Εντοπισμός αντικειμένου σε εικόνα
|
|
- Τισιφόνη Γλυκύς
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Εντοπισμός αντικειμένου σε εικόνα Μάθημα: Υπολογιστική όραση Κ. Δελήμπασης 1
2 Περιγραφείς σχημάτων Αναγνώριση αντικειμένων με χρήση ροπών Περιγραφείς Fourier Στατιστική διακύμανση σχημάτων Αναζήτηση σε εικόνα τυχαίου σχήματος Ο μετασχηματισμός απόστασης 2
3 Αναγνώριση αντικειμένων με χρήση ροπών Moment Image descriptors Εισήχθηκαν από τον Hu(1962), με ευρεία εφαρμογή Περιγράφουν σχήματα με μικρό πλήθος περιγραφέων Η υπολογιστική πολυππλοκότητα αυξάνει όσο αυξάνει η τάξη της ροπής. Μη ορθογώνιες ροπές Αλλες ορθογώνιες ροπές: Legendre moments, geometrical moments, Zernike moments, pseudo-zernike moments and Orthogonal Fourier-Mellin moments are evaluated 11/04
4 Ορισμός Ροπές τάξης p+q μίας 2D συνάρτησης f(x,y) με πεδίο ορισμού D: M pq = D (, ) (, ) p x y f x y dxdy Οι ροπές υπάρχουν αρκεί το Dνα είναι φραγμένο pq Αν p pq (x,y)=x p y p,τότε προκύπτουν οι γεωμετρικές ροπές M pq = D (, ) p q x y f x y dxdy Τα μονώνυμα αποτελούν τις συναρτήσεις βάσης. Αν η ταξη είναι n=p+q: p+q n, πλήθους (n+1)(n+2)/2. 11/04
5 Κεντρικές ροπές: αμετάβλητες κατά την μετατόπιση (translation invariant) M µ pq = = = M x y p q ( x x) ( y y) f ( x, y), x, y M M Ροπές αματάβλητες κατά την αλλαγή κλίμακας (scale invariant) η pq µ pq p + q =, γ = + 1 µ 2 γ 0 0
6 Ροπές Hu (1962) αμετάβλητες (invariant) σε affine μετασχηματισμούς ϕ = η + η ( ) = η 11 ϕ η η ( 3 ) ( 3 ) 2 2 ϕ = η η + η η ( ) ( η η ) ϕ = η + η ( 3 )( ) ( ) 3( ) 2 2 ϕ 5 = η 03 η 12 η 30 + η 12 η 03 + η 12 η 21 + η 03 + ( 3η + η )( η + η ) 3( η + η ) ( η + η ) ( ) ( ) ( ) 2 2 ϕ 6 = η 2 0 η 0 2 η η 1 2 η η η η η η η ( + )( + )
7 Πίνακας ροπών 2 ης τάξης Εστω σύνολο μη-μηδενικών pixelμίας εικόνας (πλήρες δυαδικο αντικείμενο, ή περίγραμμα) N N 2 ( xi µ x) ( xi µ x)( yi µ y) i= 1 i= 1 N N ( xi µ x)( yi µ y) ( yi µ y) i= 1 i= 1 2
8 Περιγραφείς Fourier (Fourier Descriptors -FD) Iσχυρή µέθοδος περιγραφής περιγραµµάτων και εξαγωγής χαρακτηριστικών των αντικειµένων Έστω ότι η καµπύλη του σχήµατος αντιστοιχεί στο όριο ενός αντικειµένου. Ξεκινώντας από ένα αρχικό σηµείο Α, µε ωρολογιακή φορά παίρνουµε µια ακολουθία σηµείων (x n, y n ), n=0,1,,n-1, µε Ν το πλήθος των εικονοστοιχείων του ορίου. 8
9 Ορισµός FDs Εστω η µιγαδική ακολουθία: z(n)=x(n)+jy(n), n=0,1,,n-1 Από τον ορισµό του διακριτού µετασχηµατισµού Fourier (DFT) της z(n) : N 1 j2πkn a( k) = z( n) exp n= 0 N Με τον αντίστροφο DFT (IDFT) ανακατασκευάζεται η z(n) : z( n) = 1 N N 1 k=0 a( k)exp( j2πkn ) N 9
10 Οι μιγαδικοί συντελεστές α(k) καλούνται περιγραφείς Fourier (Fourier Descriptors FD). Για ομαλά σχήματα, η περισσότερη πληροφορία του σχήματος είναι αποθηκευμένη στις χαμηλότερες αρμονικές Όσους περισσότερους συντελεστές χρησιμοποιούμε, τόσο καλύτερη είναι η προσέγγιση και η αναπαράσταση/ ανακατασκευή της καμπύλης. Η σύγκριση δύο σχημάτων για τα οποία έχουν προσδιοριστεί οι FDs μπορεί να γίνει με την άμεση σύγκριση των FDs, αφού ληφθεί υπόψη η αμεταβλητότητα / συμμεταβλητότητα ως προς γεωμετρικούς μετασχηματίσμούς και αρίθμηση. 10
11 Αµεταβλητότητα / Συµµεταβλητότητα Invariance / covariance Αν κάποια καμπύλη μετατεθεί κατά x 0,y 0 τότε οι FDs παραμένουν ίδιοι, εκτός της μηδενικής αρμονικής Αλλαγή κλίμακας του περιγράμματος συνεπάγεται ίδια αλλαγή κλίμακας των FDs. Αν τα FDs κανονικοποιηθούν με τα μέτρα τους α(k)/ α(k) γίνονται ανεξάρτητα της αλλαγής κλίμακας Περιστροφή κατά γωνία θ του περιγράμματος: a k a k e jθ. Αλλαγή της αρίθμησης των σημείων: a k a k exp(2πkn 0 /N). 11
12 Αρχικό περίγραμμα, Περίγραμμα με 5 συντελεστές Αρχικό περίγραμμα, Περίγραμμα με 8 συντελεστές 12
13 Στατιστική διακύμανση σχημάτων Συχνά τα αντικείμενα ενδιαφέροντος παρουσιάζουν μεταβολές στο σχήμα τους, πχ ίδια ανατομική δομήμεταξύ διαφορετικών ανθρώπων. Active Shape models ASM: βασίζεται σε Principal Component Analysis -PCA, για να εκπαιδεύσει ένα σύστημα ώστε να παράγει στατιστικά πιθανά σχήματα, δεδομένου ενός συνόλου σχημάτων (αντικειμένων ίδιου τύπου) 13
14 Στατιστικές έννοιες Μέση τιμή µ Χ =E(X): 1 n µ x = E( X) = i x i Διασπορά σ ( [ ] ) [ ] x = E X E X = E X E X = xi xi n i i Συμμεταβλητότητα ((συνδιακύμανση ή συνδιασπορά)2 μεταβλητών, Χ, Υ: 1 Cov X Y E X Y x y N N 1 (, ) = ( µ x)( µ y) = ( i µ x)( i µ y) Σημ. Το (1/Ν) μπορεί να αντικατασταθεί από 1/(Ν-1), αν θεωρούμε ότι τα διαθέσιμα είναι μέρος του συνόλου των σημείων του αντικείμένου i= 1 14
15 Συσχέτιση δύο μεταβλητών Συνδιασπορά >0 οι 2 μεταβλητές συσχετισμένες: Όταν αυξάνει η μία, αυξάνει και η άλλη Συνδιασπορά <0 οι 2 μεταβλητές συσχετισμένες: Όταν αυξάνει (μειώνεται) η μία, μειώνεται (αυξάνει) και η άλλη Συντελεστής συσχετισης: κανονικοποιούμε τη συνδιασπορά με τις αποκλίσεις των 2 μεταβλητών ρ xy (, ) E ( X x)( Y y) Cov X Y µ µ = = σ σ σ σ x y x y 15
16 Πίνακας συμμεταβλητότητας(συνδιακύμανση ή συνδιασπορά) δύο μεταβλητών Χ, Υ με Ν τιμές έκαστη: Αν µ Χ, µ Υ οι μέσες τιμές,τότε ορίζεται ο συμμετρικός πίνακας 2x2: x1 µ x y1 µ y x1 µ x x2 µ x xn µ x x2 µ x y2 µ L y C = y µ y µ L y µ 1 y 2 y n y xn µ x yn µ y N N 2 ( xi µ x) ( xi µ x)( yi µ y) i= 1 i= 1 = 2 N N ( xi µ x)( yi µ y) ( yi µ y) i= 1 i= 1 Αν ο πίνακας είναι διαγώνιος οι Χ, Υασυσχέτιστες 16
17 Συνδιακύμανση σχημάτων ίδιου αντικειμένου Εστω Ναντικείμενα, κάθε ένα από τα οποία έχει Dσημεία περιγράμματος i,, k {( k k x )} i yi = 1,2,..., D = 1,2,..., N Τα βήματα που ακολουθούν εφαρμόζονται είτε ξεχωριστά για τις Χκαι Υσυντεταγμένες, είτε ταυτόχρονα, θεωρώντας ένα διάνυσμα μήκους 2D(x πρώτα και y μετά) 17
18 Εστω p k k k T k = 1,2,..., D = xi, yi,2n 1, i= 1,2,..., N Μεταφέρουμε το σύστημα συντεταγμένων κάθε αντικειμένου στο κέντρο μάζας του x k, y k Κατασκευάζουμε τον πίνακα p k k k k = x x, y y,2n 1 k i i [ ] P= p, p,..., p,2n D 1 2 D T ( ) T 18
19 Παράδειγμα Σύνολο περιγραμμάτων ενός αντικειμένου με μεταβολή στο σχήμα Παράδειγμα: Κ=9 περιγράμματα χεριών, με Ν=72 σημεία το κάθε ένα Τα περιγράμματα σε βαρυκεντρικές συντεταγμένες 19
20 Υπολογισμός μέσου σχήματος D 1 p= pk,2n 1 D k =
21 Κατασκευάζεται πίνακαςp, διάστασης 2N D. Ο πίνακας Μ=P P Τ (2N 2Ν) δείχνει τη συμμεταβλητότητα των αντίστοιχων σημείων, μεταξύ των διαφορετικών χεριών Ο πίνακας Μ=P P Τ (2N 2Ν) θα έχει rank(μ)=2n, <=> D>2N, Αλλιώς, rank(μ)=d Διαφορετικές θέσεις του σημείου 12 για 10 περιγράμματα χεριών 21
22 Συμπίεση πληροφορίας σχήματος με χρήση του ASM ΕστωΛ=(λ 1, λ 2,..., λ 2Ν ) με μήκος 2Νκαι Qο πίνακας που οι στήλες του είναι τα ιδιοδιανύσματα του Μ, σε φθίνουσα διάταξη των ιδιοτιμών του [ ] Q= v, v,..., v,2n 2 N, 1 2 2N ιδιοτιµές του M: d d... d 1 2 2N Για κάθε τυχαίο σχήμα q, υπάρχουν Λ=(λ 1, λ 2,..., λ 2Ν ), ώστε ναμπορεί να γραφεί ώς T [ λ λ λ ] q= p+ M,,...,,2N 1= p+ M Λ 1 2 2N T 22
23 Εστω ότι δεν χρησιμοποιούμε όλες τις ιδιοτιμές, αλλά τις Τ μεγαλύτερες, όπου T d > 0.9 Εστω ότι ο Qπεριέχει τα ιδιοδιανύσματα με τις Τιδιοτιμές 2N i i= 1 i= 1 [ ] Q= v, v,..., v,2 N T, 1 2 T T ιδιοτιµές του M: d d... d... d d i 1 2 T 2N 23
24 Τώρα, ένα τυχαίο σχήμα q, περιγράφεται από Ταριθμούς Λ=(λ 1, λ 2,..., λ Τ ), ώς q= p+ M Λ Λ = 2N T 2T 1 [,,..., ] 1 2 Για να καλύπτουμε το 98%της μεταβολής του σχήματος, επιλέγουμε λi di 3 di, di 3 d + i, i T Αντίστροφα, δοθέντος του q, τα Λυπολογίζονται (διότι Μ Τ Μ=Ι) T Λ= M q p, λ λ λ T ( ) T 24
25 Συμπέρασμα Η περισσότερη πληροφορια του σχήματος υπάρχει συγκεντρωμένη στα ιδιοδυανύσματα του Μ που έχουν τις Τ μεγαλύτερες ιδιοτιμές Κάθε ιδιοδιάνυσμα «αποτυπώνει» ένα τρόπομεταβολής (mode of variation) Για ομαλά σχήματα, Ν<<Τ, περιγράφουμε ένα σχήμα με πολύ λιγότερους αριθμούς από τις συντεταγμένες των σημείων του Μπορούμε να κατασκευάσουμε καινούργια σχήματα επιλέγοντας (λ 1, λ 2,..., λ Τ ), 25
26 Μεταβολή σχήματος που κωδικοποιείται από το 1 ο ιδιοδιάνυσμα 26
27 Μεταβολή σχήματος που κωδικοποιείται από το 2 ο ιδιοδιάνυσμα 27
28 Μεταβολή σχήματος που κωδικοποιείται από το 3 ο ιδιοδιάνυσμα 28
29 Αναζήτηση σε εικόνα τυχαίου σχήματος με μετατόπιση, αλλαγή κλίμακας και περιστροφή Κατασκευή του τυχαίου σχήματος με χρήση ASM(Τ παράμετροι) Περιστροφή, αλλαγή κλίμακας και μετατώπιση(περίπτωση 2D: =5 παράμετροι) Υπολογισμός παραμέτρων με βελτιστοποίηση μιάς συνάρτησης (ταιριάσματος, ή λάθους) Μία πρακτική προσέγγιση: Μετασχηματισμός απόστασης / Chamfer matching 29
30 Chamfer Matching: Εντοπισμός αντικειμένου σε εικόνα Εστω ότι αναζητούμε ένα αντικείμενο (πχ παλάμη) σε μία εικόνα. Υπολογίζουμε τις ακμές της εικόνας Θεωρούμε ότι το αντικείμενο ανιχνεύεται όταν το περίγραμμα του βρίσκεται πολύ κοντά σε ακμές της εικόνας Για το λόγο αυτό χρησιμοποιείται ο Μετασχηματισμός Απόστασης (Distance Transform) 30
31 Συνάρτηση σφάλματος εντοπισμού αντικειμένου Εστω τα σημεία ενός αντικειμένου ( ) x, y, i= 1,2,..., N i i Αν BWη δυαδική εικόνα ακμών της εικόνας Ικαι D=DT(I)ο μετασχ απόστασης Η συνάρτηση σφάλματος εντοπισμού του αντικειμένου μπορεί να οριστεί: err N 1 = D x y N i = 1 (, ) i i 31
32 Δυαδικές εικόνες: Μετασχηματισμός Απόστασης (Distance Transform) Έστωδυαδική εικόνα I(i,j)η οποία περιέχει pixelακμών με τιμή 0 (ενώ τιμή υποβάθρου θεωρείται η μεγιστη (big_valueπχ 255). Σε περίπτωση που η εικόνα ακμών είναι δυαδική με τιμή 1 (ακμή) και 0 (υπόβαθρο), κάνουμε τον απαραίτητο μετασχηματισμό. Ο DTπαράγει μία εικόνα της οποίας το κάθε pixelπεριέχει την απόσταση του από το κοντινότερο pixel ακμών. Ο DTείναι χρήσιμος για την ταύτιση αντικειμένων με ψηφιακές εικόνες. Αφελής (naïve)προσέγγιση : Υπολογισμός απόστασης κάθε pixel μη-υποβάθρου από κάθε κάθε pixel υποβάθρου: Brute force DT: O(N 2 ) 11/04
33 Παρουσιάζονται 2 αλγόριθμοι: 1. Μη βέλτιστος (χρειάζεται πολλαπλά περάσματα της εικόνας και δεν υπολογίζει ευκλίδεια απόσταση), παρουσιάζεται λόγω απλότητας. 2. Βέλτιστος, 2 διπλά περάσματα, Ο(Ν) 33
34 Αλγόριθμος με πολλαπλά περάσματα της εικόνας Αλγόριθµος Μετασχηµατισµού απόστασης Manhattan Εισοδος: Ι εικόνα ακµών (δυαδική) Εξοδος: D εικόνα απόστασης (ακέραιες τιµές) Αρχικοποίηση: για κάθε pixel p, D(p)=big_value k=0 while (υπάρχουν pixel p µε D(p)=big_value) k=k+1; Για κάθε pixel p της εικόνας Αν D(p)==big_value (pixel υποβάθρου) Για κάθε ένα από τους 4 γείτονες n του p Αν D(n)==k-1 then D(p)=I(n)+1; end end end end
35 Παράδειγμα εφαρμογής του αλγόριθμου DT Εστω η εικόνα Ι: Αρχικοποίηση D (big_value=255) Εικόνα Dμετά το 1 ο βήμα (k=1). Εικόνα Dμετά το 2 ο βήμα (k=2). Εικόνα Dμετά το 3 ο βήμα (k=3).
36 Εφαρμογή του αλγόριθμου DT
37 Distance Transform Αλγόριθμος: Sequential Euclidian 4-point 2 διπλά περάσματα, Ευκλείδια απόσταση Επιπλέον, μπορεί να επιστρέψει το κοντινότερο pixelακμής για κάθε pixel της εικόνας Αρχικοποίηση: για κάθε pixel p, D(p)=big_value Επίσης θεωρούμε οτι ισχύει big_value+1 big_value 37
38 Raw-wise, Forward Raw-wise, Backward 1. Για i=1:n 1. Για j=2:m D(i,j)=min(D ij,d i,j-1 +1,D i-1,j +1) 2. Για j=m-1:1 2. Για i=n-1:1 1. Για j=2:m D(i,j)=min(D ij,d i,j+1 +1) D(i,j)=min(D ij,d i,j+1 +1,D i+1,j +1) 2. Για j=m-1:1 Forward Column-wise, Backward Forward Column-wise, Backward D(i,j)=min(min(D ij,d i,j+1 +1) (i-1,j) (i,j-1) (i,j) Mask 1 (i,j) (i,j+1) Mask 2 (i,j) (i,j+1) (i+1,j) Mask 3 (i,j-1) (i,j) Mask 4 38
39 Για την ευρεση του κοντινότερου Pixel ακμής για κάθε pixel της εικόνας: Τηρούμε 2 πίνακες, διάστασης ίσης με την αρχική P i, P j : parent γραμμή i,στήλη j, για κάθε (i,j) P i, P j : Αρχικοποιούνται με NIL (πχ. -1) Σε κάθε επανάληψη που ενημερωνεται η απόσταση του (i,j), γίνεται αντίστοιχη ενημέρωση των. 39
40 Image moments, Fourier Descriptors: Gonzalez, Woods, Digital Image Processing, κεφ. 11. Distance Transform, Αρχικό paper: Borgefors, Gunilla. "Hierarchical chamfer matching: A parametric edge matching algorithm." IEEE Transactions on PAMI 10.6 (1988): Tutorial with many algorithmic variations (eg. 4SSEDT) 739b0a7e502.pdf, (p11) ASM Αρχικό paper T. Cootes,et al (1995). "Active shape models -their training and application". Computer Vision and Image Understanding(61): ers/cootes_cviu95.pdf Tutorial: 40
Μέθοδοι Αναπαράστασης Περιγραµµάτων
KEΣ 03 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Μέθοδοι Αναπαράστασης Περιγραµµάτων Τµήµα Επιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Περιεχόµενα Βιβλιογραφία Περιεχόµενα Ενότητας
Διαβάστε περισσότεραΜάθημα 10 ο. Περιγραφή Σχήματος ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 10 ο Περιγραφή Σχήματος ΤΜΗΥΠ / ΕΕΣΤ 1 Εισαγωγή (1) Η περιγραφή μίας περιοχής μπορεί να γίνει: Με βάση τα εξωτερικά χαρακτηριστικά (ακμές, όρια). Αυτή η περιγραφή προτιμάται όταν μας ενδιαφέρουν
Διαβάστε περισσότεραΤεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας
Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 5 6 Principal component analysis EM for Gaussian mixtures: μ k, Σ k, π k. Ορίζουμε το διάνυσμα z (διάσταση Κ) ώστε K p( x θ) = π ( x μ, Σ ) k = k k k Eκ των υστέρων
Διαβάστε περισσότεραΆσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι:
Άσκηση 1: Δύο τυχαίες μεταβλητές Χ και Υ έχουν στατιστικές μέσες τιμές 0 και διασπορές 25 και 36 αντίστοιχα. Ο συντελεστής συσχέτισης των 2 τυχαίων μεταβλητών είναι 0.4. Να υπολογισθούν η διασπορά του
Διαβάστε περισσότεραΕνδεικτική πολυ-εργασία 1 - εφαρμογή στην υπολογιστική όραση
Ενδεικτική πολυ-εργασία 1 - εφαρμογή στην υπολογιστική όραση Εντοπισμός ενός σήματος STOP σε μια εικόνα. Περιγράψτε τη διαδικασία με την οποία μπορώ να εντοπίσω απλά σε μια εικόνα την ύπαρξη του παρακάτω
Διαβάστε περισσότεραΥπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου
Ανάλυση Εικόνων Εικόνα : μορφή πληροφορίας Ανάλυση : εξαγωγή γνώσης Υπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου Θέματα ειδίκευσης Υπολογιστική Όραση
Διαβάστε περισσότεραΤΗΛΕΠΙΣΚΟΠΗΣΗ. Γραµµικοί Μετασχηµατισµοί (Linear Transformations) Τονισµός χαρακτηριστικών εικόνας (image enhancement)
Γραµµικοί Μετασχηµατισµοί (Linear Transformations) Τονισµός χαρακτηριστικών εικόνας (image enhancement) Συµπίεση εικόνας (image compression) Αποκατάσταση εικόνας (Image restoration) ηµήτριος. ιαµαντίδης
Διαβάστε περισσότεραΕΙ ΙΚΑ ΚΕΦΑΛΑΙΑ ΑΠΟ ΤΗ ΘΕΩΡΙΑ ΑΝΑΛΥΣΗΣ ΕΙΚΟΝΑΣ (ΓΙΑ ΤΗΝ ΑΝΑ ΕΙΞΗ ΟΥΣΙΩ ΩΝ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΕΙΚΟΝΑΣ) ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ
ΕΙ ΙΚΑ ΚΕΦΑΛΑΙΑ ΑΠΟ ΤΗ ΘΕΩΡΙΑ ΑΝΑΛΥΣΗΣ ΕΙΚΟΝΑΣ (ΓΙΑ ΤΗΝ ΑΝΑ ΕΙΞΗ ΟΥΣΙΩ ΩΝ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΕΙΚΟΝΑΣ) Τµήµα από το µάθηµα ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΒΙΒΛΙΟΓΡΑΦΙΑ Η καλύτερη προσέγγιση της ύλης του µαθήµατος 1.R.C.
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 4, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 2
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 4, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 5.4: Στατιστικοί Μέσοι Όροι 5.5 Στοχαστικές Ανελίξεις (Stochastic Processes)
Διαβάστε περισσότεραΓεωμετρικοί μετασχηματιμοί εικόνας
Γεωμετρικοί μετασχηματιμοί εικόνας Μάθημα: Υπολογιστική Οραση 1 Γεωμετρικοί Μετασχηματισμοί Ορισμός σημείου στονευκλείδιοχώρο: p=[x p,y p,z p ] T, όπου x p, y p, z p πραγματικοί αριθμοί. ΕστωΕ 3 τοσύνολοτωνp.
Διαβάστε περισσότεραΑ.Τ.Ε.Ι. ΜΑΚΕΔΟΝΙΑΣ Τμήμα πληροφορικής και επικοινωνιών. Συμπίεση ψηφιακών εικόνων με ανάλυση κύριων συνιστωσών και χρήση νευρωνικού δικτύου.
ΑΤΕΙ ΜΑΚΕΔΟΝΙΑΣ Τμήμα πληροφορικής και επικοινωνιών Συμπίεση ψηφιακών εικόνων με ανάλυση κύριων συνιστωσών και χρήση νευρωνικού δικτύου Ψηφιακή είκόνα Η ψηφιακή εικόνα είναι ένα πεπερασμένο σύνολο περιοχών
Διαβάστε περισσότεραΜετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση
Χειμερινό Εξάμηνο 2013-2014 Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση 5 η Παρουσίαση : Ψηφιακή Επεξεργασία Εικόνας Διδάσκων: Γιάννης Ντόκας Σύνθεση Χρωμάτων Αφαιρετική Παραγωγή Χρώματος Χρωματικά
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ
ΥΠΕΥΘΥΝΟΣ ΚΑΘΗΓΗΤΗΣ Α. Ντούνης ΔΙΔΑΣΚΩΝ ΑΚΑΔ. ΥΠΟΤΡΟΦΟΣ Χ. Τσιρώνης ΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ ΜΑΘΗΜΑ ΔΕΥΤΕΡΟ - Διανύσματα - Πράξεις με πίνακες - Διαφορικός λογισμός (1D) ΜΑΘΗΜΑΤΙΚΟ ΥΠΟΒΑΘΡΟ
Διαβάστε περισσότεραΜέση Τιµή. Έστω Χ τ.µ. και f Χ (x) ησ.π. ήσ.π.π. της Χ Μέση ή αναµενόµενη τιµή της Χ είναι ο αριθµός: αν η Χ είναι διακριτή, και αν η Χ είναι συνεχής.
Μέση Τιµή Έστω Χ τ.µ. και f Χ (x) ησ.π. ήσ.π.π. της Χ Μέση ή αναµενόµενη τιµή της Χ είναι ο αριθµός: E( ) µ xf ( x) E( ) µ xf ( x) dx Παραδείγµατα: = = x = = αν η Χ είναι διακριτή, και αν η Χ είναι συνεχής.
Διαβάστε περισσότεραΚΕΦ.6:ΤΕΤΡΑΓΩΝΙΚΕΣ ΜΟΡΦΕΣ. ΣΥΜΜΕΤΡΙΚΟΙ ΠΙΝΑΚΕΣ
ΚΕΦ:ΤΕΤΡΑΓΩΝΙΚΕΣ ΜΟΡΦΕΣ ΣΥΜΜΕΤΡΙΚΟΙ ΠΙΝΑΚΕΣ Τετραγωνικές μορφές: Συναρτήσεις με τύπο Q ν α ι j j, j [ ] ν α α ν αν α νν ν Τ Χ ΑΧ Για παράδειγμα εάν v Q α + α + α + α α + α + α + α δηλ a a a a α + α + α
Διαβάστε περισσότεραΣυμπίεση Πολυμεσικών Δεδομένων
Συμπίεση Πολυμεσικών Δεδομένων Εισαγωγή στο πρόβλημα και επιλεγμένες εφαρμογές Παράδειγμα 2: Συμπίεση Εικόνας ΔΠΜΣ ΜΥΑ, Ιούνιος 2011 Εισαγωγή (1) Οι τεχνικές συμπίεσης βασίζονται στην απόρριψη της πλεονάζουσας
Διαβάστε περισσότεραΖητήματα ηήμ με τα δεδομένα
Ζητήματα ηήμ με τα δεδομένα Ποιότητα Απαλοιφή θορύβου Εντοπισμός ανωμαλιών λώ Ελλιπείς τιμές Μετασχηματισμός Κβάντωση Μείωση μεγέθους Γραμμών: ειγματοληψία Στηλών: Ιδιοδιανύσματα, Επιλογή χαρακτηριστικών
Διαβάστε περισσότεραΕνότητα 2: Οι Θεµελιώδεις Αρχές των Ψηφιακών Εικόνων
Ενότητα 2: Οι Θεµελιώδεις Αρχές των Ψηφιακών Εικόνων Δειγµατοληψία και Κβαντισµός: Μια εικόνα (µπορεί να) είναι συνεχής τόσο ως προς τις συντεταγµένες x, y όσο και ως προς το πλάτος. Για να τη µετατρέψουµε
Διαβάστε περισσότερα7. ΕΠΕΞΕΡΓΑΣΊΑ ΣΗΜΆΤΩΝ
7. ΕΠΕΞΕΡΓΑΣΊΑ ΣΗΜΆΤΩΝ 1 Principal & Independent Component Analysis (PCA, ICA) PRINCIPAL COMPONENT ANALYSIS (PCA) Principal Component Analysis (PCA): ορθογώνιος μετασχηματισμός κατά τον οποίο αφαιρείται
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Ακμές και περιγράμματα Ακμές και περιγράμματα Γενικά Μεγάλο τμήμα της πληροφορίας που γίνεται αντιληπτή
Διαβάστε περισσότεραΕιδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Χαρακτηριστικά Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Ανάλυση Κυρίων Συνιστωσών (Principal-Component Analysis, PCA)
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Ανάλυση Κυρίων Συνιστωσών (Principal-Coponent Analysis, PCA) καθ. Βασίλης Μάγκλαρης aglaris@netode.ntua.gr www.netode.ntua.gr
Διαβάστε περισσότεραΨηφιακή Επεξεργασία και Ανάλυση Εικόνας. Ακαδημαϊκό Έτος Παρουσίαση Νο. 2. Δισδιάστατα Σήματα και Συστήματα #1
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ακαδημαϊκό Έτος 06-7 Παρουσίαση Νο. Δισδιάστατα Σήματα και Συστήματα # Βασικοί ορισμοί () Κάθε εικόνα είναι ένα δισδιάστατο (-D) σήμα. Αναλογική εικόνα: x t, t,
Διαβάστε περισσότεραKεφάλαιο 4. Συστήματα διαφορικών εξισώσεων. F : : F = F r, όπου r xy
4 Εισαγωγή Kεφάλαιο 4 Συστήματα διαφορικών εξισώσεων Εστω διανυσματικό πεδίο F : : F = Fr, όπου r x, και είναι η ταχύτητα στο σημείο πχ ενός ρευστού στο επίπεδο Εστω ότι ψάχνουμε τις τροχιές κίνησης των
Διαβάστε περισσότεραΨηφιακή Επεξεργασία και Ανάλυση Εικόνας. Παρουσίαση Νο. 3. Δισδιάστατα σήματα και συστήματα #2
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ακαδημαϊκό Έτος 2015-16 Παρουσίαση Νο. 3 Δισδιάστατα σήματα και συστήματα #2 Πληροφορία πλάτους-φάσης (1/4) Ο μετασχηματισμός Fourier διακριτού χρόνου είναι μιγαδική
Διαβάστε περισσότεραΕ.Α.Υ. Υπολογιστική Όραση. Κατάτμηση Εικόνας
Ε.Α.Υ. Υπολογιστική Όραση Κατάτμηση Εικόνας Γεώργιος Παπαϊωάννου 2015 ΚΑΤΩΦΛΙΩΣΗ Κατωφλίωση - Γενικά Είναι η πιο απλή μέθοδος segmentation εικόνας Χωρίζουμε την εικόνα σε 2 (binary) ή περισσότερες στάθμες
Διαβάστε περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ
Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Εφαρμοσμένα Μαθηματικά ΙΙ Ιδιοτιμές - Ιδιοδιανύσματα Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Χαρακτηριστικά Ποσά Τετράγωνου Πίνακα (Ιδιοτιμές Ιδιοδιανύσματα)
Διαβάστε περισσότεραΗ ΜΕΘΟΔΟΣ PCA (Principle Component Analysis)
Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis) Η μέθοδος PCA (Ανάλυση Κύριων Συνιστωσών), αποτελεί μία γραμμική μέθοδο συμπίεσης Δεδομένων η οποία συνίσταται από τον επαναπροσδιορισμό των συντεταγμένων ενός
Διαβάστε περισσότεραΕΠΑΝΑΛΗΨΗ ΒΑΣΙΚΩΝ ΕΝΝΟΙΩΝ ΣΤΑΤΙΣΤΙΚΗΣ
ΕΠΑΝΑΛΗΨΗ ΒΑΣΙΚΩΝ ΕΝΝΟΙΩΝ ΣΤΑΤΙΣΤΙΚΗΣ Στα πλαίσια του προπτυχιακού μαθήματος Χρονικές σειρές Τμήμα μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα 1 Μονοδιάστατες τυχαίες μεταβλητές Τυχαία μεταβλητή είναι
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ
ΥΠΕΥΘΥΝΟΣ ΚΑΘΗΓΗΤΗΣ Α. Ντούνης ΔΙΔΑΣΚΩΝ Χ. Τσιρώνης ΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ ΜΑΘΗΜΑ ΠΡΩΤΟ - Διατύπωση προβλημάτων - Κατηγορίες εφαρμογών - Πράξεις με πίνακες ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ (in short) Που
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Χωρικό φιλτράρισμα Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 008. Χωρικού Φιλτράρισμα Η μηχανική
Διαβάστε περισσότεραΕιδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Σύνθεση Πανοράµατος Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Τμηματοποίηση εικόνας Τμηματοποίηση εικόνας Γενικά Διαμερισμός μιας εικόνας σε διακριτές περιοχές
Διαβάστε περισσότεραΤαξινόμηση καμπυλών και επιφανειών με τη βοήθεια των τετραγωνικών μορφών.
Ταξινόμηση καμπυλών και επιφανειών με τη βοήθεια των τετραγωνικών μορφών (βλ ενότητες 8 και 8 από το βιβλίο Εισαγωγή στη Γραμμική Άλγεβρα, Ι Χατζάρας, Θ Γραμμένος, 0) (Δείτε τα παραδείγματα 8 (, ) και
Διαβάστε περισσότεραE[ (x- ) ]= trace[(x-x)(x- ) ]
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ
Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Εφαρμοσμένα Μαθηματικά ΙΙ Ιδιοτιμές - Ιδιοδιανύσματα Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Χαρακτηριστικά Ποσά Τετράγωνου Πίνακα (Ιδιοτιμές Ιδιοδιανύσματα)
Διαβάστε περισσότεραΤΥΠΟΛΟΓΙΟ ΣΤΑΤΙΣΤΙΚΗΣ
- - ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ και ΟΡΓΑΝΙΣΜΩΝ Θεματική Ενότητα: ΔΕΟ3 Ποσοτικές Μέθοδοι Ακαδημαϊκό Έτος: 009-0 ΤΥΠΟΛΟΓΙΟ ΣΤΑΤΙΣΤΙΚΗΣ - - ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ ΣΥΝΟΨΗΣ
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 2 Επισκόπηση θεωρίας πιθανοτήτων Τυχαίες μεταβλητές: Βασικές έννοιες Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (σε αντίθεση με τις
Διαβάστε περισσότεραΜάθημα 7 ο. Συμπίεση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 7 ο Συμπίεση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ 1 Εισαγωγή (1) Οι τεχνικές συμπίεσης βασίζονται στην απόρριψη της πλεονάζουσας πληροφορίας Ανάγκες που καλύπτονται Εξοικονόμηση μνήμης Ελάττωση χρόνου και εύρους
Διαβάστε περισσότεραΕΙΔΙΚΑ ΘΕΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΚΙΝΔΥΝΟΥ. Συσχέτιση (Correlation) - Copulas
ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΚΙΝΔΥΝΟΥ Συσχέτιση (Correlation) - Copulas Σημασία της μέτρησης της συσχέτισης Έστω μία εταιρεία που είναι εκτεθειμένη σε δύο μεταβλητές της αγοράς. Πιθανή αύξηση των 2 μεταβλητών
Διαβάστε περισσότεραΣυμπίεση Δεδομένων
Συμπίεση Δεδομένων 2014-2015 Κβάντιση Δρ. Ν. Π. Σγούρος 2 Αναλογικά Ψηφιακά Σήματα Αναλογικό Σήμα x t, t [t min, t max ], x [x min, x max ] Δειγματοληψία t n, x t x n, n = 1,, N Κβάντιση x n x(n) 3 Αλφάβητο
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ Σε κάθε αποτέλεσμα του πειράματος αντιστοιχεί μία αριθμητική τιμή Μαθηματικός ορισμός: Τυχαία μεταβλητή X είναι
Διαβάστε περισσότεραΣυμπίεση Δεδομένων
Συμπίεση Δεδομένων 2014-2015 Στοιχεία Επεξεργασίας Σήματος Δρ. Ν. Π. Σγούρος 2 Εργοδικές Διαδικασίες Η μέση τιμή διαφόρων στιγμιότυπων της διαδικασίας (στατιστική μέση τιμή) ταυτίζεται με τη χρονική μέση
Διαβάστε περισσότεραΨηφιακή Επεξεργασία και Ανάλυση Εικόνας. Ακαδημαϊκό Έτος Παρουσίαση Νο. 2. Δισδιάστατα Σήματα και Συστήματα #1
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ακαδημαϊκό Έτος 009-0 Παρουσίαση Νο. Δισδιάστατα Σήματα και Συστήματα # Βασικοί ορισμοί () Κάθε εικόνα είναι ένα δισδιάστατο (-D) σήμα. Αναλογική εικόνα: x α Ψηφιακή
Διαβάστε περισσότεραΟΡΙΣΜΟΣ ΤΟΥ ΠΙΝΑΚΑ ΣΥΝΔΙΑΣΠΟΡΑΣ (Covariance Matrix)ΕΙΚΟΝΑΣ. Έστω ότι κάθε pixel της εικόνας έχει φωτεινότητα a i, i=1,2,...,ν
ΤΜΗΜΑ ΠΛΗΡ/ΚΗΣ &ΤΗΛ/ΝΙΩΝ 206 ΟΡΙΣΜΟΣ ΤΟΥ ΠΙΝΑΚΑ ΣΥΝΔΙΑΣΠΟΡΑΣ (ovince Mtix)ΕΙΚΟΝΑΣ ε Έστω η εικόναετου σχήματος με τα φωτεινά pixels να έχουν το κάθε ένα διάνυσμα θέσης i =(x i,y i ),i=,2,...,ν Έστω ότι
Διαβάστε περισσότεραE [ -x ^2 z] = E[x z]
1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής
Διαβάστε περισσότεραΣυμπίεση Δεδομένων
Συμπίεση Δεδομένων 2014-2015 Κβάντιση Δρ. Ν. Π. Σγούρος 2 Άσκηση 5.1 Για ένα σήμα που έχει τη σ.π.π. του σχήματος να υπολογίσετε: μήκος του δυαδικού κώδικα για Ν επίπεδα κβάντισης για σταθερό μήκος λέξης;
Διαβάστε περισσότεραΒαθμονόμηση κάμερας Camera Calibration. Κ Δελήμπασης 1
Βαθμονόμηση κάμερας Camera Calibration Κ Δελήμπασης 1 Βασικές αρχές σχηματισμού εικόνας Σκοτεινός θάλαμος Pinhole camera camera obscura Απόσταση αντικ - κάμ Απόσταση κάμ - είδωλο Ομοια τριγωνα Ομοια τριγωνα
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 περισσότεραΝοέμβριος 2005 Σ. Φωτόπουλος ΨΕΕ κεφ.4 ΑΝΙΧΝΕΥΣΗ ΑΚΜΩΝ ΔΠΜΣ ΗΕΠ 1/53
Νοέμβριος 5 Σ. Φωτόπουλος ΨΕΕ κεφ.4 ΑΝΙΧΝΕΥΣΗ ΑΚΜΩΝ ΔΠΜΣ ΗΕΠ /53 Ακμή ή περίγραμμα (edge) σεμιαεικόναχ ij ορίζεται ως το σύνολο των σημείων στη θέση i,j της εικόνας, όπου παρατηρείται μία σημαντική αλλαγή
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Μορφολογική Επεξεργασία Εικόνας Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Μορφολογική Επεξεργασία
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 περισσότεραΚεφ. 7: Συνήθεις διαφορικές εξισώσεις (ΣΔΕ) - προβλήματα αρχικών τιμών
Κεφ. 7: Συνήθεις διαφορικές εξισώσεις (ΣΔΕ) - προβλήματα αρχικών τιμών 7. Εισαγωγή (ορισμός προβλήματος, αριθμητική ολοκλήρωση ΣΔΕ, αντικατάσταση ΣΔΕ τάξης n με n εξισώσεις ης τάξης) 7. Μέθοδος Euler 7.3
Διαβάστε περισσότεραΔ10. Συμπίεση Δεδομένων
Συμπίεση Δεδομένων 203-204 Κωδικοποίηση εικονοροής (Video) Δρ. Ν. Π. Σγούρος 2 Ανάλυση Οθονών Δρ. Ν. Π. Σγούρος 3 Πρωτόκολλα μετάδοσης εικονοροών Πρωτόκολλο Ρυθμός (Hz) Φίλμ 23.976 ATSC 24 PAL,DVB-SD,DVB-HD
Διαβάστε περισσότεραΣτατιστική περιγραφή τουπεδίουβαρύτητας
Στατιστική περιγραφή τουπεδίουβαρύτητας ΣΤΑΤΙΣΤΙΚΗ ΠΕΡΙΓΡΑΦΗ ΤΟΥ ΠΕ ΙΟΥ ΒΑΡΥΤΗΤΑΣ Οι ανωµαλίες της βαρύτητας σε παγκόσµια κλίµακα θεωρούνται στατιστικά µεγέθη µε µέση τιµή µηδέν Τα στατιστικά χαρακτηριστικά
Διαβάστε περισσότεραΠαραδείγματα Ιδιοτιμές Ιδιοδιανύσματα
Παραδείγματα Ιδιοτιμές Ιδιοδιανύσματα Παράδειγμα Να βρείτε τις ιδιοτιμές και τα αντίστοιχα ιδιοδιανύσματα του πίνακα A 4. Επίσης να προσδιοριστούν οι ιδιοχώροι και οι γεωμετρικές πολλαπλότητες των ιδιοτιμών.
Διαβάστε περισσότερα3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ
20 3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ ΟΡΙΣΜΟΣ ΤΗΣ ΜΕΣΗΣ ΤΙΜΗΣ Μια πολύ σηµαντική έννοια στη θεωρία πιθανοτήτων και τη στατιστική είναι η έννοια της µαθηµατικής ελπίδας ή αναµενόµενης τιµής ή µέσης τιµής µιας τυχαίας
Διαβάστε περισσότεραΘέση και Προσανατολισμός
Κεφάλαιο 2 Θέση και Προσανατολισμός 2-1 Εισαγωγή Προκειμένου να μπορεί ένα ρομπότ να εκτελέσει κάποιο έργο, πρέπει να διαθέτει τρόπο να περιγράφει τα εξής: Τη θέση και προσανατολισμό του τελικού στοιχείου
Διαβάστε περισσότεραΣτοχαστικά Σήματα και Τηλεπικοινωνιές
Στοχαστικά Σήματα και Τηλεπικοινωνιές Ενότητα 2: Ανασκόπηση Στοιχείων Γραμμικής Άλγεβρας Καθηγητής Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ και Πληροφορικής Σκοποί ενότητας Παρουσίαση/υπενθύμιση
Διαβάστε περισσότεραΣυμπίεση Πληροφορίας Πλαισίου με Ανάλυση Κύριων Συνιστωσών
Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πρόγραμμα Μεταπτυχιακών Σπουδών Συμπίεση Πληροφορίας Πλαισίου με Ανάλυση Κύριων Συνιστωσών Διπλωματική Εργασία Παναγιώτης Γεώργας (Μ1040) Επιβλέπωντες: Επικ. Καθηγητής
Διαβάστε περισσότεραKεφάλαιο 4. Συστήµατα διαφορικών εξισώσεων.
4 Εισαγωγή Kεφάλαιο 4 Συστήµατα διαφορικών εξισώσεων Εστω διανυσµατικό πεδίο F: : F=F( r), όπου r = ( x, ) και Fr είναι η ταχύτητα στο σηµείο r πχ ενός ρευστού στο επίπεδο Εστω ότι ψάχνουµε τις τροχιές
Διαβάστε περισσότεραΑνάκτηση πολυμεσικού περιεχομένου
Ανάκτηση πολυμεσικού περιεχομένου Ανίχνευση / αναγνώριση προσώπων Ανίχνευση / ανάγνωση κειμένου Ανίχνευση αντικειμένων Οπτικές λέξεις Δεικτοδότηση Σχέσεις ομοιότητας Κατηγοριοποίηση ειδών μουσικής Διάκριση
Διαβάστε περισσότεραΑκαδηµαϊκό Έτος , Χειµερινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ, ΤΜΗΜΑ Ι ΑΚΤΙΚΗΣ ΤΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΨΣ 50: ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ακαδηµαϊκό Έτος 005 006, Χειµερινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΤΕΛΙΚΗ ΕΞΕΤΑΣΗ Η εξέταση
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Ψηφιακή Επεξεργασία Εικόνας Ενότητα 6 : Κωδικοποίηση & Συμπίεση εικόνας Ιωάννης Έλληνας Τμήμα Η/ΥΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΕπισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ. M. Kούτρας
Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ M. Kούτρας Πειραιάς, 2014 1 Από κοινού συνάρτηση πιθανότητας μιας δισδιάστατης διακριτής τυχαίας μεταβλητής Με λόγια, η f ( x, y) δίνει την πιθανότητα να εμφανισθεί
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ. Μαθηματικά 2. Σταύρος Παπαϊωάννου
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ Μαθηματικά Σταύρος Παπαϊωάννου Ιούνιος Τίτλος Μαθήματος Περιεχόμενα Χρηματοδότηση. Σφάλμα! Δεν έχει οριστεί σελιδοδείκτης. Σκοποί Μαθήματος
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 περισσότεραΧρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων»
Μεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων» Οδηγίες: Σχετικά με την παράδοση της εργασίας θα πρέπει: Το κείμενο
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Μαθηματική μορφολογία Μαθηματική μορφολογία Γενικά Παρέχει εργαλεία για την επεξεργασία εικόνας
Διαβάστε περισσότερα1.4 Λύσεις αντιστρόφων προβλημάτων.
.4 Λύσεις αντιστρόφων προβλημάτων. Ο τρόπος παρουσίασης της λύσης ενός αντίστροφου προβλήµατος µπορεί να διαφέρει ανάλογα µε τη «φιλοσοφία» επίλυσης που ακολουθείται και τη δυνατότητα παροχής πρόσθετης
Διαβάστε περισσότεραΑπλή Παλινδρόμηση και Συσχέτιση
Απλή Παλινδρόμηση και Συσχέτιση Πωλήσεις, Δαπάνες Διαφήμισης και Αριθμός Πωλητών Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) 98 050 6 3 989
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Χωρικά φίλτρα Χωρικά φίλτρα Γενικά Σε αντίθεση με τις σημειακές πράξεις και μετασχηματισμούς, στα
Διαβάστε περισσότεραΑσκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 4 o Φροντιστήριο
Ασκήσεις Φροντιστηρίου 4 o Φροντιστήριο Πρόβλημα 1 ο Ο πίνακας συσχέτισης R x του διανύσματος εισόδου x( στον LMS αλγόριθμο 1 0.5 R x = ορίζεται ως: 0.5 1. Ορίστε το διάστημα των τιμών της παραμέτρου μάθησης
Διαβάστε περισσότεραΘέμα 1. με επαυξημένο 0 1 1/ 2. πίνακα. και κλιμακωτή μορφή αυτού
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Ι (ΘΕ ΠΛΗ ) ΕΝΔΕΙΚΤΙΚΕΣ ΛΥΣΕΙΣ ΕΠΑΝΑΛΗΠΤΙΚΗΣ ΕΞΕΤΑΣΗΣ Ιουλίου 0 Θέμα α) (Μον.6) Να βρεθεί η τιμή του πραγματικού
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ. Μαθηματικά 1. Σταύρος Παπαϊωάννου
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ Μαθηματικά Σταύρος Παπαϊωάννου Ιούνιος 05 Τίτλος Μαθήματος Περιεχόμενα Χρηματοδότηση.. Σφάλμα! Δεν έχει οριστεί σελιδοδείκτης. Σκοποί Μαθήματος
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 περισσότεραΑνακατασκευή εικόνας από προβολές
Ανακατασκευή εικόνας από προβολές Μέθοδος ανακατασκευής με χρήση χαρακτηριστικών δειγμάτων προβολής Αναστάσιος Κεσίδης Δρ. Ηλεκτρολόγος Μηχανικός Θέματα που θα αναπτυχθούν Εισαγωγή στις τομογραφικές μεθόδους
Διαβάστε περισσότεραΜάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 8 ο Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1 Εισαγωγή (1) Οι ακμές είναι βασικά χαρακτηριστικά της εικόνας. Ένας αποδεκτός ορισμός της ακμής είναι ο ακόλουθος: «Το σύνορο μεταξύ δύο ομοιογενών περιοχών με
Διαβάστε περισσότεραΚεφ. 6Β: Συνήθεις διαφορικές εξισώσεις (ΣΔΕ) - προβλήματα αρχικών τιμών
Κεφ. 6Β: Συνήθεις διαφορικές εξισώσεις (ΣΔΕ) - προβλήματα αρχικών τιμών. Εισαγωγή (ορισμός προβλήματος, αριθμητική ολοκλήρωση ΣΔΕ, αντικατάσταση ΣΔΕ τάξης n με n εξισώσεις ης τάξης). Μέθοδος Euler 3. Μέθοδοι
Διαβάστε περισσότεραΕπισκόπηση ύλης Πιθανοτήτων Μέρος ΙΙ. M. Kούτρας
Επισκόπηση ύλης Πιθανοτήτων Μέρος ΙΙ M. Kούτρας Πειραιάς, 2015 Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ M. Kούτρας Πειραιάς, 2015 1 Από κοινού συνάρτηση πιθανότητας μιας δισδιάστατης διακριτής τυχαίας μεταβλητής
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Ψηφιακή Επεξεργασία Εικόνας Ενότητα 7 : Πρότυπο συμπίεσης JPEG Ιωάννης Έλληνας Τμήμα Η/ΥΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΜάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 8 ο Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1 Εισαγωγή (1) Οι ακμές είναι βασικά χαρακτηριστικά της εικόνας Προς το παρόν δεν υπάρχει ακόμα ένας ευρέως αποδεκτός ορισμός της ακμής. Εδώ θα θεωρούμε ως ακμή:
Διαβάστε περισσότεραΚΑΤΑΣΤΡΩΣΗ ΔΙΑΦΟΡΙΚΩΝ ΕΞΙΣΩΣΕΩΝ ΠΟΛΥΒΑΘΜΙΩΝ ΣΥΣΤΗΜΑΤΩΝ 55
ΚΑΤΑΣΤΡΩΣΗ ΔΙΑΦΟΡΙΚΩΝ ΕΞΙΣΩΣΕΩΝ ΠΟΛΥΒΑΘΜΙΩΝ ΣΥΣΤΗΜΑΤΩΝ 55 ΚΕΦΑΛΑΙΟ 3 ΚΑΤΑΣΤΡΩΣΗ ΔΙΑΦΟΡΙΚΩΝ ΕΞΙΣΩΣΕΩΝ ΠΟΛΥΒΑΘΜΙΩΝ ΣΥΣΤΗΜΑΤΩΝ 3.. Εισαγωγή Αναφέρθηκε ήδη στο ο κεφάλαιο ότι η αναπαράσταση της ταλαντωτικής
Διαβάστε περισσότερα3. Γραμμικά Συστήματα
3. Γραμμικά Συστήματα Ασκήσεις 3. Αποδείξτε ότι το γινόμενο δύο άνω τριγωνικών πινάκων είναι άνω τριγωνικός πίνακας. Επίσης, στην περίπτωση που ένας άνω τριγωνικός πίνακας U 2 R n;n είναι αντιστρέψιμος,
Διαβάστε περισσότεραΟρίζουμε την τυπική πολυδιάστατη κανονική, σαν την κατανομή του τυχαίου (,, T ( ) μεταξύ τους ανεξάρτητα. Τότε
Η πολυδιάστατη κανονική κατανομή Ορίζουμε την τυπική πολυδιάστατη κανονική, σαν την κατανομή του τυχαίου (,, διανύσματος =, όπου ~ N ( 0, και όλα τα μεταξύ τους ανεξάρτητα Τότε = (,, = ( 0, ( 0, f x f
Διαβάστε περισσότεραΜέθοδοι Αναπαράστασης Περιοχών
KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Μέθοδοι Αναπαράστασης Περιοχών ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Εισαγωγή Χαρακτηριστικά χώρου Χαρακτηριστικά από µετασχηµατισµό
Διαβάστε περισσότερα, και. είναι σταθερές (χρονικά αμετάβλητες), προκύπτει το χρονικά αμετάβλητο φίλτρο Kalman (Time Invariant Kalman Filter):
1 ΧΡΟΝΙΚΑ ΑΜΕΤΑΒΛΗΤΟ ΦΙΛΤΡΟ KALMAN Για το χρονικά αμετάβλητο μοντέλο, όπου οι μήτρες F( k 1, k) F, H( k 1) H, Q( k) Q και R( k 1) R είναι σταθερές (χρονικά αμετάβλητες), προκύπτει το χρονικά αμετάβλητο
Διαβάστε περισσότεραΨηφιακές Τηλεπικοινωνίες. Δισδιάστατες Κυματομορφές Σήματος
Ψηφιακές Τηλεπικοινωνίες Δισδιάστατες Κυματομορφές Σήματος Εισαγωγή Στα προηγούμενα μελετήσαμε τη διαμόρφωση PAM δυαδικό και Μ-αδικό, βασικής ζώνης και ζωνοπερατό Σε κάθε περίπτωση προέκυπταν μονοδιάστατες
Διαβάστε περισσότεραΨηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 2 η : Δισδιάστατα Σήματα & Συστήματα Μέρος 2
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 2 η : Δισδιάστατα Σήματα & Συστήματα Μέρος 2 Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Παρουσιάση πλάτους
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 περισσότεραΠΡΟΒΛΗΜΑΤΑ ΔΥΟ ΔΙΑΣΤΑΣΕΩΝ
ΠΡΟΒΛΗΜΑΤΑ ΔΥΟ ΔΙΑΣΤΑΣΕΩΝ Η ανάλυση προβλημάτων δύο διαστάσεων με τη μέθοδο των Πεπερασμένων Στοιχείων περιλαμβάνει τα ίδια βήματα όπως και στα προβλήματα μιας διάστασης. Η ανάλυση γίνεται λίγο πιο πολύπλοκη
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Φιλτράρισμα στο πεδίο των Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Φίλτρο: μια διάταξη ή
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 4 th part 12/3/2018 Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Βασικές έννοιες επεξεργασίας Φιλτράρισμα στο χωρικό
Διαβάστε περισσότεραΜετασχηµατισµοί 2 &3
Μετασχηµατισµοί &3 Περιγράφονται σαν σύνθεση βασικών: µετατόπιση, αλλαγή κλίµακας,περιστροφή, στρέβλωση Χωρίζονται σε γεωµετρικούς (εδώ) και αξόνων (αντίστροφοι) Θέσεις αντικειµένων και φωτεινών πηγών
Διαβάστε περισσότεραΤι είναι βαθμωτό μέγεθος? Ένα μέγεθος που περιγράφεται μόνο με έναν αριθμό (π.χ. πίεση)
TETY Εφαρμοσμένα Μαθηματικά Ενότητα ΙΙ: Γραμμική Άλγεβρα Ύλη: Διανυσματικοί χώροι και διανύσματα, μετασχηματισμοί διανυσμάτων, τελεστές και πίνακες, ιδιοδιανύσματα και ιδιοτιμές πινάκων, επίλυση γραμμικών
Διαβάστε περισσότεραΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 3 η Ημερομηνία Αποστολής στον Φοιτητή: 7 Ιανουαρίου 2008
ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ η Ημερομηνία Αποστολής στον Φοιτητή: 7 Ιανουαρίου 8 Ημερομηνία παράδοσης της Εργασίας: Φεβρουαρίου 8 Πριν από την λύση κάθε άσκησης καλό
Διαβάστε περισσότεραΕΠΕΞΕΡΓΑΣΙΑ & ΑΝΑΛΥΣΗ ΙΑΤΡΙΚΩΝ ΣΗΜΑΤΩΝ
BIOMIG Medical Image Processing, Algorithms and Applications http://biomig.ntua.gr ΕΠΕΞΕΡΓΑΣΙΑ & ΑΝΑΛΥΣΗ ΙΑΤΡΙΚΩΝ ΣΗΜΑΤΩΝ Εισαγωγή στην MRI και στην fmri ΔΡ. Γ. ΜΑΤΣΟΠΟΥΛΟΣ ΑΝ. ΚΑΘΗΓΗΤΗΣ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ
Διαβάστε περισσότερα