θεματικών τάξεων για να προσδιορισθούν τα υποσύνολα Χ μ. Τα προβλήματα που ανακύπτουν έχουν σχέση: 1. με εξωγενείς παράγοντες (η διάχυση της ηλιακής ακτινοβολίας, η επίδραση της τοπογραφίας κ.α.) που μεταβάλουν την φασματική υπογραφή των θεματικών τάξεων, 2. με τη χωρική διακριτική ικανότητα που έχει σαν αποτέλεσμα σε ένα εικονοστοιχείο δυνητικά να συνυπάρχουν περισσότερες των μία θεματικών τάξεων (μικτό εικονοστοιχείο), Σχήμα 1. Περιοχές εκπαίδευσης (seaθάλασσα, barren γυμνό από βλάστηση, city αστική περιοχή, forest δασική έκταση στο κανάλι 1 του Θεματικού Χαρτογράφου (Σαλαμίνα). Διαστάσεις εικόνας 251*251 εικονοστοιχεία με χωρική διακριτική ικανότητα 30 μ. 3. με την φασματική δειγματοληψία του καταγραφικού συστήματος (ο αριθμός και το εύρος κάθε φασματικού καναλιού) που μπορεί να μην επιτρέπει τον φασματικό διαχωρισμό δύο θεματικών τάξεων. Στόχος της εργασίας είναι να προταθεί μεθοδολογία που θα αξιολογεί εκ των υστέρων (μετά την εφαρμογή της ταξινόμησης) την καταλληλότητα ή όχι των περιοχών εκπαίδευσης.
3 181 2 ΠΕΡΙΟΧΕΣ ΕΚΠΑΙΔΕΥΣΗΣ Ο προσδιορισμός των περιοχών εκπαίδευσης γίνεται δειγματοληπτικά, για κάθε θεματική τάξη της εικόνας (Σχήμα 1). Η επιλογή προϋποθέτει φωτοερμηνεία και γνώση των φυσικών και ανθρωπογενών διεργασιών που λαμβάνουν χώρα την δεδομένη χρονική στιγμή λήψης της εικόνας (πχ εποχικές μεταβολές στην ανθοφορία των φυτών κ.α.). Οι κανόνες για την επιλογή περιοχών εκπαίδευσης κατά Lillesand και Kiefer (1993) είναι: Κάθε περιοχή εκπαίδευσης πρέπει να συμπεριλαμβάνει τουλάχιστον (ν+1)*10 εικονοστοιχεία όπου ν είναι ο αριθμός των φασματικών καναλιών της πολυφασματικής εικόνας που θέλουμε να ταξινομήσουμε. Η προϋπόθεση αυτή είναι απαραίτητη προκειμένου να υπολογισθεί με ακρίβεια το κέντρο βάρους και η συμμεταβλητότητα. Σε κάθε θεματική τάξη πρέπει να αντιστοιχίσουμε περισσότερα από ένα πολύγωνα κατανεμημένα σε όλη την έκταση της εικόνας προκειμένου να αυξηθεί η πιθανότητα τα δεδομένα εκπαίδευσης να είναι αντιπροσωπευτικά. Μετά τον προσδιορισμό των πολυγώνων γίνεται στατιστική σύγκριση των περιοχών εκπαίδευσης έτσι ώστε να αξιολογείται ο φασματικός διαχωρισμός των θεματικών τάξεων. Για παράδειγμα στο Σχήμα 2 συγκρίνονται γραφικά τα κέντρα βάρους των θεματικών τάξεων έτσι όπως προσεγγίζονται από τις περιοχές εκπαίδευσης. Ένα χρήσιμο μέτρο για την εκτίμηση της φασματικής διαφοροποίησης των περιοχών εκπαίδευσης αποτελεί ο πίνακας διαχωρισμού (Πίνακας 1) που καταγράφει τις αποστάσεις των κέντρων βάρους ανά δύο και η διακύμανση. Πίνακας 1. Διαχωρισμός τάξεων. Σχήμα 2. Κέντρα βάρους για τα κανάλια 1,2,3,4,5 και 7. Sea Forest Barren City Sea Forest Barren City Η ερμηνεία του πίνακα διαχωρισμού υποδηλώνει μέγιστο διαχωρισμό για την τάξη Sea ως προς όλες τις άλλες τάξεις. Ο διαχωρισμός των τάξεων (City, Forest) είναι ικανοποιητικός σε αντίθεση με τις τάξεις (City, Barren) και (Barren, Forest). Το γεγονός αυτό επιβεβαιώνεται και από το Σχήμα 2 όπου η προβολή του κέντρου βάρους της τάξης Barren είναι μεταξύ των κέντρων των τάξεων Forest και City.
4 182 Η διακύμανση του νέφους των σημείων από το κέντρο βάρους κάθε τάξης προσδιορίζεται επακριβώς από τον πίνακα συμμεταβλητότητας. Η οπτικοποίηση της διακύμανσης γίνεται με δισδιάστατα ιστογράμματα συχνότητας (Σχήμα 3). Σχήμα 3. Δισδιάστατες απεικονίσεις του νέφους σημείων της πολυφασματικής εικόνας για τα κανάλια 2,4 και 5,1. Οι ελλείψεις έχουν κέντρο, το κέντρο βάρους των θεματικών τάξεων (έτσι όπως υπολογίζεται από τις περιοχές εκπαίδευσης) και εμπεριέχουν το 95% του πλήθους των σημείων κάθε περιοχής εκπαίδευσης. Οι πιο σκούρες διαβαθμίσεις στο νέφος των σημείων υποδηλώνουν μεγαλύτερη πυκνότητα. Παρατηρούμε (Σχήμα 3) ότι υπάρχει μερική επικάλυψη των φασματικών υπογραφών των τάξεων οι οποίες έχουν διαφορετική διασπορά. Επομένως πρέπει να συνυπολογισθεί το μέγεθος της διασποράς στον αλγόριθμο ταξινόμησης έτσι ώστε ένα εικονοστοιχείο που είναι εγγύτερα στο κέντρο της τάξης Α, να μπορεί να ενταχθεί στην τάξη Β εάν η διασπορά της Β είναι μικρότερη από την διασπορά της Α. Την λύση στο πρόβλημα αυτό επιφέρει ο αλγόριθμος μέγιστης πιθανοφάνειας που λαμβάνει υπόψη τον πίνακα συμμεταβλητότητας κάθε τάξης στην ταξινόμηση. 3. ΤΑΞΙΝΟΜΗΣΗ ΜΕΓΙΣΤΗΣ ΠΙΘΑΝΟΦΑΝΕΙΑΣ Ο αλγόριθμος αυτός θεωρεί την ταξινόμηση από την πλευρά της θεωρίας πιθανοτήτων. Προκειμένου να προσδιορισθεί η τάξη J στην οποία ανήκει το εικονοστοιχείο x πρέπει: να προσδιορισθεί η δεσμευμένη πιθανότητα (a posteriori probability): J / x) για κάθε τάξη J (k είναι ο αριθμός των τάξεων), και να επιλεγεί η τάξη J που μεγιστοποιεί την πιθανοφάνεια. Όμως η δεσμευμένη πιθανότητα J / x) δεν είναι γνωστή (η πιθανότητα η τάξη J να είναι σωστή για το εικονοστοιχείο x). Αυτό που μπορεί να γίνει είναι να εκτιμηθεί η συνάρτηση κατανομής x / J) της τάξης J από τα δεδομένα εκπαίδευσης (η πιθανότητα που περιγράφει κατά πόσο το εικονοστοιχείο x ανήκει σε καθεμιά τάξη). Οι ζητούμενες πιθανότητες J / x) και x / J) συνδέονται με το θεώρημα του Bayes ως εξής: j / x) x / j) * j) x), x) k i1 x / j ) * j) i
5 Όπου κ ο αριθμός των τάξεων και 183 J) η εκ των προτέρων (a priori) πιθανότητα εμφάνισης της τάξης J. Παράδειγμα σε μια δορυφορική εικόνα είναι γνωστό πριν την εφαρμογή του αλγορίθμου ταξινόμησης ότι το 20% των εικονοστοιχείων ανήκουν στην τάξη J άρα J)=0.20. Όμως οι εκ των προτέρων πιθανότητες J) είναι άγνωστες. Για να προχωρήσουμε κάνουμε την παραδοχή ότι είναι ίσες με την τιμή 1/k (k ο αριθμός των τάξεων). Να σημειωθεί ότι 0 J/x) 1 και J / x) 1.Υποθέτοντας ότι k i1 i 1. η κατανομή του νέφους των σημείων που απαρτίζουν κάθε τάξη είναι κανονική (Gaussian) και 2. σε κάθε περιοχή εκπαίδευσης περιλαμβάνονται εικονοστοιχεία που ανήκουν σε μια μόνο τάξη, τότε η συνάρτηση κατανομής x / J) της τάξης J μπορεί να περιγραφεί πλήρως από το κέντρο βάρους και τον πίνακα συμμεταβλητότητας της αντίστοιχης περιοχής εκπαίδευσης (Mather 1987) με βάση τη σχέση: όπου x / j) (2* ) 1 S x / j ) : η πιθανότητα το εικονοστοιχείο Χ που περιγράφεται από p φασματικά κανάλια να ανήκει στην τάξη j y j = x-c j { όπου Cj το κέντρο βάρους της τάξης j } S j = ο πίνακας συμμεταβλητότητας για την τάξη j Υπολογιστικά η εφαρμογή της προηγούμενης σχέσης απαιτεί τον υπολογισμό της ορίζουσας S j και του -1 ανάστροφου πίνακα S j του πίνακα συμμεταβλητότητας για κάθε τάξη J. Στην συνέχεια υπολογίζεται η πιθανότητα το εικονοστοιχείο x να ανήκει σε κάθε τάξη J και τελικά ταξινομείται στη τάξη που μεγιστοποιεί την πιθανότητα x / j) (Σχήμα 4). Σχήμα 4. Ταξινόμηση μέγιστης πιθανοφάνειας. p / 2 j * y * e T j S 1 j y j
6 ΜΙΚΤΑ ΕΙΚΟΝΟΣΤΟΙΧΕΙΑ Στο προηγούμενο παράδειγμα ταξινόμησης εάν για το εικονοστοιχείο x, sea / x)= 0.2, city / x)= 0.25, barren / x)= 0.25 και forest / x)= 0.3 τότε θα ταξινομηθεί στην τάξη forest. Δηλαδή η μη υποστήριξη των ενδεχομένων sea, barren, city μας οδηγεί στο συμπέρασμα forest ανεξάρτητα από το πόσο λίγο (0.3) υποστηρίζεται αυτό το ενδεχόμενο. Μικτά εικονοστοιχεία είναι αυτά που λόγω της δειγματοληψίας του φυσικού χώρου εμπεριέχουν πέραν της μίας θεματικής τάξης με αποτέλεσμα να καταγράφεται μια ενδιάμεση φασματική απόκριση (Aplin & Atkison 2001, Ashton & Schaum 1998). Εκτίμηση των μικρών εικονοστοιχείων της εικόνας μπορεί να γίνει με την θεωρία πιθανοτήτων. Δηλαδή θεωρείται ότι η {a posteriori} πιθανότητα J / x) ερμηνεύεται σαν δήλωση ποσοστιαίας συμμετοχής των τάξεων J. Δηλαδή εάν barren / x)= 0.7, city / x)= 0.7, forest / x)= 0 και sea / x)= 0. τότε το εικονοστοιχείο x περιλαμβάνει 70% Σχήμα 5. Αθροιστικό ιστόγραμμα των πιθανοτήτων barren / x) (επάνω) και city / x) (κάτω). Στον άξονα Y οι μονάδες είναι αριθμός εικονοστοιχείων (το σύνολο των εικονοστοιχείων είναι 63001) και στο άξονα x προβάλεται η συνάρτηση πυκνότητας πιθανότητας PJ / x) με τιμές στο διάστημα [0, 1].
7 185 κάλυψη από την τάξη barren και 30% κάλυψη από την τάξη city. Τα αθροιστικά ιστογράμματα (Σχήμα 5) προσδιορίζουν το ποσοστό των εικονοστοιχείων x για J / x) μεγαλύτερη από μια συγκεκριμένη τιμή. Δηλαδή city / x) > 0.9 για πλήθος εικονοστοιχείων περίπου σε σύνολο ενώ forest / x) > 0.9 ισχύει για πλήθος περίπου και barren / x) > 0.9 για πλήθος περίπου. Παρατηρούμε ότι μόνο το 60% περίπου των εικονοστοιχείων της εικόνας μπορεί να ενταχθεί με βεβαιότητα πιθανότητας >0.9 σε μία θεματική τάξη. Από την άλλη πλευρά πρέπει να συντεθεί ένας κανόνας που να υποδηλώνει την αβεβαιότητα στην λήψη απόφασης για την ταξινόμηση ενός εικονοστοιχείου στις τάξεις που έχουν προσδιορισθεί από τις περιοχές εκπαίδευσης. Εάν η αβεβαιότητα προσδιορισθεί ποσοτικά για κάθε εικονοστοιχείο, τότε η χωρική της κατανομή θα υποδηλώνει την καταλληλότητα ή όχι των περιοχών εκπαίδευσης, υποδεικνύοντας την ανάγκη για προσδιορισμό νέων περιοχών εκπαίδευσης (πιθανώς και για τα μικτά εικονοστοιχεία). 5. ΕΚΤΙΜΗΣΗ ΤΗΣ ΑΒΕΒΑΙΟΤΗΤΑΣ Κατά αρχήν θα προσδιορίσουμε το μέτρο της αβεβαιότητας (classification uncertainty) στην ταξινόμηση ενός εικονοστοιχείου x σαν συνάρτηση των πιθανοτήτων J / x). Η αβεβαιότητα στην ταξινόμηση (CU) δίνεται από την σχέση: όπου maximum[j i / x), CU 1- i 1(1)n 1 1- n 0 CU 1, όσο μικρότερο τόσο μεγαλύτερη η βεβαιότητα, n= ο αριθμός των τάξεων και J i / x), i=1(1)n η πιθανότητα ανά τάξη. ] - n i1 J n i / x) Σχήμα 6. Αθροιστικό ιστόγραμμα (στον άξονα y ο αριθμός εικονοστοιχείων και στο άξονα x η CU).
8 186 H ποσότητα CU καθορίζει το βαθμό στον οποία καμία τάξη δεν μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ταυτότητας ενός εικονοστοιχείου (Σχήμα 6). Το αθροιστικό ιστόγραμμα (Σχήμα 6) προσδιορίζει ότι για τουλάχιστον εικονοστοιχεία (80%) από σύνολο η αβεβαιότητα CU είναι ίση με το μηδέν. H χωρική κατανομή της αβεβαιότητας δίνεται στο Σχήμα 7. Παρατηρούμε ότι μεγάλη CU κατανέμεται: 1. κατά μήκος της ακτογραμμής (έπρεπε να προσδιορισθεί τουλάχιστον μία ή και δύο περιοχές εκπαίδευσης για τις θεματικές τάξεις αβαθή ύδατα, παραλία), 2. του οδικού δικτύου Α τάξης (έχει ταξινομηθεί στην τάξη City στο Σχήμα 4), 3. σε παράκτιες περιοχές που ανήκουν στην τάξη city (έπρεπε επιπλέον πολύγωνα για την τάξη City να είχαν ψηφιοποιηθεί), 4. σκιάσεις (cast shadows) και υδροκρίτες, Σχήμα 7. Όσο πιο φωτεινό είναι ένα εικονοστοιχείο τόσο μικρότερη η CU. 5. σε διάσπαρτες συγκεντρώσεις εικονοστοιχείων με πολύ μικρή επιφανειακή εξάπλωση που υποδηλώνουν μικτά εικονοστοιχεία (παράδειγμα: barren μέσα στην τάξη City και barren μέσα στην τάξη Forest, κ.α.). 6. ΣΥΜΠΕΡΑΣΜΑ Μετά τον υπολογισμό της δεσμευμένης πιθανότητας να ανήκει ένα εικονοστοιχείο σε J τάξεις πρέπει να υπολογίζεται πάντα η αβεβαιότητα CU της επιβλεπόμενης ταξινόμησης. Η αξιολόγηση του αθροιστικού ιστογράμματος της CU δείχνει το συνολικό βαθμό επιτυχίας της ταξινόμησης (στο συγκεκριμένο παράδειγμα 80%). Η χωρική κατανομή της CU στην εικόνα υποδεικνύει την ύπαρξη μικτών εικονοστοιχείων και θεματικών τάξεων για τις οποίες δεν δόθηκαν δεδομένα εκπαίδευσης. Η αντιμετώπιση γίνεται με ταξινόμηση εκ νέου αφού θεωρηθούν επιπλέον τάξεις ακόμη και για τα μικτά εικονοστοιχεία (και επιπρόσθετες περιοχές εκπαίδευσης). 7. ΒΙΒΛΙΟΓΡΑΦΙΑ Aplin P., Atkinson P., Sub pixel land cover mapping per field classification. Int. J. of Remote Sensing, 22(14), Ashton E., Schaum A., Algorithms for the detection of sub-pixel targets in Multispectral imagery. PE & RS, vol. 64, No 7, Lillesand T., Kiefer R., Remote Sensing and Image Interpretation. John Wiley & Sons, 721 p. Mather P., Computer Processing of Remotely-Sensed Images. John Wiley & Sons, New York, 352 p.
Πανεπιστήμιο Θεσσαλίας. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Χωροταξίας Πολεοδομίας και Περιφερειακής Ανάπτυξης
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας Πολεοδομίας και Περιφερειακής Ανάπτυξης ΘΕΜΑΤΙΚΗ : ΦΑΣΜΑΤΙΚΕΣ ΥΠΟΓΡΑΦΕΣ - ΤΑΞΙΝΟΜΗΣΕΙΣ Ιωάννης Φαρασλής Τηλ : 24210-74466, Πεδίον Άρεως,
Διαβάστε περισσότεραΤηλεπισκόπηση - Φωτοερμηνεία Ενότητα 11: Είδη Ταξινομήσεων Επιβλεπόμενες Ταξινομήσεις Ακρίβειες.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Τηλεπισκόπηση - Φωτοερμηνεία Ενότητα 11: Είδη Ταξινομήσεων Επιβλεπόμενες Ταξινομήσεις Ακρίβειες. Κωνσταντίνος Περάκης Ιωάννης Φαρασλής Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας και
Διαβάστε περισσότεραΚεφάλαιο 11 Ταξινομήσεις
Κεφάλαιο 11 Ταξινομήσεις Κωνσταντίνος Γ. Περάκης Σύνοψη Στην εισαγωγή του ενδεκάτου κεφαλαίου αναλύεται η έννοια της ταξινόμησης στην Τηλεπισκόπηση και διαχωρίζονται οι ταξινομήσεις σε δύο μεγάλες κατηγορίες
Διαβάστε περισσότεραΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ (Y2204) Βασιλάκης Εµµανουήλ Λέκτορας Τηλεανίχνευσης
ΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ (Y2204) Βασιλάκης Εµµανουήλ Λέκτορας Τηλεανίχνευσης Διακριτική ικανότητα δεδοµένων τηλεπισκόπησης Χωρική (Spatial resolution) πόσα µέτρα? Χρονική (Temporal resolution) πόσος χρόνος?
Διαβάστε περισσότεραΤηλεπισκόπηση Η ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ. Επιβλεπόμενη ταξινόμηση
Η ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ Η ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ Η ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ Μέθοδος της ελάχιστης απόστασης από το μέσο όρο Στο πρώτο στάδιο υπολογίζεται ο μέσος όρος των ραδιομετρικών τιμών σε κάθε δίαυλο και για
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ 6 ο : Ταξινομήσεις εικόνων μη επιβλεπόμενη ταξινόμηση
ΕΡΓΑΣΤΗΡΙΟ 6 ο : Ταξινομήσεις εικόνων μη επιβλεπόμενη ταξινόμηση Μια από τις σημαντικότερες τεχνικές αυτοματοποιημένης ερμηνείας εικόνων, είναι η ταξινόμηση. Με τον όρο ταξινόμηση εννοείται η διαδικασία
Διαβάστε περισσότεραΤαξινόμηση. Τηλεπισκόπηση Η ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση 24/6/2013. Ταξινομητέ ς. Επιβλεπόμενοι Μη επιβλεπόμενοι
Ταξινόμηση Ταξινομητέ ς Επιβλεπόμενη Μη-επιβλεπόμενη Επιβλεπόμενοι Μη επιβλεπόμενοι Στο πρώτο στάδιο υπολογίζεται ο μέσος όρος των ραδιομετρικών τιμών σε κάθε δίαυλο και για κάθε βιοφυσική κατηγορία. 1
Διαβάστε περισσότεραΔιερεύνηση χαρτογράφησης Ποσειδωνίας με χρήση επιβλεπόμενης ταξινόμησης οπτικών δορυφορικών εικόνων
Σχολή Μηχανικής και Τεχνολογίας Μεταπτυχιακή διατριβή Διερεύνηση χαρτογράφησης Ποσειδωνίας με χρήση επιβλεπόμενης ταξινόμησης οπτικών δορυφορικών εικόνων Αναστασία Υφαντίδου Λεμεσός, Νοέμβριος 2017 ΤΕΧΝΟΛΟΓΙΚΟ
Διαβάστε περισσότεραΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΛΙΜΝΟΘΑΛΑΣΣΑΣ ΜΕΣΟΛΟΓΓΙΟΥ
ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΛΙΜΝΟΘΑΛΑΣΣΑΣ ΜΕΣΟΛΟΓΓΙΟΥ G.X.M. Αθανασόπουλος Νικόλαος Τηλ. 2610 520336 Email: nikos.ath.88@hotmail.com Δ/νση: Κύπρου, Παραλία Τομέας Εφ. Γεωλογίας & Γεωφυσικής 2 ΠΕΡΙΛΗΨΗ
Διαβάστε περισσότεραΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΟΥ ΑΚΡΩΤΗΡΙΟΥ ΜΕΘΩΝΗΣ-ΚΟΡΩΝΗΣ. (Ν.. Πελοπόννησος)
ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΟΥ ΑΚΡΩΤΗΡΙΟΥ ΜΕΘΩΝΗΣ-ΚΟΡΩΝΗΣ (Ν.. Πελοπόννησος) ΗΛΙΑΝΑ ΣΚΑΝ ΑΛΗ ΤΟΥ ΕΥΑΓΓΕΛΟΥ Α.Μ. 05072 Τομέας Εφ. Γεωλογίας & Γεωφυσικής 2 ΠΕΡΙΛΗΨΗ Οι δορυφορικές εικόνες ASTER αποτελούν
Διαβάστε περισσότεραΚεφάλαιο 6 Ιστογράμματα δορυφορικών εικόνων
Κεφάλαιο 6 Ιστογράμματα δορυφορικών εικόνων Κωνσταντίνος Γ. Περάκης Σύνοψη Μία γενική επισκόπηση με εστίαση στη χρήση των ιστογραμμάτων στην Τηλεπισκόπηση και περιγραφές ειδικών εικόνων με τα χαρακτηριστικά
Διαβάστε περισσότεραΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ Β. ΚΕΦΑΛΟΝΙΑΣ. Χαρτογράφηση και ταξινόμηση καλύψεων γης στην Β. Κεφαλονιά. Από δορυφορικές εικόνες ASTER
ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ Β. ΚΕΦΑΛΟΝΙΑΣ Χαρτογράφηση και ταξινόμηση καλύψεων γης στην Β. Κεφαλονιά Από δορυφορικές εικόνες ASTER Διαμαντοπούλου Χριστίνα Πανεπιστήμιο Πατρών Τμήμα Γεωλογίας Επιβλέπων
Διαβάστε περισσότεραΤηλεανίχνευση - Φωτογεωλογία και Μαθηματική Γεωγραφία Ενότητα 1: Τηλεανίχνευση - Ψηφιακή Ανάλυση Εικόνας
Τηλεανίχνευση - Φωτογεωλογία και Μαθηματική Γεωγραφία Ενότητα 1: Τηλεανίχνευση - Ψηφιακή Ανάλυση Εικόνας Γιώργος Σκιάνης Σχολή Θετικών Επιστημών Τμήμα Γεωλογίας και Γεωπεριβάλλοντος Περιεχόμενα ενότητας
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Σημειακή επεξεργασία και μετασχηματισμοί Κατηγορίες μετασχηματισμού εικόνων Σημειακοί μετασχηματισμοί
Διαβάστε περισσότεραΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΘΑΛΑΣΣΙΑΣ ΖΩΝΗΣ ΜΕΤΑΞΥ ΛΕΥΚΑ ΑΣ ΚΑΙ ΑΙΤΟΛΟΚΑΡΝΑΝΙΑΣ ΑΠΟ ΟΡΥΦΟΡΙΚΕΣ ΕΙΚΟΝΕΣ ASTER
ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΘΑΛΑΣΣΙΑΣ ΖΩΝΗΣ ΜΕΤΑΞΥ ΛΕΥΚΑ ΑΣ ΚΑΙ ΑΙΤΟΛΟΚΑΡΝΑΝΙΑΣ ΑΠΟ ΟΡΥΦΟΡΙΚΕΣ ΕΙΚΟΝΕΣ ASTER Παναγιώτης Θεοδωρακόπουλος Τηλ. 6945.783.777 Email: g.rowley21@hotmail.com /νση:. Αιγίου 10, Πάτρα Τομέας
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ 6ο: Ταξινομήσεις εικόνων μη επιβλεπόμενη ταξινόμηση
ΕΡΓΑΣΤΗΡΙΟ 6ο: Ταξινομήσεις εικόνων μη επιβλεπόμενη ταξινόμηση Μια από τις σημαντικότερες τεχνικές αυτοματοποιημένης ερμηνείας εικόνων, είναι η ταξινόμηση. Με τον όρο ταξινόμηση εννοείται η διαδικασία
Διαβάστε περισσότεραΠανεπιστήμιο Θεσσαλίας. Πολυτεχνική Σχολή ΘΕΜΑΤΙΚΗ : ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας Πολεοδομίας και Περιφερειακής Ανάπτυξης ΘΕΜΑΤΙΚΗ : ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ιωάννης Φαρασλής Τηλ : 24210-74466, Πεδίον Άρεως, Βόλος
Διαβάστε περισσότερα1 x-μ - 2 σ. e σ 2π. f(x) =
Κανονική κατανομή Η πιο σημαντική κατανομή πιθανοτήτων της στατιστικής είναι η κανονική κατανομή. Η κανονική κατανομή είναι συνεχής κατανομή, σε αντίθεση με την διωνυμική που είναι διακριτή κατανομή. Τα
Διαβάστε περισσότεραΟΜΑΔΟΠΟΙΗΣΗ ΑΡΙΘΜΗΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ ΟΜΑΔΟΠΟΙΗΣΗ ΑΡΙΘΜΗΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΒΥΡΩΝΑΣ ΝΑΚΟΣ ΑΘΗΝΑ 2006 ΠΕΡΙΕΧΟΜΕΝΑ Περιεχόμενα 1. Εισαγωγή 1 2. Μέθοδοι σταθερών
Διαβάστε περισσότεραΨηφιακές Τηλεπικοινωνίες. Βέλτιστος Δέκτης
Ψηφιακές Τηλεπικοινωνίες Βέλτιστος Δέκτης Σύνδεση με τα Προηγούμενα Επειδή το πραγματικό κανάλι είναι αναλογικό, κατά τη διαβίβαση ψηφιακής πληροφορίας, αντιστοιχίζουμε τα σύμβολα σε αναλογικές κυματομορφές
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ 7 ο : Ταξινομήσεις εικόνων Επιβλεπόμενη ταξινόμηση
ΕΡΓΑΣΤΗΡΙΟ 7 ο : Ταξινομήσεις εικόνων Επιβλεπόμενη ταξινόμηση Για να θυμηθούμε!! Με τον όρο ταξινόμηση εννοείται η διαδικασία καταχώρισης κάθε εικονοστοιχείου (pixel) της εικόνας σε κάποιο βιοφυσικό στοιχείο
Διαβάστε περισσότεραΣτατιστική Ι-Θεωρητικές Κατανομές ΙΙ
Στατιστική Ι-Θεωρητικές Κατανομές ΙΙ Γεώργιος Κ. Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης 12 Δεκεμβρίου 2012 Περιγραφή 1 Θεωρητικές Κατανομές ΙΙ Περιγραφή 1 Θεωρητικές
Διαβάστε περισσότεραΠέτρος Πατιάς Καθηγητής, ΤΑΤΜ, ΑΠΘ. Απόστολος Αρβανίτης Καθηγητής, ΤΑΤΜ, ΑΠΘ. Ευαγγελία Μπαλλά ΑΤΜ, MScΧωροταξίας-Πολεοδομίας ΘΕΣΣΑΛΟΝΙΚΗ 2007
ΠΙΛΟΤΙΚΗ ΜΕΛΕΤΗ ΜΕΤΑΒΟΛΩΝ ΧΡΗΣΕΩΝ ΚΑΙ ΑΞΙΩΝ ΓΗΣ ΣΕ ΕΠΙΛΕΓΜΕΝΕΣ ΑΣΤΙΚΕΣ ΠΕΡΙΟΧΕΣ ΤΗΣ ΑΜΕΣΗΣ ΖΩΝΗΣ ΕΠΙΡΡΟΗΣ ΤΗΣ ΕΓΝΑΤΙΑΣ ΟΔΟΥ Πέτρος Πατιάς Καθηγητής, ΤΑΤΜ, ΑΠΘ Απόστολος Αρβανίτης Καθηγητής, ΤΑΤΜ, ΑΠΘ Ευαγγελία
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΓΕΩΛΟΓΙΑΣ. Τομέας Εφ. Γεωλογίας & Γεωφυσικής ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΓΕΩΛΟΓΙΑΣ Τομέας Εφ. Γεωλογίας & Γεωφυσικής ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Χαρτογράφηση του Μεγανησίου από εικόνες ASTER ΚΟΝΤΟΓΕΩΡΓΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ Τηλέφωνο: 6978380973
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 5 Κατανομές πιθανότητας και εκτίμηση παραμέτρων Κατανομές πιθανότητας και εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές Διαχωριστικές συναρτήσεις Ταξινόμηση κανονικών
Διαβάστε περισσότεραΔειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:
Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον
Διαβάστε περισσότεραΜΕ ΣΚΟΠΟ ΤΙΣ ΕΝΑΛΛΑΚΤΙΚΕΣ ΚΑΛΛΙΕΡΓΕΙΕΣ ΕΝΕΡΓΕΙΑΚΩΝ ΣΕ 33 ΔΗΜΟΤΙΚΑ ΔΙΑΜΕΡΙΣΜΑΤΑ ΤΟΥ ΝΟΜΟΥ ΑΙΤΩΛΟΑΚΑΡΝΑΝΙΑΣ
ΧΩΡΙΚΟΣ ΕΝΤΟΠΙΣΜΟΣ ΚΑΠΝΟΠΑΡΑΓΩΓΙΚΩΝ ΖΩΝΩΝ ΜΕ ΣΚΟΠΟ ΤΙΣ ΕΝΑΛΛΑΚΤΙΚΕΣ ΚΑΛΛΙΕΡΓΕΙΕΣ ΕΝΕΡΓΕΙΑΚΩΝ ΣΕ 33 ΔΗΜΟΤΙΚΑ ΔΙΑΜΕΡΙΣΜΑΤΑ ΤΟΥ ΝΟΜΟΥ ΑΙΤΩΛΟΑΚΑΡΝΑΝΙΑΣ Γενική περιγραφή του έργου Οι βασικοί στόχοι του έργου
Διαβάστε περισσότεραΤηλεανίχνευση - Φωτογεωλογία και Μαθηματική Γεωγραφία Ενότητα 1: Τηλεανίχνευση - Ψηφιακή Ανάλυση Εικόνας
Τηλεανίχνευση - Φωτογεωλογία και Μαθηματική Γεωγραφία Ενότητα 1: Τηλεανίχνευση - Ψηφιακή Ανάλυση Εικόνας Γιώργος Σκιάνης Σχολή Θετικών Επιστημών Τμήμα Γεωλογίας και Γεωπεριβάλλοντος Περιεχόμενα ενότητας
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Version 2 1 ΔΕΔΟΜΕΝΑ Δεδομένα μπορούν να αποκτηθούν στα πλαίσια διαφόρων εφαρμογών, χρησιμοποιώντας, όπου είναι απαραίτητο, κατάλληλο εξοπλισμό. Μερικά παραδείγματα
Διαβάστε περισσότερα6. Γεωγραφικά Συστήματα Πληροφοριών (ΓΣΠ) & Τηλεπισκόπηση (Θ) Εξάμηνο: Κωδικός μαθήματος:
ΕΞΑΜΗΝΟ Δ 6. Γεωγραφικά Συστήματα Πληροφοριών (ΓΣΠ) & Τηλεπισκόπηση (Θ) Εξάμηνο: Δ Κωδικός μαθήματος: ΖΤΠΟ-4016 Επίπεδο μαθήματος: Υποχρεωτικό Ώρες ανά εβδομάδα Θεωρία Εργαστήριο Συνολικός αριθμός ωρών:
Διαβάστε περισσότεραΡαδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας Πολεοδομίας και Περιφερειακής Ανάπτυξης Ραδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων Ιωάννης Φαρασλής Τηλ : 24210-74466,
Διαβάστε περισσότερα9. Ανάλυση κυρίων συνιστωσών *Principal Component Analysis)
1 9. Ανάλυση κυρίων συνιστωσών *Principal Component Analysis) Προαπαιτούμενα: MULTISPEC και η πολυφασματική εικόνα του φακέλου \Multispec_tutorial_Files\Images and Files \ salamina_multispectral.tiff Σκοπός:
Διαβάστε περισσότεραΤαξινόμηση πολυφασματικών εικόνων
Ταξινόμηση πολυφασματικών εικόνων Παραλληλεπίπεδη ταξινόμηση του Καΐρου και άγονη γη. Για να ερμηνεύσετε τα χαρακτηριστικά μιας δορυφορικής εικόνας, πολύ χρήσιμη θα σας φανεί μια οπτική ταξινόμηση. Η ταξινομημένη
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Intensity Transformations Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Image Enhancement: είναι
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 6 Κατανομές πιθανότητας και εκτίμηση παραμέτρων Κατανομές πιθανότητας και εκτίμηση παραμέτρων κανονικές τυχαίες μεταβλητές Εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 5 Κατανομές πιθανότητας και εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές Bayesian decision Minimum misclassificaxon rate decision: διαλέγουμε την κατηγορία Ck για
Διαβάστε περισσότεραΙωάννης Γήτας 1,2 Μαρία Τομπουλίδου 1 Δημήτρης Σταυρακούδης 1
Ιωάννης Γήτας 1,2 Μαρία Τομπουλίδου 1 Δημήτρης Σταυρακούδης 1 1 Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης 2 Διαβαλκανικό Κέντρο Περιβάλλοντος Ομάδες εργασιών Φορείς Υλοποίησης Ιωάννης Γήτας Αλέξανδρος Δημητρακόπουλος
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΠΛΗΘΥΣΜΟΙ ΔΕΙΓΜΑΤΑ ΠΑΡΟΥΣΙΑΣΗ ΔΕΔΟΜΕΝΩΝ Περιγραφική Στατιστική Με τις στατιστικές μεθόδους επιδιώκεται: - η συνοπτική αλλά πλήρης και κατατοπιστική παρουσίαση των ευρημάτων μιας
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 8. Συνεχείς Κατανομές Πιθανοτήτων Η Κανονική Κατανομή
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ
Διαβάστε περισσότεραΤηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση 24/6/2013. Τηλεπισκόπηση. Κ. Ποϊραζίδης ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ
ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ Κ. Ποϊραζίδης Η ταξινόμηση εικόνας αναφέρεται στην ερμηνεία με χρήση υπολογιστή των τηλεπισκοπικών εικόνων. Παρόλο που ορισμένες διαδικασίες έχουν τη δυνατότητα να συμπεριλάβουν πληροφορίες
Διαβάστε περισσότεραΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΛΕΥΚΑ ΑΣ ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΓΙΑΝΝΑΚΟΠΟΥΛΟΥ ΠΑΝΑΓΙΩΤΑ ΑΜ: Τομέας Εφ. Γεωλογίας & Γεωφυσικής
ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΛΕΥΚΑ ΑΣ ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΓΙΑΝΝΑΚΟΠΟΥΛΟΥ ΠΑΝΑΓΙΩΤΑ ΑΜ: 05014 Τομέας Εφ. Γεωλογίας & Γεωφυσικής 2 ΠΕΡΙΛΗΨΗ Οι δορυφορικές εικόνες ASTER αποτελούν το πιο πρόσφατο προϊόν
Διαβάστε περισσότεραΕφαρµογή Τηλεπισκόπησης στην καταγραφή της κατανάλωσης του αρδευτικού νερού στον Κάµπο του Ν. Χανίων Ανθούλα Γκιούρου Μηχανικός Ορυκτών Πόρων GEOMET Ltd. Φανερωµένης 4, 152 31 Χολαργός 210 6748540/547,
Διαβάστε περισσότεραΣτατιστική. Εκτιμητική
Στατιστική Εκτιμητική Χατζόπουλος Σταύρος 28/2/2018 και 01 /03/2018 Εισαγωγή Το αντικείμενο της Στατιστικής είναι η εξαγωγή συμπερασμάτων που αφορούν τον πληθυσμό ή το φαινόμενο που μελετάμε, με τη βοήθεια
Διαβάστε περισσότεραΔιαστήματα εμπιστοσύνης. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς
Διαστήματα εμπιστοσύνης Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Διαστήματα εμπιστοσύνης Το διάστημα εμπιστοσύνης είναι ένα διάστημα αριθμών
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Τυχαίες μεταβλητές: Βασικές έννοιες Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (σε αντίθεση με τις
Διαβάστε περισσότεραΒλάστηση. Κ. Ποϊραζίδης
Βλάστηση Κ. Ποϊραζίδης Βλάστηση Η βλάστηση είναι συχνά η πρώτη επιφάνεια με την οποία αλληλεπιδρά η ακτινοβολία από τους δορυφορικούς ανιχνευτές. Τι μπορούμε να καταγράψουμε; Χαρτογράφηση των δασικών τύπων
Διαβάστε περισσότεραΤηλεπισκόπηση. Κ. Ποϊραζίδης ΨΗΦΙΑΚΗ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ 18/6/2016
ΨΗΦΙΑΚΗ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Κ. Ποϊραζίδης Ψηφιακή Ανάλυση Εικόνας Η ψηφιακή ανάλυση εικόνας ασχολείται κυρίως με τέσσερις βασικές λειτουργίες: διόρθωση, βελτίωση, ταξινόμηση Με τον όρο ταξινόμηση εννοείται
Διαβάστε περισσότεραΤηλεπισκόπηση - Φωτοερμηνεία
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Τηλεπισκόπηση - Φωτοερμηνεία Ενότητα 10: Ραδιομετρική Ενίσχυση Χωρική Επεξεργασία Δορυφορικών Εικόνων. Κωνσταντίνος Περάκης Ιωάννης Φαρασλής Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
Σ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Τι κάνει η Στατιστική Στατιστική (Statistics) Μετατρέπει αριθμητικά δεδομένα σε χρήσιμη πληροφορία. Εξάγει συμπεράσματα για έναν πληθυσμό. Τις περισσότερες
Διαβάστε περισσότεραΑπόδοση θεματικών δεδομένων
Απόδοση θεματικών δεδομένων Ποιοτικές διαφοροποιήσεις Σημειακά Γραμμικά Επιφανειακά Ποσοτικές διαφοροποιήσεις Ειδικές θεματικές απεικονίσεις Δασυμετρική Ισαριθμική Πλάγιες όψεις Χαρτόγραμμα Χάρτης κουκίδων
Διαβάστε περισσότεραΘεωρία Λήψης Αποφάσεων
Θεωρία Λήψης Αποφάσεων Ενότητα 2: Θεωρία Απόφασης του Bayes Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων & Τροφίμων (Δ.Ε.Α.Π.Τ.) Θεωρία
Διαβάστε περισσότεραΠΑΡΟΥΣΙΑΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ
ο Κεφάλαιο: Στατιστική ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΚΑΙ ΟΡΙΣΜΟΙ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ Πληθυσμός: Λέγεται ένα σύνολο στοιχείων που θέλουμε να εξετάσουμε με ένα ή περισσότερα χαρακτηριστικά. Μεταβλητές X: Ονομάζονται
Διαβάστε περισσότεραΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ
ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ ΑΣΚΗΣΗ Σύμφωνα με στοιχεία από το Πανεπιστήμιο της Οξφόρδης η πιθανότητα ένας φοιτητής να αποφοιτήσει μέσα σε 5 χρόνια από την ημέρα εγγραφής του στο
Διαβάστε περισσότεραΑΝΑΠΤΥΞΗ ΒΑΣΗΣ ΓΝΩΣΗΣ ΣΤΟ ΠΕΡΙΒΑΛΛΟΝ ΤΟΥ EXPERT CLASSIFIER ΓΙΑ ΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΚΑΛΥΨΗΣ/ΧΡΗΣΗΣ ΓΗΣ (ΕΠΙΠΕ Ο Ι) ΑΠΟ Ε ΟΜΕΝΑ IKONOS 1
ΑΝΑΠΤΥΞΗ ΒΑΣΗΣ ΓΝΩΣΗΣ ΣΤΟ ΠΕΡΙΒΑΛΛΟΝ ΤΟΥ EXPERT CLASSIFIER ΓΙΑ ΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΚΑΛΥΨΗΣ/ΧΡΗΣΗΣ ΓΗΣ (ΕΠΙΠΕ Ο Ι) ΑΠΟ Ε ΟΜΕΝΑ IKONOS 1 ΑΡΓΙΑΛΑΣ ΗΜΗΤΡΗΣ 2*, ΓΚΟΥΝΤΟΥΛΑ ΒΑΣΙΛΙΚΗ 2 ΠΕΡΙΛΗΨΗ Στην παρούσα εργασία
Διαβάστε περισσότεραΤεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αβεβαιότητα Με τον όρο αβεβαιότητα (uncertainty) εννοείται η έλλειψη ακριβούς
Διαβάστε περισσότεραΔειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:
Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον
Διαβάστε περισσότεραΓΙΑ ΚΑΛΛΙΕΡΓΕΙΑ ΕΝΕΡΓΕΙΑΚΩΝ ΦΥΤΩΝ ΜΕ ΧΡΗΣΗ ΔΕΔΟΜΕΝΩΝ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΣΕ 11 ΔΗΜΟΤΙΚΑ ΔΙΑΜΕΡΙΣΜΑΤΑ ΤΟΥ ΝΟΜΟΥ ΚΑΡΔΙΤΣΑΣ
ΧΩΡΙΚΟΣ ΕΝΤΟΠΙΣΜΟΣ ΚΑΠΝΟΠΑΡΑΓΩΓΙΚΩΝ ΖΩΝΩΝ ΓΙΑ ΚΑΛΛΙΕΡΓΕΙΑ ΕΝΕΡΓΕΙΑΚΩΝ ΦΥΤΩΝ ΜΕ ΧΡΗΣΗ ΔΕΔΟΜΕΝΩΝ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΣΕ 11 ΔΗΜΟΤΙΚΑ ΔΙΑΜΕΡΙΣΜΑΤΑ ΤΟΥ ΝΟΜΟΥ ΚΑΡΔΙΤΣΑΣ Γενική περιγραφή του έργου Οι βασικοί στόχοι
Διαβάστε περισσότεραΟΙΚΟΛΟΓΙΑ ΤΟΠΙΟΥ. Χειμερινό εξάμηνο
ΟΙΚΟΛΟΓΙΑ ΤΟΠΙΟΥ Χειμερινό εξάμηνο 2009 2010 Κ. Ποϊραζίδης Ανάλυση ψηφίδων ΕΙΣΗΓΗΣΗ 4 Οικολογία Τοπίου 22 Νοεμβρίου 2009 Ανάλυση ψηφίδων Το μέγεθος τους (Patch size / perimeter / edges ) Έκταση Περίμετρος
Διαβάστε περισσότεραΜΑΘΑΙΝΟΝΤΑΣ ΤΑ GIS ΣΤΗ ΠΡΑΞΗ ΤΟ ARCGIS 9.3. Α. Τσουχλαράκη, Γ. Αχιλλέως ΚΕΦΑΛΑΙΟ 2 Η ΧΑΡΤΟΓΡΑΦΙΚΗ ΑΠΕΙΚΟΝΙΣΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΧΡΗΣΗ ΣΥΜΒΟΛΩΝ
ΜΑΘΑΙΝΟΝΤΑΣ ΤΑ GIS ΣΤΗ ΠΡΑΞΗ ΤΟ ARCGIS 9.3. Α. Τσουχλαράκη, Γ. Αχιλλέως ΚΕΦΑΛΑΙΟ 2 Η ΧΑΡΤΟΓΡΑΦΙΚΗ ΑΠΕΙΚΟΝΙΣΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΧΡΗΣΗ ΣΥΜΒΟΛΩΝ ΣΤΟΧΟΣ ΤΟΥ ΚΕΦΑΛΑΙΟΥ Εισαγωγή στις βασικές αρχές της απεικόνισης
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων. Διάλεξη 2
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Θεωρία πιθανοτήτων Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (αντίθετα με τις ντετερμινιστικές μεταβλητές)
Διαβάστε περισσότεραΟΜΑΔΟΠΟΙΗΣΗ ΠΑΡΑΤΗΡΗΣΕΩΝ
ΠΑΡΑΤΗΡΗΣΕΩΝ Όταν το πλήθος των παρατηρήσεων είναι μεγάλο, είναι απαραίτητο οι παρατηρήσεις να ταξινομηθούν σε μικρό πλήθος ομάδων που ονομάζονται κλάσεις (class intervals). Η ομαδοποίηση αυτή γίνεται
Διαβάστε περισσότεραΠΡΟΣΔΙΟΡΙΣΜΟΣ ΚΑΙ ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΕΡΣΑΙΩΝ ΤΥΠΩΝ ΟΙΚΟΤΟΠΩΝ. Δρ. Frederic Bendali Phytoecologue ECO-CONSULTANTS S.A.
ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΚΑΙ ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΕΡΣΑΙΩΝ ΤΥΠΩΝ ΟΙΚΟΤΟΠΩΝ Δρ. Frederic Bendali Phytoecologue ECO-CONSULTANTS S.A. ΕΙΣΑΓΩΓH (1) Ο προσδιορισμός των τύπων οικοτόπων σύμφωνα με την οδηγία 92/43/ΕΟΚ βασίζεται
Διαβάστε περισσότεραΑΣΥΜΜΕΤΡΙΑ Ας υποθέσουμε, ότι κατά την μελέτη της κατανομής δύο μεταβλητών, καταλήγουμε στα παρακάτω ιστογράμματα.
ΑΣΥΜΜΕΤΡΙΑ Ας υποθέσουμε, ότι κατά την μελέτη της κατανομής δύο μεταβλητών, καταλήγουμε στα παρακάτω ιστογράμματα. Στα παραπάνω ιστογράμματα, παρατηρούμε, ότι αν και υπάρχει διαφορά στη διασπορά των τιμών
Διαβάστε περισσότεραΕπιλογή και χαρτογράφηση πειραματικών περιοχών
ΕΡΓΟ ΑΠΘ: ΘΑΛΗΣ 85492 Χαρτογράφηση βλάστησης και εκτίμηση βιομάζας με σύγχρονες μεθόδους Τηλεπισκόπησης στo πλαίσιο της σύμβασης των Ηνωμένων Εθνών για την κλιματική αλλαγή και του Πρωτοκόλλου του Κιότο
Διαβάστε περισσότερα3. Ψηφιακή ανάλυση εικόνας
3. Ψηφιακή ανάλυση εικόνας Ο χρήστης (αναλυτής) που έρχεται σε επαφή με την ψηφιακή επεξεργασία πρέπει να συμμετέχει σε πολλές διαφορετικές διεργασίες, που η κάθε μία είναι ξεχωριστή από τις υπόλοιπες
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ 7 ο : Ταξινομήσεις εικόνων Eπιβλεπόμενη ταξινόμηση
ΕΡΓΑΣΤΗΡΙΟ 7 ο : Ταξινομήσεις εικόνων Eπιβλεπόμενη ταξινόμηση Όλες οι τεχνικές επιβλεπόμενης ταξινόμησης απαιτούν από το χρήστη να ορίσει περιοχές εκπαίδευσης και φασματικά ίχνη, από επιφάνειες που αντιστοιχούν
Διαβάστε περισσότεραECTS ΕΥΡΩΠΑΪΚΟ ΣΥΣΤΗΜΑ ΜΕΤΑΦΟΡΑΣ ΑΚΑΔΗΜΑΪΚΩΝ ΜΟΝΑΔΩΝ ΣΤΗΝ ΕΥΡΩΠΑΪΚΗ ΕΝΩΣΗ. (Α) Λίστα με τα στοιχεία των μαθημάτων στα ελληνικά
ECTS ΕΥΡΩΠΑΪΚΟ ΣΥΣΤΗΜΑ ΜΕΤΑΦΟΡΑΣ ΑΚΑΔΗΜΑΪΚΩΝ ΜΟΝΑΔΩΝ ΣΤΗΝ ΕΥΡΩΠΑΪΚΗ ΕΝΩΣΗ (Α) Λίστα με τα στοιχεία των μαθημάτων στα ελληνικά Γενικές πληροφορίες μαθήματος: Τίτλος μαθήματος: Ειδικές Χωρικές Κωδικός CE08-xx
Διαβάστε περισσότερα3. Κατανομές πιθανότητας
3. Κατανομές πιθανότητας Τυχαία Μεταβλητή Τυχαία μεταβλητή (τ.μ.) (X) είναι μια συνάρτηση που σε κάθε σημείο (ω) ενός δειγματικού χώρου (Ω) αντιστοιχεί έναν πραγματικό αριθμό. Ω ω X (ω ) R Διακριτή τ.μ.
Διαβάστε περισσότεραΜεθοδολογία των Επιστημών του Ανθρώπου: Στατιστική
Μεθοδολογία των Επιστημών του Ανθρώπου: Στατιστική Ενότητα 2: Βασίλης Γιαλαμάς Σχολή Επιστημών της Αγωγής Τμήμα Εκπαίδευσης και Αγωγής στην Προσχολική Ηλικία Περιεχόμενα ενότητας Παρουσιάζονται οι βασικές
Διαβάστε περισσότεραΚεφάλαιο 8 Φίλτρα. 8.1 Γενικά. Κωνσταντίνος Γ. Περάκης
Κεφάλαιο 8 Φίλτρα Κωνσταντίνος Γ. Περάκης Σύνοψη Στην αρχή του κεφαλαίου εκτίθενται αναλυτικά η δομή των φίλτρων, ο τρόπος προσπέλασης της ψηφιακής εικόνας από τα φίλτρα, και η μαθηματική πράξη της συνέλιξης
Διαβάστε περισσότεραΕ Π Ι Χ Ε Ι Ρ Η Σ Ι Α Κ Η Ε Ρ Ε Υ Ν Α
ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΣΕΠΤΕΜΒΡΙΟΣ 2011 ΤΟΜΕΑΣ ΣΤΑΤΙΣΤΙΚΗΣ, ΠΙΘΑΝΟΤΗΤΩΝ & ΕΠΙΧΕΙΡΗΣΙΑΚΗΣ ΕΡΕΥΝΑΣ Ε Π Ι Χ Ε Ι Ρ Η Σ Ι Α Κ Η Ε Ρ Ε Υ Ν Α ΘΕΜΑ 1 ο Σε ένα διαγωνισμό για την κατασκευή μίας καινούργιας γραμμής του
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΔιαστήματα εμπιστοσύνης, εκτίμηση ακρίβειας μέσης τιμής
Ενότητα 2 Διαστήματα εμπιστοσύνης, εκτίμηση ακρίβειας μέσης τιμής Ένας από τους βασικούς σκοπούς της Στατιστικής είναι η εκτίμηση των χαρακτηριστικών ενός πληθυσμού βάσει της πληροφορίας από ένα δείγμα.
Διαβάστε περισσότεραΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές
ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές ΠΜΣ στη «Ναυτιλία» Τμήμα Β art time Χαράλαμπος Ευαγγελάρας hevangel@unipi.gr Η έννοια της Πιθανότητας Ο όρος πιθανότητα είναι συνδέεται άμεσα με τη μελέτη
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 08-09 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Διαβάστε περισσότεραΜΑΘΑΙΝΟΝΤΑΣ ΤΑ GIS ΣΤΗ ΠΡΑΞΗ ΤΟ ARCGIS 9.3. Α. Τσουχλαράκη, Γ. Αχιλλέως ΚΕΦΑΛΑΙΟ 6 ΧΑΡΤΟΓΡΑΦΩΝΤΑΣ ΔΕΔΟΜΕΝΑ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ
ΜΑΘΑΙΝΟΝΤΑΣ ΤΑ GIS ΣΤΗ ΠΡΑΞΗ ΤΟ ARCGIS 9.3. Α. Τσουχλαράκη, Γ. Αχιλλέως ΚΕΦΑΛΑΙΟ 6 ΧΑΡΤΟΓΡΑΦΩΝΤΑΣ ΔΕΔΟΜΕΝΑ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΤΟΧΟΣ ΤΟΥ ΚΕΦΑΛΑΙΟΥ να γνωρίσει με λεπτομέρεια την διαδικασία δημιουργίας ενός
Διαβάστε περισσότεραΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΣΤΟ ΝΟΜΟ ΛΕΣΒΟΥ ΑΠΟ ΔΟΡΥΦΟΡΙΚΕΣ ΕΙΚΟΝΕΣ ASTER
ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΣΤΟ ΝΟΜΟ ΛΕΣΒΟΥ ΑΠΟ ΔΟΡΥΦΟΡΙΚΕΣ ΕΙΚΟΝΕΣ ASTER Παντελή Παντελής Τηλ. 6932528950 Email: pantelis.p@hotmail.com Τομέας Εφ. Γεωλογίας & Γεωφυσικής 2 ΠΕΡΙΛΗΨΗ Οι δορυφορικές εικόνες
Διαβάστε περισσότεραΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής Υποθέσεις του Απλού γραμμικού υποδείγματος της Παλινδρόμησης Η μεταβλητή ε t (διαταρακτικός όρος) είναι τυχαία μεταβλητή με μέσο όρο
Διαβάστε περισσότεραΣυστήµατα Πολυµέσων Ενδιάµεση Εξέταση: Οκτώβριος 2004
Ενδιάµεση Εξέταση: Οκτώβριος 4 ΜΕΡΟΣ Β: ΑΣΚΗΣΕΙΣ Άσκηση (25 µονάδες): Μια εικόνα αποχρώσεων του γκρι και διαστάσεων 25 x pixel έχει κωδικοποιηθεί κατά PCM µε βάθος χρώµατος 3 bits /pixel. Οι τιµές φωτεινότητας
Διαβάστε περισσότεραΗ Κανονική Κατανομή κανονική κατανομή (normal distribution) Κεντρικό Οριακό Θεώρημα (Central Limit Theorem) συνδέει οποιαδήποτε άλλη κατανομή
Η Κανονική Κατανομή H κανονική κατανομή (ormal dstrbuto) θεωρείται η σπουδαιότερη κατανομή της Θεωρίας Πιθανοτήτων και της Στατιστικής. Οι λόγοι που εξηγούν την εξέχουσα θέση της, είναι βασικά δύο: ) Πολλές
Διαβάστε περισσότεραDIP_04 Σημειακή επεξεργασία. ΤΕΙ Κρήτης
DIP_04 Σημειακή επεξεργασία ΤΕΙ Κρήτης ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Σκοπός μιας τέτοιας τεχνικής μπορεί να είναι: η βελτιστοποίηση της οπτικής εμφάνισης μιας εικόνας όπως την αντιλαμβάνεται ο άνθρωπος, η τροποποίηση
Διαβάστε περισσότεραΠανεπιστήµιο Κύπρου Πολυτεχνική Σχολή
Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδηµαϊκό έτος 2010-11 Χειµερινό Εξάµηνο Τελική εξέταση Τρίτη, 21 εκεµβρίου 2010,
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 20 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 20 2.1.1 Αβεβαιότητα
Διαβάστε περισσότεραΛήψη αποφάσεων κατά Bayes
Λήψη αποφάσεων κατά Bayes Σημειώσεις μαθήματος Thomas Bayes (1701 1761) Στυλιανός Χατζηδάκης ECE 662 Άνοιξη 2014 1. Εισαγωγή Οι σημειώσεις αυτές βασίζονται στο μάθημα ECE662 του Πανεπιστημίου Purdue και
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ
Ψηφιακή Επεξεργασία Εικόνας ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΔΠΜΣ ΗΕΠ 1/46 Περιλαμβάνει: Βελτίωση (Enhancement) Ανακατασκευή (Restoration) Κωδικοποίηση (Coding) Ανάλυση, Κατανόηση Τμηματοποίηση (Segmentation)
Διαβάστε περισσότεραστατιστική θεωρεία της δειγµατοληψίας
στατιστική θεωρεία της δειγµατοληψίας ΕΙΓΜΑΤΟΛΗΨΙΑ : Εισαγωγή δειγµατοληψία Τα στοιχεία που απαιτούνται τόσο για την ανάλυση των µεταφορικών συστηµάτων και όσο και για την ανάπτυξη των συγκοινωνιακών µοντέλων
Διαβάστε περισσότεραΑναγνώριση Προτύπων (Pattern Recognition) Π. Τσακαλίδης ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ
Αναγνώριση Προτύπων (Pattern Recognition) Π. Τσακαλίδης ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Ενότητα 1: Εισαγωγικές Έννοιες Θεωρίας Εκµάθησης Αναγνώριση Προτύπων: Η επιστήµη που προσπαθεί να
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 1 ου κεφαλαίου Βιβλίο: Κολυβά Μαχαίρα, Φ. & Χατζόπουλος Στ. Α. (2016). Μαθηματική Στατιστική, Έλεγχοι Υποθέσεων. [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών
Διαβάστε περισσότεραΔιοίκηση Ποιότητας Έργων 2 η Διάλεξη. Μεταπτυχιακό πρόγραμμα στη Διαχείριση Έργων και Προγραμμάτων
1 Διοίκηση Ποιότητας Έργων 2 η Διάλεξη Μεταπτυχιακό πρόγραμμα στη Διαχείριση Έργων και Προγραμμάτων 2 Περιεχόμενα της 2 ης Διάλεξης Στοιχεία και Τεχνικές Ποιοτικού Ελέγχου Σύνοψη Διακύμανση και Ικανότητα
Διαβάστε περισσότεραΟρισμός και Ιδιότητες
ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ Ορισμός και Ιδιότητες H κανονική κατανομή norml distriution θεωρείται η σπουδαιότερη κατανομή της Θεωρίας Πιθανοτήτων και της Στατιστικής. Οι λόγοι που εξηγούν την εξέχουσα θέση της,
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436 A εξάμηνο 2009-2010 Περιγραφική Στατιστική Ι users.att.sch.gr/abouras abouras@sch.gr sch.gr abouras@uth.gr Μέτρα θέσης Η θέση αντιπροσωπεύει τη θέση της κατανομής κατά
Διαβάστε περισσότεραΑκαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΕΣ 3: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Ακαδημαϊκό Έτος 7 8, Χειμερινό Εξάμηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Το παρόν
Διαβάστε περισσότεραF(x h) F(x) (f(x h) g(x h)) (f(x) g(x)) F(x h) F(x) f(x h) f(x) g(x h) g(x) h h h. lim lim lim f (x) g (x). h h h
ΑΠΑΝΤΗΣΕΙΣ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΤΕΤΑΡΤΗ 3 MAΪΟΥ 01 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΘΕΜΑ Α A1. Έστω η συνάρτηση
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 2: Ανασκόπηση βασικών εννοιών Στατιστικής και Πιθανοτήτων Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 3, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 1
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 3, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 1 5.1: Εισαγωγή 5.2: Πιθανότητες 5.3: Τυχαίες Μεταβλητές καθ. Βασίλης Μάγκλαρης
Διαβάστε περισσότεραΕργαστήριο Μαθηµατικών & Στατιστικής. 1 η Πρόοδος στο Μάθηµα Στατιστική 5/12/08 Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ. 3 ο Θέµα
Εργαστήριο Μαθηµατικών & Στατιστικής Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ η Πρόοδος στο Μάθηµα Στατιστική 5//8 ο Θέµα To % των ζώων µιας µεγάλης κτηνοτροφικής µονάδας έχει προσβληθεί από µια ασθένεια. Για τη διάγνωση της συγκεκριµένης
Διαβάστε περισσότεραΑΣΚΗΣΗ 3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕΛΕΤΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ. ( ) 1, αν Ι(i,j)=k hk ( ), διαφορετικά
ΑΣΚΗΣΗ 3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕΛΕΤΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ Αντικείμενο: Εξαγωγή ιστογράμματος εικόνας, απλοί μετασχηματισμοί με αυτό, ισοστάθμιση ιστογράμματος. Εφαρμογή βασικών παραθύρων με την βοήθεια του ΜΑΤLAB
Διαβάστε περισσότεραΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Data Mining - Classification
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Data Mining - Classification Data Mining Ανακάλυψη προτύπων σε μεγάλο όγκο δεδομένων. Σαν πεδίο περιλαμβάνει κλάσεις εργασιών: Anomaly Detection:
Διαβάστε περισσότεραΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΜΕ ΘΕΜΑ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ/ΤΜΗΜΑ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΚΤΗΜΑΤΟΛΟΓΙΟΥ, ΦΩΤΟΓΡΑΜΜΕΤΡΙΑΣ ΚΑΙ ΧΑΡΤΟΓΡΑΦΙΑΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΧΕΙΡΙΣΗ ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΗΣ
Διαβάστε περισσότερα