Éldetektálás. Digitális képelemzés alapvető algoritmusai. Képi élek. Csetverikov Dmitrij. A Canny-éldetektor Az éldetektálás utófeldolgozása

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Éldetektálás. Digitális képelemzés alapvető algoritmusai. Képi élek. Csetverikov Dmitrij. A Canny-éldetektor Az éldetektálás utófeldolgozása"

Átírás

1 Éldetektálás Digitális képelemzés alapvető algoritmusai 1 Alapvető képi sajátságok Csetverikov Dmitrij Eötvös Lóránd Egyetem, Budapest csetverikov@sztaki.hu Informatikai Kar Az éldetektálás elvei 3 Gradiens élszűrők Egyszerű gradiensszűrők A Canny-éldetektor Az éldetektálás utófeldolgozása 4 A zero-crossing éldetektor Alapvető képi sajátságok Képi élek corner line blob Él: kontúrra merőleges intenzitás-változás a mai előadás Sarok: hirtelen forduló kontúron a következő előadás Vonal: keskeny, hosszú régió Képi élek nem mindig esnek egybe fizikai élekkel. azaz 3D-s tárgyak éleivel Képi élek hirtelen intenzitás-változások. intensity discontinuities Fizikai élek hirtelen felület-változások. surface discontinuities Például arnyékok élei nem esnek egybe felület-változásokkal. de mégis fizikai élekből erednek, azok vetületei Folt: kompakt régió

2 Az élek jelentősége Az éldetektálás lépései 1/: élszűrés Gyakran egybeesnek fizikai élekkel. az objektumok határaival Alapot adnak kontúralapú képszegmentáláshoz. Az emberi szem a látás alacsony szintjén, "hardverben" detektálja az éleket. nem intenzitásokkal, hanem intenzitás-külónbségekkel operál így tud változó fényviszonyokhoz alkalmazkodni original image Edge filtering magnitude orientation Edge localisation Élszűrés elött simító zajszűrőt alkalmazhatunk. Egy élszűrő élekre reagál. felerősíti az éleket elnyomja a kisváltozású régiókat map orientation ideális él elmosódott él Egy tipikus élszűrő eredménye: élerősség (magnitúdó): lokális kontraszt élorientáció: a kontúr lokális orientációja Az éldetektálás lépései /: éllokalizálás Éldetektálási példa: 3 3-s Prewitt operátor Edge filtering Edge localisation original image magnitude orientation map orientation eredeti kép élerősség élorientáció élkép Éllokalizálás egy vagy több utófeldolgozási lépés. Eltüntet zajos éleket. Eltüntet "fantom" éleket. Vékony, folytonos kontúrokat biztosít. Bináris élképet eredményez. a pixel élpont-e hozzárendelhetünk orientációt is Élorientáció cirkuláris adat: ugrik -nál és π-nél. felső vonal alsó vonal Az eredeti kép keresztmetszetei a két vonal mentén.

3 Élnormálvektor, élirányvektor és élorientáció Élszűrők direction normal orientation Élnormálvektor: Az élre merőleges egységvektor a leggyorsabb intenzitás-növekedés irányában. Élirányvektor: Az élnormálvektorra merőleges, vele pozitív szöget bezáró egységvektor. párhuzamos az éllel Élorientáció: cirkuláris adat, mod π. Élszűrők alkalmazzák a képfüggvény deriváltjait, hogy felerősítsék az élre merőleges intenzitás-változásokat elnyomják az ilyen változásokat nem tartalmazó régiókat Élszűrésre gyakran a következő operátorokat alkalmazzák: a gradiens operátort, eredménye egy vektor ( ) f(x, y) =. f x, f y a Laplace operatort, eredménye egy skalár f(x, y). = f x + f y Élek és deriváltak kapcsolata Jó élszűrő kritériumai 1/ Az élek vagy az első derivált abszolút értékének maximumai a második derivált nulla átmenetei, előjel-váltásai f(x) f x f x Nullás eredmény ott, ahol nincs képváltozás. maszkelemek összege nulla: r,c w(r, c) = Izotrópia az eredmény nem függ az él orientációjától Jó detektálás. A következő események valószínűsége minimális: hamis, zajos élek detektálása (false positives) valós élek elvesztése (false negatives)

4 Jó élszűrő kritériumai / Az izotrópia-kritérium illusztrációja Jó lokalizálás a detektált él lehető legközelebb van a tényleges élhez Egy élet csak egyszer jelez (single response). a valós él körüli hamis lokális maximumok száma minimális eredeti kép izotrop élszűrő anizotrop élszűrő step response noisy response Valós él körüli hamis lokális maximumok. Izotrop élszűrő: minden irányra azonos magnitúdó Anizotrop élszűrő: irányfüggő magnitúdó a 45 k irányokban erősebb (k = 1,,...) a 9 k irányokban gyengébb A "single response" kritérium illusztrációja Gradiens élszűrők W1 W object Feltételezzük, hogy a képfüggvény deriválható és minden pontban meghatározzuk a gradiensvektort ( ) f(x, y) =. f x, f = ( ) f x, f y y Ugyanazt a kontúrdarabor az W1 és W ablakban is látjuk. valós élekkel párhuzamos "fantom" élek, vastag kontúrok A magnitúdó függ az ablak és a kontúr átfedésétől. A jelenség mindenfajta detektálási feladatra jellemző ha csúsztatott ablakkal végezzük A gradiensvektor magnitúdója és szöge M(x, y) = fx + fy Θ(x, y) = arctan f x f y Θ(x, y) a leggyorsabb intenzitás-növekedés iránya M(x, y) a leggyorsabb intenzitás-növekedés nagysága

5 Intenzitás-felület A gradiensvektor jelentése direction fastest growth intensity surface kép intenzitás-felület küszöbölt 1 küszöbölt gradient = normal Az f(x, y) képfüggvényt 3D-s felületnek ábrázoljuk. Az intenzitás-felületre ráraktuk a képet. A küszöbölt (szintre vágott) kép kontúrjai szintvonalak. level lines Az él intenzitás-felülete, a szintvonalak és a gradiens. 3 3-as gradiensszűrők A Canny-éldetektor tulajdonságai A parciális deriváltakat különbségekkel approximáljuk. X és Y irányú gradiensszűrőket kapunk f G x = f x, G y a G x 9-fokos elforgatottja f G y = f y Gyakran a Prewitt- és a Sobel-szűrőt használják. Az izotrop szűrő kevésbé érzékeny az él orientációjára. Prewitt G x Sobel G x Izotrop G x A Canny-éldetektor optimális zajosított ideális élre, ha a zaj additív, nemkorrelált és normáleloszlású az élszűrő lineáris Az optimalitási kritérium két alkritérium kombinációja: jó detektálás jó lokalizálás A "single response" kritérium teljesítéséhez az éldetektor két utófeldolgozási eljárást alkalmaz: nem-maximumok elnyomását (non-maxima suppression) hiszterézis-küszöbölést (hysteresis thresholding) Az eredeti Canny-szűrő elég bonyolult de van egyszerűsített, közelítő változata

6 A Canny-szűrő egyszerűsített, közelítő változata A egyszerűsített Canny-szűrő gyors mevalósítása Gauss-szűrővel elsimítjuk a képet g(x, y) = f(x, y) w G (x, y; σ) Utána alkalmazzuk a gradiensszűrőt és megkapjuk az élerősséget és -orientációt. A σ paraméter meghatározza a szűrő méretét. σ választása a következő tényezőktől függ: kívánt részletsség: finom élek vagy globális élek zajszint Felhasználjuk a lineáris szűrők asszociatívitását: ( f(x, y) w G (x, y) ) = f(x, y) ( w G (x, y) ) Felhasználjuk a Gauss-szűrő szeparábilitását: w G (x, y) = w G (x) w G (y) Megkapjuk a gradiensszűrő vektort: w G (x, y) = ( w G (y) w G (x), w G(x) w G (y)) w G (x) =. w } G(x) = C x exp { x x σ A szűrőt két 1D-s szűrő sorozataként alkalmazzuk w G (x) alakja növekvő σ-ra Éllokalizálás DERIVATIVE of GAUSSIAN σ=.5 σ=.8 σ= RADIUS Bemenet M(x, y) élerősség (magnitúdó) Θ(x, y) élorientáció Kimenet bináris élkép: 1 ha van él, ha nincs él Nagy élerősségű pontok közül kiválasztja a valós éleket. Minden olyan élszűrővel alkalmazható, amely élerősséget és -orientációt biztosít gradiens: pl. Canny, Prewitt nem gradiens: pl. Mérő-Vassy Két alapműveletet tartalmaz, lásd Canny-éldetektor. csak a nem-maximumok elnyomásáról lesz itt szó

7 A nem-maximumok elnyomása (NME) Illusztrációk az NME-művelethez A fantomélek miatt az M(x, y)-ben levő kontúrok vastagok. A művelet törli a nemmaximális erősségű pixeleket megőrizve a kontúrok folytonosságát. Algoritmus: A nem-maximumok elnyomása 1 Az M (x, y) kimenetbe bemásoljuk az M(x, y)-t. Az M(x, y)-ben minden pontból lépünk a két, élre merőleges irányban. 3 Legyen a kiinduló pixel C, a két szomszédos pixel az élre merőlegesen A és B. 4 Ha M(A) > M(C) vagy M(B) > M(C), akkor az M (x, y)-ben töröljük a C-t: M (x, y) =. normal direction pixel A Ponttörlés pixel C pixel B M(C)>M(A) M(C)>M(B) A C-t nem töröljük, mert M(C) > M(A), M(C) > M(B) A A-t, B-t töröljük, mert M(A) < M(C), M(B) < M(C) Élre merőleges lépés normal A középső pixel jobb- és baloldali szomszéját kell választani, ha az élnormálvektor a jelzett szögtartományban van..5.5 Példa a nem-maximumok elnyomására A zero-crossing éldetektor működési elve Steep Blurred élerősség élerősség-metszet NME eredménye Az NME vékonyítja a kontúrokat az élerősség képen. Az élerősség-metszetet a vonal mentén kinagyítva mutatjuk. f(x) df dx d f _ dx Double Zero crossing Alkalmazzuk a Laplace szűrőt. A szűrt képen megkeressük a nulla átmeneteket.

8 A nulla átmenetek keresése A LoG operátor konvolúciós maszkja A Laplace-szűrő helyett használjuk a LoG szűrőt. Laplacian-of-Gaussian deriválás előtti simítás, regularizáció Az ablak közepéből induló r,θ polárkoordinátákban vagy Felhasználhatjuk a fenti egyszerű maszkokat és elforgatottjaikat. előjel váltás vonal két oldalán nulla átmenet Lokálisan közelíthetjük a képfüggvényt lineáris függvénnyel. analitikus megoldás f = 1 r ( f ) 1 f r + r r r θ Az operátorok felcserélhetőségét és a Gauss-szűrő szimmertiáját felhasználva megkapjuk a LoG operátort: w LoG (r) = C ( r σ ) exp { } r σ A LoG szűrő alakja változó σ-ra A Difference-of-Gaussians (DoG) szűrő LAPLACIAN of GAUSSIAN σ= σ=.5 σ= RADIUS w "Mexikói kalap" σ részletességi paraméter kisebb σ finomabb élek A LoG szűrőt elvágjuk kσ-nál, a Gauss szűrőhöz hasonlóan. A pozitív középső rész mérete w = σ. A LoG szűrő nem szeparábilis. nagy σ esetén lassú A Difference-of-Gaussians szűrő a LoG szűrő gyors szeparábilis közelítése w LoG (r;σ) w G (r;σ 1 ) w G (r;σ ). = w DoG (r; σ 1,σ ) w G (r;σ 1 ), w G (r;σ ) két Gauss-szűrő általános esetben σ σ 1 < σ Gyakran használják a σ 1 = σ, σ = 1.6σ beállítást: w DoG (r;σ) = w G (r; σ) w G (r; 1.6σ)

9 A zero-crossing éldetektor tulajdonságai A zero-crossing éldetektor paramétere Folytonos zero-crossing éldetektor zárt kontúrokat eredményez. folytonos felület vízszintes síkkal való metszete elvileg, segíthet kontúrkövetésben a gyakorlatban sok zajos kontúrt kapunk Nem biztosít élorientációt. a nem-maximumok elnyomását nem lehet alkalmazni gyenge, fantom és zajos éleket másképpen kell eltávolítani pl. a gradiens segítségével: kis gradiens zajos él A σ paraméterrel beállíthatjuk a szűrő méretét. Ez részletesség-szabályozást jelent. σ változásával élhierárchia alakul ki a scale-space-ben a részletesség csökkenésével az élek eltünnek vagy összeolvadnak fa-szerű élstruktúra támogatja a kép struktúrális elemzését Példák ös szűrővel történő éldetektálásra LoG abszolút LoG nulla DoG nulla LoG abszolút: a LoG output abszolút értéke a sötét vonalak a kontúrok LoG nulla: itt eltávolítottuk a gyenge éleket. DoG nulla: itt nem távolítottuk el a gyenge éleket.

6. Éldetektálás. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)

6. Éldetektálás. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 6. Éldetektálás Kató Zoltán Képeldolgozás és Számítógépes Graika tanszék SZTE (http://www.in.u-szeged.hu/~kato/teaching/) 2 Élek A képen ott található él, ahol a kép-üggvény hirtelen változik. A kép egy

Részletesebben

Sergyán Szabolcs szeptember 21.

Sergyán Szabolcs szeptember 21. Éldetektálás Sergyán Szabolcs Budapesti Műszaki Főiskola Neumann János Informatikai Kar 2009. szeptember 21. Sergyán Sz. (BMF NIK) Éldetektálás 2009. szeptember 21. 1 / 28 Mit nevezünk élnek? Intuitív

Részletesebben

Él: a képfüggvény hirtelen változása. Típusai. Felvételeken zajos formában jelennek meg. Lépcsős

Él: a képfüggvény hirtelen változása. Típusai. Felvételeken zajos formában jelennek meg. Lépcsős Él: a képfüggvény hirtelen változása Típusai Lépcsős Rámpaszerű Tetőszerű Vonalszerű él Felvételeken zajos formában jelennek meg Adott pontbeli x ill. y irányú változás jellemezhető egy f folytonos képfüggvény

Részletesebben

Képszűrés II. Digitális képelemzés alapvető algoritmusai. Laplace-operátor és approximációja. Laplace-szűrő és átlagolás. Csetverikov Dmitrij

Képszűrés II. Digitális képelemzés alapvető algoritmusai. Laplace-operátor és approximációja. Laplace-szűrő és átlagolás. Csetverikov Dmitrij Képszűrés II Digitális képelemzés alapvető algoritmusai Csetverikov Dmitrij Eötvös Lóránd Egyetem, Budapest csetverikov@sztaki.hu http://vision.sztaki.hu Informatikai Kar 1 Laplace-szűrő 2 Gauss- és Laplace-képpiramis

Részletesebben

Képfeldolgozás jól párhuzamosítható

Képfeldolgozás jól párhuzamosítható Képfeldolgozás jól párhuzamosítható B. Wilkinson, M. Allen: Parallel Programming, Pearson Education Prentice Hall, 2nd ed., 2005. könyv 12. fejezete alapján Vázlat A képfeldolgozás olyan alkalmazási terület,

Részletesebben

Képfeldolgozás jól párhuzamosítható

Képfeldolgozás jól párhuzamosítható Képeldolgozás jól párhuzamosítható B. Wilkinson, M. Allen: Parallel Programming, Pearson Education Prentice Hall, nd ed., 005. könyv. ejezete alapján Vázlat A képeldolgozás olyan alkalmazási terület, amely

Részletesebben

A médiatechnológia alapjai

A médiatechnológia alapjai A médiatechnológia alapjai Úgy döntöttem, hogy a Szirányi oktatta előadások számonkérhetőnek tűnő lényegét kiemelem, az alapján, amit a ZH-ról mondott: rövid kérdések. A rész és az egész: összefüggések

Részletesebben

Éldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea

Éldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea Éldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea Geometrikus deformálható modellek Görbe evolúció Level set módszer A görbe evolúció parametrizálástól független mindössze geometriai

Részletesebben

First Prev Next Last Go Back Full Screen Close Quit

First Prev Next Last Go Back Full Screen Close Quit Többváltozós függvények (2) First Prev Next Last Go Back Full Screen Close Quit 1. Egyváltozós függvények esetén a differenciálhatóságból következett a folytonosság. Fontos tudni, hogy abból, hogy egy

Részletesebben

Az egyenlőtlenség mindkét oldalát szorozzuk meg 4 16-al:

Az egyenlőtlenség mindkét oldalát szorozzuk meg 4 16-al: Bevezető matematika kémikusoknak., 04. ősz. feladatlap. Ábrázoljuk számegyenesen a következő egyenlőtlenségek megoldáshalmazát! (a) x 5 < 3 5 x < 3 x 5 < (d) 5 x

Részletesebben

Képfeldolgozás 4. előadás Konvolúció, élkereső eljárások. Fotometriai alapok Benedek Csaba és Szirányi Tamás

Képfeldolgozás 4. előadás Konvolúció, élkereső eljárások. Fotometriai alapok Benedek Csaba és Szirányi Tamás Képfeldolgozás 4. előadás Konvolúció, élkereső eljárások. Fotometriai alapok Benedek Csaba és Szirányi Tamás. Ismétlés: konvolúciók http://mathworld.wolfram.com/convolution.html Súlyozott összeg-képzés

Részletesebben

3. Szűrés képtérben. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)

3. Szűrés képtérben. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 3. Szűrés képtérben Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE http://www.inf.u-szeged.hu/~kato/teaching/ 2 Kép transzformációk típusai Kép értékkészletének radiometriai információ

Részletesebben

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés

Részletesebben

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika 9. ea. 2015 ősz Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás,

Részletesebben

Konjugált gradiens módszer

Konjugált gradiens módszer Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK

Részletesebben

Képfeldolgozás és párhuzamosíthatóság

Képfeldolgozás és párhuzamosíthatóság Többszálú, többmagos architektúrák és programozásuk Óbudai Egyetem, Neumann János Informatikai Kar Képfeldolgozás és párhuzamosíthatóság A képfeldolgozás olyan alkalmazási terület, amely számos lehetőséget

Részletesebben

4. Szűrés frekvenciatérben

4. Szűrés frekvenciatérben 4. Szűrés frekvenciatérben Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) Unitér transzformációk Az unitér transzformációk olyan lineáris,

Részletesebben

8. Pontmegfeleltetések

8. Pontmegfeleltetések 8. Pontmegfeleltetések Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Példa: panoráma kép készítés 1. Jellemzőpontok detektálása mindkét

Részletesebben

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb

Részletesebben

A fontosabb definíciók

A fontosabb definíciók A legfontosabb definíciókat jelöli. A fontosabb definíciók [Descartes szorzat] Az A és B halmazok Descartes szorzatán az A és B elemeiből képezett összes (a, b) a A, b B rendezett párok halmazát értjük,

Részletesebben

Babeş Bolyai Tudományegyetem, Kolozsvár Matematika és Informatika Kar Magyar Matematika és Informatika Intézet

Babeş Bolyai Tudományegyetem, Kolozsvár Matematika és Informatika Kar Magyar Matematika és Informatika Intézet / Babeş Bolyai Tudományegyetem, Kolozsvár Matematika és Informatika Kar Magyar Matematika és Informatika Intézet / Tartalom 3/ kernelek segítségével Felügyelt és félig-felügyelt tanulás felügyelt: D =

Részletesebben

I. LABOR -Mesterséges neuron

I. LABOR -Mesterséges neuron I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,

Részletesebben

Képrestauráció Képhelyreállítás

Képrestauráció Képhelyreállítás Képrestauráció Képhelyreállítás Képrestauráció - A képrestauráció az a folyamat mellyel a sérült képből eltávolítjuk a degradációt, eredményképpen pedig az eredetihez minél közelebbi képet szeretnénk kapni

Részletesebben

Képszegmentáló eljárások. Orvosi képdiagnosztika 2018 ősz

Képszegmentáló eljárások. Orvosi képdiagnosztika 2018 ősz Képszegmentáló eljárások Orvosi képdiagnosztika 2018 ősz Képszegmentálás Anatómiai részek elkülönítés: pl. csontok, szív, erek, szürkefehér állomány, stb Vizsgálandó terület körbehatárolása: pl. tüdőterület

Részletesebben

és követés Dr. Loványi István BME-IIT 2014 április

és követés Dr. Loványi István BME-IIT 2014 április Él-, sarok-, minta detektálás és követés Dr. Loványi István BME-IIT 2014 április Megoldandó feladatok Jó jellemző felismerés (2D) Jó jellemzők követése (2D) 3D rekonstrukció (3D) önkalibráció 3D struktúra

Részletesebben

Kétdimenziós alakelemzés. Digitális képelemzés alapvető algoritmusai. Alakelemzés feladatai. Kétdimenziós alakelemzés tárgyai. Csetverikov Dmitrij

Kétdimenziós alakelemzés. Digitális képelemzés alapvető algoritmusai. Alakelemzés feladatai. Kétdimenziós alakelemzés tárgyai. Csetverikov Dmitrij Kétdimenziós alakelemzés Digitális képelemzés alapvető algoritmusai 1 Alakelemzés alapfogalmai Csetverikov Dmitrij Eötvös Lóránd Egyetem, Budapest csetverikov@sztaki.hu http://vision.sztaki.hu Informatikai

Részletesebben

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika 9. ea. 2015 ősz Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, hisztogram módosítás, zajszűrés, élkiemelés) Képelemzés

Részletesebben

(c) 2004 F. Estrada & A. Jepson & D. Fleet Canny Edges Tutorial: Oct. 4, '03 Canny Edges Tutorial References: ffl imagetutorial.m ffl cannytutorial.m

(c) 2004 F. Estrada & A. Jepson & D. Fleet Canny Edges Tutorial: Oct. 4, '03 Canny Edges Tutorial References: ffl imagetutorial.m ffl cannytutorial.m Canny Edges Tutorial: Oct. 4, '03 Canny Edges Tutorial References: ffl imagetutorial.m ffl cannytutorial.m ffl ~jepson/pub/matlab/isetoolbox/tutorials ffl ~jepson/pub/matlab/utvistoolbox/tutorials ffl

Részletesebben

Gépi tanulás a gyakorlatban. Lineáris regresszió

Gépi tanulás a gyakorlatban. Lineáris regresszió Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják

Részletesebben

ACM Snake. Orvosi képdiagnosztika 11. előadás első fele

ACM Snake. Orvosi képdiagnosztika 11. előadás első fele ACM Snake Orvosi képdiagnosztika 11. előadás első fele ACM Snake (ismétlés) A szegmentáló kontúr egy paraméteres görbe: x Zs s X s, Y s,, s A szegmentáció energia funkcionál minimalizálása: E x Eint x

Részletesebben

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika 9. ea. 2015 ősz Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás,

Részletesebben

Többváltozós függvények Feladatok

Többváltozós függvények Feladatok Többváltozós függvények Feladatok 2. szeptember 3. Határozzuk meg az alábbi sorozatok határértékét illetve torlódási pontjait!. ( n n2 + n n 3 2. ( n + n n5 n2 +2n+ 5 n n+ 3. ( sin(nπ/2 n n! Határozzuk

Részletesebben

{ } x x x y 1. MATEMATIKAI ÖSSZEFOGLALÓ. ( ) ( ) ( ) (a szorzás eredménye:vektor) 1.1. Vektorok közötti műveletek

{ } x x x y 1. MATEMATIKAI ÖSSZEFOGLALÓ. ( ) ( ) ( ) (a szorzás eredménye:vektor) 1.1. Vektorok közötti műveletek 1. MAEMAIKAI ÖSSZEFOGLALÓ 1.1. Vektorok közötti műveletek Azok a fizikai mennyiségek, melyeknek nagyságukon kívül irányuk is van, vektoroknak nevezzük. A vektort egyértelműen megadhatjuk a hosszával és

Részletesebben

Feladatok megoldásokkal a 9. gyakorlathoz (Newton-Leibniz formula, közelítő integrálás, az integrálszámítás alkalmazásai 1.

Feladatok megoldásokkal a 9. gyakorlathoz (Newton-Leibniz formula, közelítő integrálás, az integrálszámítás alkalmazásai 1. Feladatok megoldásokkal a 9. gyakorlathoz (Newton-Leibniz formula, közelítő integrálás, az integrálszámítás alkalmazásai.). Feladat. Határozzuk meg az alábbi integrálokat: a) x x + dx d) xe x dx b) c)

Részletesebben

MATEMATIKA 2. dolgozat megoldása (A csoport)

MATEMATIKA 2. dolgozat megoldása (A csoport) MATEMATIKA. dolgozat megoldása (A csoport). Definiálja az alábbi fogalmakat: (egyváltozós) függvény folytonossága, differenciálhatósága, (többváltozós függvény) iránymenti deriváltja. (3x8 pont). Az f

Részletesebben

Digitális képek szegmentálása. 5. Textúra. Kató Zoltán.

Digitális képek szegmentálása. 5. Textúra. Kató Zoltán. Digitális képek szegmentálása 5. Textúra Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Textúra fogalma Sklansky: Egy képen egy területnek állandó textúrája van ha a lokális statisztikák vagy

Részletesebben

Matematika A1a Analízis

Matematika A1a Analízis B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Matematika A1a Analízis BMETE90AX00 A derivált alkalmazásai H607, EIC 2019-04-03 Wettl

Részletesebben

I. feladatsor. 9x x x 2 6x x 9x. 12x 9x2 3. 9x 2 + x. x(x + 3) 50 (d) f(x) = 8x + 4 x(x 2 25)

I. feladatsor. 9x x x 2 6x x 9x. 12x 9x2 3. 9x 2 + x. x(x + 3) 50 (d) f(x) = 8x + 4 x(x 2 25) I. feladatsor () Határozza meg az alábbi függvények határozatlan integrálját: (a) f(x) = (b) f(x) = x + 4 9x + (c) f(x) = (d) f(x) = 6x + 5 5x + f(x) = (f) f(x) = x + x + 5 x 6x + (g) f(x) = (h) f(x) =

Részletesebben

Q 1 D Q 2 (D x) 2 (1.1)

Q 1 D Q 2 (D x) 2 (1.1) . Gyakorlat 4B-9 Két pontszerű töltés az x tengelyen a következőképpen helyezkedik el: egy 3 µc töltés az origóban, és egy + µc töltés az x =, 5 m koordinátájú pontban van. Keressük meg azt a helyet, ahol

Részletesebben

1/1. Házi feladat. 1. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy

1/1. Házi feladat. 1. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy /. Házi feladat. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy mindig igaz. (p (( p) q)) (( p) ( q)). Igazoljuk, hogy minden A, B és C halmazra A \ (B C) = (A \ B) (A \ C) teljesül.

Részletesebben

Lineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31

Lineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31 Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós

Részletesebben

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

Gazdasági matematika II. vizsgadolgozat megoldása, június 10 Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett

Részletesebben

Képfeldolgozás haladóknak Lovag Tamás Novák Gábor 2011

Képfeldolgozás haladóknak Lovag Tamás Novák Gábor 2011 Dokumentáció Küszöbölés A küszöbölés során végighaladunk a képen és minden egyes képpont intenzitásáról eldöntjük, hogy teljesül-e rá az a küszöbölési feltétel. A teljes képre vonatkozó küszöbölés esetében

Részletesebben

Mit lássunk élnek? Hol van az él? Milyen vastag legyen? Hol

Mit lássunk élnek? Hol van az él? Milyen vastag legyen? Hol Textúra Könnyű az élt megtalálni? Mi lássunk élnek? Mit lássunk élnek? Hol van az él? Milyen vastag legyen? Mit lássunk élnek? Zaj A zajpontokat nem szabad az élpontokkal összekeverni Egy vagy két él?

Részletesebben

A keveredési réteg magasságának detektálása visszaszóródási idősorok alapján

A keveredési réteg magasságának detektálása visszaszóródási idősorok alapján ORSZÁGOS METEOROLÓGIAI SZOLGÁLAT A keveredési réteg magasságának detektálása visszaszóródási idősorok alapján Timár Ágnes Alapítva: 1870 A planetáris határréteg (PHR) Mechanikus és termikus turbulencia

Részletesebben

Képrekonstrukció 3. előadás

Képrekonstrukció 3. előadás Képrekonstrukció 3. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Computed Tomography (CT) Elv: Röntgen-sugarak áthatolása 3D objektum 3D térfogati kép Mérések

Részletesebben

5 1 6 (2x3 + 4) 7. 4 ( ctg(4x + 2)) + c = 3 4 ctg(4x + 2) + c ] 12 (2x6 + 9) 20 ln(5x4 + 17) + c ch(8x) 20 ln 5x c = 11

5 1 6 (2x3 + 4) 7. 4 ( ctg(4x + 2)) + c = 3 4 ctg(4x + 2) + c ] 12 (2x6 + 9) 20 ln(5x4 + 17) + c ch(8x) 20 ln 5x c = 11 Bodó Beáta ISMÉTLÉS. ch(6 d.. 4.. 6. 7. 8. 9..... 4.. e (8 d ch (9 + 7 d ( + 4 6 d 7 8 + d sin (4 + d cos sin d 7 ( 6 + 9 4 d INTEGRÁLSZÁMÍTÁS 7 6 sh(6 + c 8 e(8 + c 9 th(9 + 7 + c 6 ( + 4 7 + c = 7 4

Részletesebben

Nem-lineáris programozási feladatok

Nem-lineáris programozási feladatok Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens

Részletesebben

Matematika III előadás

Matematika III előadás Matematika III. - 2. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 23 paramétervonalak,

Részletesebben

ANALÍZIS III. ELMÉLETI KÉRDÉSEK

ANALÍZIS III. ELMÉLETI KÉRDÉSEK ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. május 15. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így

Részletesebben

Jelfeldolgozás bevezető. Témalaboratórium

Jelfeldolgozás bevezető. Témalaboratórium Jelfeldolgozás bevezető Témalaboratórium Tartalom Jelfeldolgozás alapjai Lineáris rendszerelmélet Fourier transzformációk és kapcsolataik Spektrális képek értelmezése Képfeldolgozás alapjai Néhány nevezetesebb

Részletesebben

Vezetők elektrosztatikus térben

Vezetők elektrosztatikus térben Vezetők elektrosztatikus térben Vezető: a töltések szabadon elmozdulhatnak Ha a vezető belsejében a térerősség nem lenne nulla akkor áram folyna. Ha a felületen a térerősségnek lenne tangenciális (párhuzamos)

Részletesebben

Algoritmusok Tervezése. Fuzzy rendszerek Dr. Bécsi Tamás

Algoritmusok Tervezése. Fuzzy rendszerek Dr. Bécsi Tamás Algoritmusok Tervezése Fuzzy rendszerek Dr. Bécsi Tamás Bevezetés Mese a homokkupacról és a hidegről és a hegyekről Bevezetés, Fuzzy történet Két értékű logika, Boole algebra Háromértékű logika n értékű

Részletesebben

Gyakorlati útmutató a Tartók statikája I. tárgyhoz. Fekete Ferenc. 5. gyakorlat. Széchenyi István Egyetem, 2015.

Gyakorlati útmutató a Tartók statikája I. tárgyhoz. Fekete Ferenc. 5. gyakorlat. Széchenyi István Egyetem, 2015. Gyakorlati útmutató a tárgyhoz Fekete Ferenc 5. gyakorlat Széchenyi István Egyetem, 015. 1. ásodrendű hatások közelítő számítása A következőkben egy, a statikai vizsgálatoknál másodrendű hatások közelítő

Részletesebben

Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017.

Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák

Részletesebben

GROVER-algoritmus. Sinkovicz Péter. ELTE, MSc II dec.15.

GROVER-algoritmus. Sinkovicz Péter. ELTE, MSc II dec.15. ELTE, MSc II. 2011.dec.15. Áttekintés Feladat Algoritmus Kvantum keresési algoritmus áttekintése Input: N = 2 n elemű tömb, Ψ 1 = 0 1 kezdőállapot, f x0 (x) orákulum függvény. Output: x 0 keresett elem

Részletesebben

Számítógépi képelemzés

Számítógépi képelemzés Számítógépi képelemzés Elıadás vázlat Szerzık: Dr. Gácsi Zoltán, egyetemi tanár Dr. Barkóczy Péter, egyetemi docens Lektor: Igaz Antal, okl. gépészmérnök a Carl Zeiss technika kft. Ügyvezetı igazgatója

Részletesebben

Spektrográf elvi felépítése. B: maszk. A: távcső. Ø maszk. Rés Itt lencse, de általában komplex tükörrendszer

Spektrográf elvi felépítése. B: maszk. A: távcső. Ø maszk. Rés Itt lencse, de általában komplex tükörrendszer Spektrográf elvi felépítése A: távcső Itt lencse, de általában komplex tükörrendszer Kis kromatikus aberráció fontos Leképezés a fókuszsíkban: sugarak itt metszik egymást B: maszk Fókuszsíkba kerül (kamera

Részletesebben

Híradástechikai jelfeldolgozás

Híradástechikai jelfeldolgozás Híradástechikai jelfeldolgozás 13. Előadás 015. 04. 4. Jeldigitalizálás és rekonstrukció 015. április 7. Budapest Dr. Gaál József docens BME Hálózati Rendszerek és SzolgáltatásokTanszék gaal@hit.bme.hu

Részletesebben

Függvény differenciálás összefoglalás

Függvény differenciálás összefoglalás Függvény differenciálás összefoglalás Differenciálszámítás: Def: Differenciahányados: f() f(a + ) f(a) függvényérték változása független változó megváltozása Ha egyre kisebb, vagyis tart -hoz, akkor a

Részletesebben

Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.

Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20. Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom

Részletesebben

Képfeldolgozási eljárások

Képfeldolgozási eljárások Képfeldolgozási eljárások BSc szakdolgozat írta: Kiss Martin Károly témavezet : Keszthelyi Gabriella Eötvös Loránd Tudományegyetem Természettudományi Kar Budapest, 205 Tartalomjegyzék. Bevezetés..................................

Részletesebben

Többváltozós, valós értékű függvények

Többváltozós, valós értékű függvények TÖ Többváltozós, valós értékű függvények TÖ Definíció: többváltozós függvények Azokat a függvényeket, melyeknek az értelmezési tartománya R n egy részhalmaza, n változós függvényeknek nevezzük. TÖ Példák:.

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31. Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert

Részletesebben

Függvények december 6. Határozza meg a következő határértékeket! 1. Feladat: x 0 7x 15 x ) = lim. Megoldás: lim. 2. Feladat: lim.

Függvények december 6. Határozza meg a következő határértékeket! 1. Feladat: x 0 7x 15 x ) = lim. Megoldás: lim. 2. Feladat: lim. Függvények 05. december 6. Határozza meg a következő határértékeket!. Feladat: ( + 7 5 ) ( + 7 5 ) ( + 0 ). Feladat: ( + 7 5 ) ( + 7 5 ) ( + 0) 3. Feladat: ( + 0 7 5 ) 4. Feladat: ( + 0 7 5 ) ( + 7 0 5

Részletesebben

Kalkulus 2., Matematika BSc 1. Házi feladat

Kalkulus 2., Matematika BSc 1. Házi feladat . Házi feladat Beadási határidő: 07.0.. Jelölések x = (x,..., x n, y = (y,..., y n, z = (z,..., z n R n esetén. x, y = n i= x iy i, skalárszorzat R n -ben. d(x, y = x y = n i= (x i y i, metrika R n -ben

Részletesebben

sin x = cos x =? sin x = dx =? dx = cos x =? g) Adja meg a helyettesítéses integrálás szabályát határozott integrálokra vonatkozóan!

sin x = cos x =? sin x = dx =? dx = cos x =? g) Adja meg a helyettesítéses integrálás szabályát határozott integrálokra vonatkozóan! Matematika előadás elméleti kérdéseinél kérdezhető képletek Analízis II Határozatlan integrálszámítás g) t = tg x 2 helyettesítés esetén mivel egyenlő sin x = cos x =? g) t = tg x 2 helyettesítés esetén

Részletesebben

4. Jellemző pontok kinyerése és megfeleltetése

4. Jellemző pontok kinyerése és megfeleltetése 4. Jellemző pontok kinyerése és megfeleltetése Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Jellemzők és megfeleltetésük A képfeldolgozás,

Részletesebben

Optimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/

Optimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/ Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és

Részletesebben

7. Régió alapú szegmentálás

7. Régió alapú szegmentálás Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba

Részletesebben

Matematika A1a Analízis

Matematika A1a Analízis B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Matematika A1a Analízis BMETE90AX00 Differenciálhatóság H607, EIC 2019-03-14 Wettl

Részletesebben

Kétváltozós függvények differenciálszámítása

Kétváltozós függvények differenciálszámítása Kétváltozós függvények differenciálszámítása 13. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Kétváltozós függvények p. 1/1 Definíció, szemléltetés Definíció. Az f : R R R függvényt

Részletesebben

9. feladatsor: Többváltozós függvények deriválása (megoldás)

9. feladatsor: Többváltozós függvények deriválása (megoldás) Matematika Ac gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 017/18 ősz feladatsor: Többváltozós függvények deriválása (megoldás) 1 Számoljuk ki a következő függvények parciális deriváltjait

Részletesebben

Dinamikus modellek szerkezete, SDG modellek

Dinamikus modellek szerkezete, SDG modellek Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.

Részletesebben

I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI

I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI 1 A digitális áramkörökre is érvényesek a villamosságtanból ismert Ohm törvény és a Kirchhoff törvények, de az elemzés és a tervezés rendszerint nem ezekre épül.

Részletesebben

Maple: Deriváltak és a függvény nevezetes pontjai

Maple: Deriváltak és a függvény nevezetes pontjai Maple: Deriváltak és a függvény nevezetes pontjai Bevezető Tudjuk, hogy a Maple könnyűszerrel képes végrehajtani a szimbólikus matematikai számításokat, ezért a Maple egy ideális program differenciál-

Részletesebben

anal2_03_szelsoertek_demo.nb 1

anal2_03_szelsoertek_demo.nb 1 anal szelsoertek_demo.nb parciális deriválás f x^ y^; f Sin x Cos y ; g D f, x ; h D f, y ; Show GraphicsArray PlotD f, x,,, y,,, AxesLabel StringForm "f ``", f, None, None, DisplayFunction Identity, PlotD

Részletesebben

Képelemzési módszerek. Automatikus retina képelemzési módszerek 3/3/2011. MI módszerek a képelemzésben. A retina analízis digitális képei

Képelemzési módszerek. Automatikus retina képelemzési módszerek 3/3/2011. MI módszerek a képelemzésben. A retina analízis digitális képei Képelemzési módszerek Mesterséges Intelligencia II. előadás Dr. Nyúl László Szegedi Tudományegyetem Képeld 2011.03.01. MI módszerek a képelemzésben Képjavítás Képszegmentálás Alakelismerés Képleírás (jelenet

Részletesebben

HÁZI FELADATOK. 1. félév. 1. konferencia A lineáris algebra alapjai

HÁZI FELADATOK. 1. félév. 1. konferencia A lineáris algebra alapjai HÁZI FELADATOK. félév. konferencia A lineáris algebra alapjai Értékelés:. egység: önálló feladatmegoldás.8. Döntse el, párhuzamosak-e a következő vektorpárok: a) a( ; ; 7) b(; 5; ) b) c(; 9; 5) d(8; 6;

Részletesebben

Kétváltozós függvény szélsőértéke

Kétváltozós függvény szélsőértéke Kétváltozós függvény szélsőértéke Sütő Andrea Kétváltozós függvény szélsőértéke Legyen adott f ( xy, ) kétváltozós függvény és ez legyen folytonosan totálisan differenciálható, azaz létezzenek az elsőrendű

Részletesebben

n n (n n ), lim ln(2 + 3e x ) x 3 + 2x 2e x e x + 1, sin x 1 cos x, lim e x2 1 + x 2 lim sin x 1 )

n n (n n ), lim ln(2 + 3e x ) x 3 + 2x 2e x e x + 1, sin x 1 cos x, lim e x2 1 + x 2 lim sin x 1 ) Matek szigorlat Komplex számok Sorozat határérték., a legnagyobb taggal egyszerűsítünk n n 3 3n 2 + 2 3n 2 n n + 2 25 n 3 9 n 2 + + 3) 2n 8 n 3 2n 3,, n n5 + n 2 n 2 5 2n + 2 3n 2) n+ 2. e-ados: + a )

Részletesebben

VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag

VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag 2018/19 1. félév Függvények határértéke 1. Bizonyítsuk be definíció alapján a következőket! (a) lim x 2 3x+1 5x+4 = 1 2 (b) lim x 4 x 16 x 2 4x = 2

Részletesebben

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus. Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza

Részletesebben

ÚJ FUZZY ALAPÚ KÉPFELDOLGOZÓ ELJÁRÁSOK KIDOLGOZÁSA

ÚJ FUZZY ALAPÚ KÉPFELDOLGOZÓ ELJÁRÁSOK KIDOLGOZÁSA ÚJ FUZZY ALAPÚ KÉPFELDOLGOZÓ ELJÁRÁSOK KIDOLGOZÁSA PhD értekezés tézisei SZILÁGYI LÁSZLÓ Témavezető: PROF. DR. HABIL BENYÓ ZOLTÁN Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai

Részletesebben

Szerkezetvizsgálat II. c. gyakorlat

Szerkezetvizsgálat II. c. gyakorlat Szerkezetvizsgálat II. c. gyakorlat Miskolci Egyetem, Műszaki Anyagtudományi Kar 2011. szeptember 14. Dr. Gergely Gréta gergelygreta@freemail.hu BEVEZETÉS-SZÖVETSZERKEZET, MORFOLÓGIA Anyagtudomány: az

Részletesebben

Alkalmazott matematika és módszerei I Tantárgy kódja

Alkalmazott matematika és módszerei I Tantárgy kódja Tantárgy neve Alkalmazott matematika és módszerei I Tantárgy kódja MTB1901 Meghirdetés féléve Kreditpont 4 Összóraszám (elm+gyak) + Számonkérés módja G Előfeltétel (tantárgyi kód) - Tantárgyfelelős neve

Részletesebben

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Megoldások

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Megoldások Megoldások 1. Tekintsük az alábbi szabályos hatszögben a következő vektorokat: a = AB és b = AF. Add meg az FO, DC, AO, AC, BE, FB, CE, DF vektorok koordinátáit az (a ; b ) koordinátarendszerben! Alkalmazzuk

Részletesebben

1. ábra. 24B-19 feladat

1. ábra. 24B-19 feladat . gyakorlat.. Feladat: (HN 4B-9) A +Q töltés egy hosszúságú egyenes szakasz mentén oszlik el egyenletesen (ld.. ábra.). Számítsuk ki az E elektromos térerősséget a vonal. ábra. 4B-9 feladat irányában lévő,

Részletesebben

12. Mikor nevezünk egy részhalmazt nyíltnak, illetve zártnak a valós számok körében?

12. Mikor nevezünk egy részhalmazt nyíltnak, illetve zártnak a valós számok körében? Ellenörző Kérdések 1. Mit jelent az, hogy egy f : A B függvény injektív, szürjektív, illetve bijektív? 2. Mikor nevezünk egy függvényt invertálhatónak? 3. Definiálja a komplex szám és műveleteinek fogalmát!

Részletesebben

Kalkulus I. gyakorlat Fizika BSc I/1.

Kalkulus I. gyakorlat Fizika BSc I/1. . Ábrázoljuk a következő halmazokat a síkon! {, y) R 2 : + y < }, b) {, y) R 2 : 2 + y 2 < 4}, c) {, y) R 2 : 2 + y 2 < 4, + y < }, {, y) R 2 : + y < }. Kalkulus I. gyakorlat Fizika BSc I/.. gyakorlat

Részletesebben

KOVÁCS BÉLA, MATEMATIKA II.

KOVÁCS BÉLA, MATEMATIKA II. KOVÁCS BÉLA, MATEmATIkA II 7 VII VEkTORANALÍZIS 1 ELmÉLETI ALAPOk Az u függvényt skalár-vektor függvénynek nevezzük, ha értelmezési tartománya a háromdimenziós tér vektorainak halmaza, a függvényértékek

Részletesebben

Digitális jelfeldolgozás

Digitális jelfeldolgozás Digitális jelfeldolgozás Kvantálás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010. szeptember 15. Áttekintés

Részletesebben

Obudai Egyetem RKK Kar. Feladatok a Matematika I tantárgyhoz

Obudai Egyetem RKK Kar. Feladatok a Matematika I tantárgyhoz Obudai Egyetem RKK Kar Feladatok a Matematika I tantárgyhoz Gyakorló Feladatok a Matematika I Tantárgyhoz Els rész: Feladatok. Halmazelmélet, Számhalmazok, Függvények... Feladat. Legyen A = { : + 3 = 3},

Részletesebben

Az fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika

Az fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika Az fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika Autokorreláció white noise Autokorreláció: a függvény önnmagával számított korrelációja különböző

Részletesebben

Matematika II. 1 sin xdx =, 1 cos xdx =, 1 + x 2 dx =

Matematika II. 1 sin xdx =, 1 cos xdx =, 1 + x 2 dx = Matematika előadás elméleti kérdéseinél kérdezhető képletek Matematika II Határozatlan Integrálszámítás d) Adja meg az alábbi alapintegrálokat! x n 1 dx =, sin 2 x dx = d) Adja meg az alábbi alapintegrálokat!

Részletesebben

I. feladatsor i i i i 5i i i 0 6 6i. 3 5i i

I. feladatsor i i i i 5i i i 0 6 6i. 3 5i i I. feladatsor () Töltse ki az alábbi táblázatot: Komplex szám Valós rész Képzetes rész Konjugált Abszolútérték + i i 0 + i i 5 5i 5 5i 6 6i 0 6 6i 6 5i 5 + 5i + i i 7i 0 7 7i 7 () Adottak az alábbi komplex

Részletesebben

VIK A3 Matematika, Gyakorlati anyag 2.

VIK A3 Matematika, Gyakorlati anyag 2. VIK A3 Matematika, Gyakorlati anyag 2. 208. november Sorok. Konvergensek-e az alábbi sorok? Ha igen, adjuk meg a határértéküket! n(n+3) n(n+)(n+2) 9n 2 3n 2 ( n + 2 2 n + + n) 2n+ n 2 (n+) 2 (f) ( 3) k+2

Részletesebben

Differenciálszámítás. 8. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Differenciálszámítás p. 1/1

Differenciálszámítás. 8. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Differenciálszámítás p. 1/1 Differenciálszámítás 8. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Differenciálszámítás p. 1/1 Egyenes meredeksége Egyenes meredekségén az egyenes és az X-tengely pozitív iránya

Részletesebben

Orvosi diagnosztikai célú röntgenképfeldolgozás

Orvosi diagnosztikai célú röntgenképfeldolgozás Orvosi diagnosztikai célú röntgenképfeldolgozás Önálló labor zárójegyzkönyv Lasztovicza László VII. évf. vill. szakos hallgató 2002. Konzulens: dr. Pataki Béla docens Méréstechnika és Információs Rendszerek

Részletesebben

A +Q töltés egy L hosszúságú egyenes szakasz mentén oszlik el egyenletesen (ld ábra ábra

A +Q töltés egy L hosszúságú egyenes szakasz mentén oszlik el egyenletesen (ld ábra ábra . Gyakorlat 4B-9 A +Q töltés egy L hosszúságú egyenes szakasz mentén oszlik el egyenletesen (ld. 4-6 ábra.). Számítsuk ki az E elektromos térerősséget a vonal irányában lévő, annak.. ábra. 4-6 ábra végpontjától

Részletesebben