Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika"

Átírás

1 Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika

2 Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés Éldetektálás (szűréssel, gradiens, második derivált meghatározással, Canny, stb) Képszegmentálás Egyszerű eljárások Hisztogram (képintenzitás) alapján, textura alapján régió növesztés, watershed eljárás Élek, kontúrok alapján Pixelértékek alapján (klaszterezés, osztályozás) Komplex eljárások Transzformációs eljárások: Hough transzformáció, szegmentálás deformálható modellekkel: ASM, AAM, deformálható Fourier transzformáció szegmentálás deformálható modellekkel: parametrikus. Snake, szegmentálás deformálható modellekkel Geometriai: Level set módszer Komplex eljárások:, edge flow, stb, Morfológiai műveletek

3 Képjavítás Cél: a kép vizuális megjelenésének javítása. Alapvetően az emberi szem számára javítunk a kép megjelenésén, de segíti a gépi képelemzést is. Tipikus képjavítási eljárások: - Kontraszt módosítás - Intenzitásviszonyok módosítása - Szűrések: - lineáris szűrések, - nemlineáris szűrések: - homomorfikus feldolgozás - order statistics filters: median, rank és ezek variánsai. - Élek kiemelése, - Zajok mérséklése

4 Kontraszt javítás intenzitásokat módosító leképezéssel Az intenzitástartomány és az intenzitásviszonyok megváltoztatása lineáris vagy nemlineáris módosítás

5 Kontraszt javítás intenzitásokat módosító leképezéssel Window-level transzformáció ablak: a lineáris meredek szakasz tartománya, Level: a lineáris szakasz középső pontja

6 A hisztogram széthúzása

7 Kontraszt javítás

8 Kontraszt javítás

9 Hisztogram kiegyenlítés

10 Hisztogram kiegyenlítés Hisztogram kiegyenlítés a b b 1 N B h x b N B a h x N B a x0 : intenzitás leképezés : eredeti kép hiszotgramja : kép pixeleinek a száma : széthúzott hisztogram binjeinek a száma (értékhalmaz mérete)

11 Hisztogram kiegyenlítés példa

12 Adaptív hisztogram módosítás Csúszó ablak kummulatív hisztogramja alapján történik a hisztogram kiegyenlítés eredeti nemadaptív adaptív F j, k jk, G j, k b : b 1 N B h x b N B h jk, x0 : (j,k) pixel középpontú (a a) méretű ablak hisztogramja

13 Zajszűrés Lineáris szűrések, szűrőkernel szűrés a képtartományban Szűrés transzformált tartományban (bázisfüggvények terében végezzük el a szűrést: Fourier, stb) Nemlineáris szűrések: homomorfikus jelfeldolgozás order statistics szűrés: median szűrés, egyéb OSF eljárások

14 Lineáris, eltolás invariáns szűrések G j, k I m, n H j m, k n Pl. aluláteresztő szűrő

15 Eredeti Lineáris szűrés Egyenletes zaj mask 1 mask 3

16 Eredeti Lineáris szűrés Impulzus zaj mask 1 mask 3

17 Éldetektáló szűrők Sobel Prewitt Egyebek: Roberts, Kirsch, DoG, LoG

18 2D LoG és közelítő kernele Élkiemelő szűrők LoG alkalmazása, nullátmenetek detektálására Küszöbözés (csak a nagy átmeneteket tartja meg)

19 Nemlineáris szűrés homomorfikus szűrés order statistic (rank) szűrés polinomiális szűrés matematikai morfológia neurális hálók nemlineáris kép visszaállítás

20 Nemlineáris szűrések Homomorfikus szűrés Multiplikativ zajok mellett hatékony megvilágítás, zajmentes kép Logaritmálás után hagyományos szűrési eljárások

21 Homomorfikus szűrés megvilágítás érzékelt kép homomorfikus szűrés eredménye Butterwoth felüláteresztő szűrés

22 Order statistics szűrés Legyen akkor az i-edik statisztika Sorbarendezi a szomszédos pixeleket növekvő inztenzitásérték szerint, kiválaszt egyet a rangnak megfelelően és ez lesz a kimenet Speciális rank szűrők: medián Kétdimenziós mediáns szűrő Az A halmaz a szűrő ablak. Az ablak alakja befolyásolja a szűrő tulajdonságait (élmegtartás, bizonyos képrészletek megtartása)

23 Medián szűrés Tulajdonságok: Jól teljesít lassan lecsengő zajeloszlásnál (hatékony az impulzus zajok eltüntetésénél) Rosszul teljesít gyorsan lecsengő eloszlásnál (pl. egyenletes zajeloszlásnál) Fehér zaj mellett aluléteresztő tulajdonságú Igyekszik megtartani az éleket Kérdés: van-e olyan jel (sajátfüggvény sajátjel), melyet nem módosít? (a lineáris szűrőknél ilyen a szinusz) Medián szűrő root jele: Minden véges hosszúságú nemroot jel a root jelhez konvergál, ha a medián szűrőt ismételten alkalmazzuk

24 Medián szűrés A zajos képből 7x7 ablak eredeti zajos kép átlagoló szűrés medián szűrés

25 Rank szűrés A zajos képből 7x7 maszk mellett 4. rangú pixelek kiválasztása (rank 4)

26 Lineáris szűrés transzformált tartományban Frekvenciatartomány Egyéb bázisrendszer Fix bázisrendszerek (Haar, Hadamard, Walsh, stb.) Bázisrendszer család (Wavelet) Képfüggő bázisrendszer (KLT)

27 Lineáris szűrés transzformált tartományban eredeti Gauss zaj pontszerű zaj zajos M=1 PCA M=1 KPCA Gauss kernel PCA-KPCA zajszűrő hatás összehasonlítása

28 Lineáris szűrés transzformált tartományban Karhunen-Loève transzformáció (KLT) Jelfüggő ortogonális transzformáció

29

30

31 Polinomiális szűrők A pixel intenzitások polinomiális vagy törtfüggvényei Kép javítás (kontraszt élesítés, élmegtartó zajszűrés, textura szegmentálás, élkiemelés, élszegmentálás) Van bizonyos kapcsolata a lineáris szűrőkkel (paramétereiben lineáris, adaptív változatnál előnyök) Számítási komplexitás jelentősen nagyobb, különösen, ha a nemlinearitás mértékét növeljük A nemlineáris szűrők Taylor sor vagy Volterra sor formájában írhatók fel. Taylor sor : hatványfüggvény Volterra sor különböző pozíciójú (időben vagy a képtartományban) vett értékek szorzatai

32 Volterra soros polinomiális szűrők A polinomiális szűrők tulajdonságai: Paramétereiben lineáris, de nemlineáris szűrő Az együtthatókat adaptálni lehet, lineáris megközelítéssel y n = h 0 + p=1 h p x (n) Általában minden egyes tag az alábbi összefüggéssel adható meg: 1,..., 1 h x h i i x n i x n i p n p p p i i 1 h h0 offset 1 p egy digitális FIR szűrő válasza Általánosabb nemlineáris szűrő megadási forma: y n f [ x( n), x n 1,..., x n N, y n 1,..., y n M ] f ( xyq,, ) 1

33 Volterra soros polinomiális szűrők Első és másodfokú szűrő aggregátja: Olyan problémák esetén is hatékony, melynél elvérzik a lineáris, illetve a medián szűrés is (pl. kevert Gauss és impulzus zaj). Torzított kép Gauss szűrés Medián szűrés Volterra kerneles szűrés

34 Adaptív szűrők (ált. jel feldolg.) Adaptív lineáris szűrő: Adaptív nemlineáris szűrők y i = f( a j i x j (i)) ahol f valamilyen nemlineáris függvény j

35 Adaptív szűrés Az adaptív szűrés nem shift invaráinsan viselkedik szűrés definíciója függ az adott képrészlet jellemzőitől. Lee szűrés: F i j i j I i j Adaptív szűrők (kép feldolg.) : paramétere a szűrésnek i j I u, v i j I, I, 1 I i, j 2 i, j i, j i, j 2 2,,, max i j,0 i j 2 1, I I I 2, 2N 1 iv N, ju N I 1 2N 1 iv N, ju N I u, v 2

36 Lee szűrés Tesz kép MRI

37 Ultrahangképnél Lee szűrő

38 Éljavítás, éldetektálás Élkiemelés Szűréssel: magasfrekvenciás kiemelés, felüláteresztő szűrés

39 Éljavítás, éldetektálás Zónás / ideális szűrés Közvetlenül a Fourier tartományban definiáljuk az átviteli függvényt Egyébként C vágási frekvencia 0 < C 1+N/2

40 Éljavítás, éldetektálás Butterworth szűrés ahol Butterworth szűrőt úgy tervezték meg, hogy adott sávkorlát / vágás frekvencia mellett a legsimább frekvencia átmenettel rendelkezzen.

41 Éljavítás, éldetektálás

42 Éljavítás, éldetektálás Statisztikus differenciálás Minden pixel értékét elosztjuk a szórásával, ahol a szórást a környezetében lévő pixelekből számítjuk Minden pixelre számítunk átlagértéket és szórást Azon régiók intenzitásait (és annak különbségeit) súlyozza fel, melyek homogének voltak

43 Éljavítás, éldetektálás Wallis operátor Általánosabb forma: Kívánt átlagos középérték, szórás és a maximális erősítési tényező. szerepe: túl nagy kimeneti érték meggátlása, ha a szórás túl kicsi 0 p 1 a képtartománytól függő erősítés a képtartománytól függő háttér Kívánt szórás, hogy a képfüggő erősítés A max és A min között legyen D max D(j,k) maximuma

44 Éljavítás, élkiemelés Eredeti átlag 0-0,98 szórás 0,01-0,26 háttér 0,09-0,88 Képfüggő erősítés 0,75 2,35 Wallis eredménye Paraméterek:

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

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

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

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

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

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

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

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

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

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

Idő-frekvencia transzformációk waveletek

Idő-frekvencia transzformációk waveletek Idő-frekvencia transzformációk waveletek Pokol Gergő BME NTI Üzemi mérések és diagnosztika 2015. április 23. Vázlat Alapfogalmak az idő-frekvencia síkon Rövid idejű Fourier-transzformáció spektrogram Folytonos

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

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

Idő-frekvencia transzformációk waveletek

Idő-frekvencia transzformációk waveletek Idő-frekvencia transzformációk waveletek Pokol Gergő BME NTI Üzemi mérések és diagnosztika 013. áprils 17. Vázlat Alapfogalmak az idő-frekvencia síkon Rövid idejű Fourier-transzformáció spektrogram Folytonos

Részletesebben

Idő-frekvencia transzformációk waveletek

Idő-frekvencia transzformációk waveletek Idő-frekvencia transzformációk waveletek Pokol Gergő BME NTI Üzemi mérések és diagnosztika 2014. május 8. Vázlat Alapfogalmak az idő-frekvencia síkon Rövid idejű Fourier-transzformáció spektrogram Folytonos

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

Ellenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz

Ellenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz Ellenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz 1. Hogyan lehet osztályozni a jeleket időfüggvényük időtartama szerint? 2. Mi a periodikus jelek definiciója? (szöveg, képlet, 3. Milyen

Részletesebben

Wavelet transzformáció

Wavelet transzformáció 1 Wavelet transzformáció Más felbontás: Walsh, Haar, wavelet alapok! Eddig: amplitúdó vagy frekvencia leírás: Pl. egy rövid, Dirac-delta jellegű impulzus Fourier-transzformált: nagyon sok, kb. ugyanolyan

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

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

Jelkondicionálás. Elvezetés. a bioelektromos jelek kis amplitúdójúak. extracelluláris spike: néhányszor 10 uv. EEG hajas fejbőrről: max 50 uv

Jelkondicionálás. Elvezetés. a bioelektromos jelek kis amplitúdójúak. extracelluláris spike: néhányszor 10 uv. EEG hajas fejbőrről: max 50 uv Jelkondicionálás Elvezetés 2/12 a bioelektromos jelek kis amplitúdójúak extracelluláris spike: néhányszor 10 uv EEG hajas fejbőrről: max 50 uv EKG: 1 mv membránpotenciál: max. 100 mv az amplitúdó növelésére,

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

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

Mintavétel: szorzás az idő tartományban

Mintavétel: szorzás az idő tartományban 1 Mintavételi törvény AD átalakítók + sávlimitált jel τ időközönként mintavétel Mintavétel: szorzás az idő tartományban 1/τ körfrekvenciánként ismétlődik - konvolúció a frekvenciatérben. 2 Nem fednek át:

Részletesebben

Fehérzajhoz a konstans érték kell - megoldás a digitális szűrő Összegezési súlyok sin x/x szerint (ez akár analóg is lehet!!!)

Fehérzajhoz a konstans érték kell - megoldás a digitális szűrő Összegezési súlyok sin x/x szerint (ez akár analóg is lehet!!!) DSP processzorok: 1 2 3 HP zajgenerátor: 4 Shift regiszter + XOR kapu: 2 n állapot Autókorrelációs függvény: l. pénzdobálás: (sin x/x) 2 burkoló! Fehérzajhoz a konstans érték kell - megoldás a digitális

Részletesebben

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

2. Pont operációk. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2. Pont operációk 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

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

Shift regiszter + XOR kapu: 2 n állapot

Shift regiszter + XOR kapu: 2 n állapot DSP processzorok: 1 2 HP zajgenerátor: 3 Shift regiszter + XOR kapu: 2 n állapot Autókorrelációs függvény: l. pénzdobálás: (sin x/x) 2 burkoló! 4 Fehérzajhoz a konstans érték kell - megoldás a digitális

Részletesebben

Fourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz

Fourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 5-7. ea. 2017 ősz 5. Előadás témái Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Folytonos

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

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

Éldetektálás. Digitális képelemzés alapvető algoritmusai. Képi élek. Csetverikov Dmitrij. A Canny-éldetektor Az éldetektálás utófeldolgozása Éldetektálás Digitális képelemzés alapvető algoritmusai 1 Alapvető képi sajátságok Csetverikov Dmitrij Eötvös Lóránd Egyetem, Budapest csetverikov@sztaki.hu http://vision.sztaki.hu Informatikai Kar Az

Részletesebben

Képszegmentálás. Orvosi képdiagnosztika 10. ea

Képszegmentálás. Orvosi képdiagnosztika 10. ea Képszegmentálás Orvosi képdiagnosztika 10. ea Képszegmentálás Intenzitás alapján, küszöbözés Klaszterezés, osztályozás Régió növesztés, régió hasítás Watershed Textura alapján Kontúr alapján, élkeresés,

Részletesebben

Elektronika Előadás. Analóg és kapcsolt kapacitású szűrők

Elektronika Előadás. Analóg és kapcsolt kapacitású szűrők Elektronika 2 8. Előadás Analóg és kapcsolt kapacitású szűrők Irodalom - Megyeri János: Analóg elektronika, Tankönyvkiadó, 1990 - Ron Mancini (szerk): Op Amps for Everyone, Texas Instruments, 2002 16.

Részletesebben

MATLAB Image Processing Toolbox

MATLAB Image Processing Toolbox Budapesti Műszaki Főiskola Neumann János Informatikai Kar 2007. november 12. Kép átméretezése imresize(a,m,method) Az A képet m-szeresére méretezi át. method értéke lehet: nearest (alapértelmezett) bilinear

Részletesebben

X. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ

X. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ X. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ Ma az analóg jelek feldolgozása (is) mindinkább digitális eszközökkel és módszerekkel történik. A feldolgozás előtt az analóg jeleket digitalizálni kell.

Részletesebben

10.1. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ

10.1. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ 101 ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ Ma az analóg jelek feldolgozása (is) mindinkább digitális eszközökkel történik A feldolgozás előtt az analóg jeleket digitalizálni kell Rendszerint az

Részletesebben

Digitális jelfeldolgozás

Digitális jelfeldolgozás Digitális jelfeldolgozás Átviteli függvények Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. október 13. Digitális

Részletesebben

Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék

Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék Jelek és rendszerek 1 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék 1 Ajánlott irodalom: FODOR GYÖRGY : JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, Budapest, 2006

Részletesebben

Képalkotó diagnosztikai eljárások:

Képalkotó diagnosztikai eljárások: Képalkotó diagnosztikai eljárások: Soroljon fel néhány orvosi képalkotáson alapuló diagnosztikai eljárást, mely o Transzmissziós o Indukciós o Emissziós elv alkalmazásán alapul. Mire szolgálnak az egyes

Részletesebben

Adaptív dinamikus szegmentálás idősorok indexeléséhez

Adaptív dinamikus szegmentálás idősorok indexeléséhez Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november

Részletesebben

Távérzékelt felvételek előfeldolgozása

Távérzékelt felvételek előfeldolgozása Távérzékelt felvételek előfeldolgozása Csornai Gábor László István Budapest Főváros Kormányhivatala Mezőgazdasági Távérzékelési és Helyszíni Ellenőrzési Osztály Az előadás 2011-es átdolgozott változata

Részletesebben

1. óra Digitális képfeldolgozás

1. óra Digitális képfeldolgozás 1. óra Digitális képfeldolgozás Képkorrekció A hisztogram A hisztogram a képünk intenzitás-eloszlását ábrázolja. Ebben a koordinátarendszerben a vízszintes tengelyen vesszük fel a teljes szürkeskálát úgy,

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

Analóg elektronika - laboratóriumi gyakorlatok

Analóg elektronika - laboratóriumi gyakorlatok Analóg elektronika - laboratóriumi gyakorlatok. Mûveleti erõsítõk váltakozó-áramú alkalmazásai. Elmélet Az integrált mûveleti erõsítõk váltakozó áramú viselkedését a. fejezetben (jegyzet és prezentáció)

Részletesebben

Ha sokáig mérünk: kiátlagoljuk a jelet Milyen lesz ez a súlyfüggvény? T idejű integrálás + delta függvény T ideig integrálva:

Ha sokáig mérünk: kiátlagoljuk a jelet Milyen lesz ez a súlyfüggvény? T idejű integrálás + delta függvény T ideig integrálva: 1 Integráló voltmérő Ha sokáig mérünk: kiátlagoljuk a jelet Milyen lesz ez a súlyfüggvény? T idejű integrálás + delta függvény T ideig integrálva: A súlyfüggvény: T széles impulzus 2 Ha a bemenő zaj B

Részletesebben

Rendszámfelismerő rendszerek

Rendszámfelismerő rendszerek Problémamegoldó szeminárium Témavezető: Pataki Péter ARH Zrt. ELTE-TTK 2013 Tartalomjegyzék 1 Bevezetés 2 Út a megoldás felé 3 Felmerült problémák 4 Alkalmazott matematika 5 További lehetőségek Motiváció

Részletesebben

ADAT- ÉS INFORMÁCIÓFELDOLGOZÁS

ADAT- ÉS INFORMÁCIÓFELDOLGOZÁS ADAT- ÉS INFORMÁCIÓFELDOLGOZÁS Földtudományi mérnöki MSc mesterszak 2018/19 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet A tantárgy

Részletesebben

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás

Részletesebben

KÉPJAVÍTÁS A KÉPTARTOMÁNYBAN

KÉPJAVÍTÁS A KÉPTARTOMÁNYBAN KÉPJAVÍTÁS A KÉPTARTOMÁNYBAN Képjavítás Olyan eljárás melynek eredménye olyan kép amely jobban megfelel az adott alkalmazásnak - különböző módszereket kell alkalmazni egy Röntgenfelvétel és a Mars felvételének

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

KANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR. Mikroelektronikai és Technológiai Intézet. Aktív Szűrők. Analóg és Hírközlési Áramkörök

KANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR. Mikroelektronikai és Technológiai Intézet. Aktív Szűrők. Analóg és Hírközlési Áramkörök KANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR Mikroelektronikai és Technológiai Intézet Analóg és Hírközlési Áramkörök Laboratóriumi Gyakorlatok Készítette: Joó Gábor és Pintér Tamás OE-MTI 2011 1.Szűrők

Részletesebben

Képalkotás modellezése, metrikái. Orvosi képdiagnosztika 6. ea ősz

Képalkotás modellezése, metrikái. Orvosi képdiagnosztika 6. ea ősz Képalkotás modellezése, metrikái Orvosi képdiagnosztika 6. ea. 2015 ősz Jelölésjegyzék Rendszer válasza f gerjesztésre: Dirac-delta: x ; egységugrás: 0 idejű Dirac-delta gerjesztése a rendszer válasza:

Részletesebben

Konvolúciós neurális hálózatok (CNN)

Konvolúciós neurális hálózatok (CNN) Konvolúciós neurális hálózatok (CNN) Konvolúció Jelfeldolgozásban: Diszkrét jelek esetén diszkrét konvolúció: Képfeldolgozásban 2D konvolúció (szűrők): Konvolúciós neurális hálózat Konvolúciós réteg Kép,

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

ANALÓG ÉS DIGITÁLIS TECHNIKA I

ANALÓG ÉS DIGITÁLIS TECHNIKA I ANALÓG ÉS DIGITÁLIS TECHNIKA I Dr. Lovassy Rita lovassy.rita@kvk.uni-obuda.hu Óbudai Egyetem KVK Mikroelektronikai és Technológia Intézet 2. ELŐADÁS 2010/2011 tanév 2. félév 1 Aktív szűrőkapcsolások A

Részletesebben

Összeállította Horváth László egyetemi tanár

Összeállította Horváth László egyetemi tanár Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Intelligens Mérnöki Rendszerek Szakirány a Mérnök informatikus alapszakon Összeállította Horváth László Budapest, 2011

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

Orvosi Fizika és Statisztika

Orvosi Fizika és Statisztika Orvosi Fizika és Statisztika Szegedi Tudományegyetem Általános Orvostudományi Kar Természettudományi és Informatikai Kar Orvosi Fizikai és Orvosi Informatikai Intézet www.szote.u-szeged.hu/dmi Orvosi fizika

Részletesebben

PTE PMMFK Levelező-távoktatás, villamosmérnök szak

PTE PMMFK Levelező-távoktatás, villamosmérnök szak PTE PMMFK Levelező-távoktatás, villamosmérnök szak MATEMATIKA (A tantárgy tartalma és a tananyag elsajátításának időterve.) Összeállította: Kis Miklós adjunktus Tankönyvek Megegyeznek az 1. és 2. félévben

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

Folyamatosan változó mennyiségek feldolgozása II. 7. előadás

Folyamatosan változó mennyiségek feldolgozása II. 7. előadás Folyamatosan változó mennyiségek feldolgozása II. 7. előadás Tartalom sztochasztikus folyamatok mintavételezés (lásd Fizikai geod.) LKN kollokáció (lásd Fizikai geod.) geostatisztika, krigelés szűrések

Részletesebben

Least Squares becslés

Least Squares becslés Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás

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

Digitális szűrők - (BMEVIMIM278) Házi Feladat

Digitális szűrők - (BMEVIMIM278) Házi Feladat Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rszerek Tanszék Digitális szűrők - (BMEVIMIM278) FIR-szűrő tervezése ablakozással Házi Feladat Név: Szőke Kálmán Benjamin Neptun:

Részletesebben

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 9. SZŰRŐK

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 9. SZŰRŐK ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 9. SZŰRŐK Dr. Soumelidis Alexandros 2018.11.29. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG A szűrésről általában Szűrés:

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

Elektronika 11. évfolyam

Elektronika 11. évfolyam Elektronika 11. évfolyam Áramköri elemek csoportosítása. (Aktív-passzív, lineáris- nem lineáris,) Áramkörök csoportosítása. (Aktív-passzív, lineáris- nem lineáris, kétpólusok-négypólusok) Két-pólusok csoportosítása.

Részletesebben

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló

Részletesebben

A gépi látás és képfeldolgozás párhuzamos modelljei és algoritmusai Rövid András Sergyán Szabolcs Vámossy Szabolcs

A gépi látás és képfeldolgozás párhuzamos modelljei és algoritmusai Rövid András Sergyán Szabolcs Vámossy Szabolcs A gépi látás és képfeldolgozás párhuzamos modelljei és algoritmusai Rövid András Sergyán Szabolcs Vámossy Szabolcs A gépi látás és képfeldolgozás párhuzamos modelljei és algoritmusai írta Rövid András,

Részletesebben

Képalkotás modellezése, metrikái. Orvosi képdiagnosztika 2017 ősz

Képalkotás modellezése, metrikái. Orvosi képdiagnosztika 2017 ősz Képalkotás modellezése, metrikái Orvosi képdiagnosztika 2017 ősz Jelölésjegyzék Rendszer válasza f gerjesztésre: Dirac-delta: x ; egységugrás: 0 idejű Dirac-delta gerjesztése a rendszer válasza: h x x

Részletesebben

Jelfeldolgozás - ANTAL Margit. impulzusválasz. tulajdonságai. Rendszerek. ANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem

Jelfeldolgozás - ANTAL Margit. impulzusválasz. tulajdonságai. Rendszerek. ANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem Sapientia - Erdélyi Magyar Tudományegyetem 2007 Megnevezések Diszkrét Dirac jel Delta függvény Egységimpluzus függvény A diszkrét Dirac jel δ[n] = { 1, n = 0 0, n 0 d[n] { 1, n = n0 δ[n n 0 ] = 0, n n

Részletesebben

Fraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk

Fraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér

Részletesebben

Morfológia. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet

Morfológia. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet Morfológia Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia Intézet 2012. október 9. Sergyán (OE NIK) Morfológia 2012. október 9. 1 /

Részletesebben

Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével. MAJF21 Eisenberger András május 22. Konzulens: Dr.

Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével. MAJF21 Eisenberger András május 22. Konzulens: Dr. Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével 2011. május 22. Konzulens: Dr. Pataki Béla Tartalomjegyzék 1. Bevezetés 2 2. Források 2 3. Kiértékelő szoftver 3 4. A képek feldolgozása

Részletesebben

MATEMATIKA TANMENET. 9. osztály. 4 óra/hét. Budapest, 2014. szeptember

MATEMATIKA TANMENET. 9. osztály. 4 óra/hét. Budapest, 2014. szeptember MATEMATIKA TANMENET 9. osztály 4 óra/hét Budapest, 2014. szeptember 2 Évi óraszám: 144 óra Heti óraszám: 4 óra Ismerkedés, év elejei feladatok, szintfelmérő írása 2 óra I. Kombinatorika, halmazok 13 óra

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

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:

Részletesebben

Osztályozóvizsga követelményei

Osztályozóvizsga követelményei Osztályozóvizsga követelményei Képzés típusa: Tantárgy: Nyolcosztályos gimnázium Matematika Évfolyam: 11 Emelt óraszámú csoport Emelt szintű csoport Vizsga típusa: Írásbeli Követelmények, témakörök: Gondolkodási

Részletesebben

GPU Lab. 14. fejezet. OpenCL textúra használat. Grafikus Processzorok Tudományos Célú Programozása. Berényi Dániel Nagy-Egri Máté Ferenc

GPU Lab. 14. fejezet. OpenCL textúra használat. Grafikus Processzorok Tudományos Célú Programozása. Berényi Dániel Nagy-Egri Máté Ferenc 14. fejezet OpenCL textúra használat Grafikus Processzorok Tudományos Célú Programozása Textúrák A textúrák 1, 2, vagy 3D-s tömbök kifejezetten szín információk tárolására Főbb különbségek a bufferekhez

Részletesebben

MA1143v A. csoport Név: december 4. Gyak.vez:. Gyak. kódja: Neptun kód:.

MA1143v A. csoport Név: december 4. Gyak.vez:. Gyak. kódja: Neptun kód:. MAv A. csoport Név:... Tekintsük az alábbi mátriot! A 7 a Invertálható-e az A mátri? Ha igen akkor bázistranszformációval határozza meg az inverzét! Ellenőrizze számításait! b Milyen egyéb mátritulajdonságokra

Részletesebben

Compressed Sensing. Sipos Roland Adatbányászat szeminárium Május 22.

Compressed Sensing. Sipos Roland Adatbányászat szeminárium Május 22. Compressed Sensing Sipos Roland Adatbányászat szeminárium 2014 Május 22. Bevezetés Túl sok az adat! Generált adatmennyiség > összes tárhely Adat generálásának üteme (mérések sebessége) >> Adatátvitel fejlődése

Részletesebben

Képfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008

Képfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008 Képfeldolgozás 1. el adás. A képfeldolgozás m veletei Mechatronikai mérnök szak BME, 2008 1 / 61 Alapfogalmak transzformációk Deníció Deníció Geometriai korrekciókra akkor van szükség, ha a képr l valódi

Részletesebben

Digitális jelfeldolgozás

Digitális jelfeldolgozás Digitális jelfeldolgozás Mintavételezés és jel-rekonstrukció Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010.

Részletesebben

Beszédinformációs rendszerek 5. gyakorlat Mintavételezés, kvantálás, beszédkódolás. Csapó Tamás Gábor

Beszédinformációs rendszerek 5. gyakorlat Mintavételezés, kvantálás, beszédkódolás. Csapó Tamás Gábor Beszédinformációs rendszerek 5. gyakorlat Mintavételezés, kvantálás, beszédkódolás Csapó Tamás Gábor 2016/2017 ősz MINTAVÉTELEZÉS 2 1. Egy 6 khz-es szinusz jelet szűrés nélkül mintavételezünk

Részletesebben

Minták automatikus osztályba sorolása a mintát leíró jellemzők alapján. Típusok: felügyelt és felügyelet nélküli tanuló eljárások

Minták automatikus osztályba sorolása a mintát leíró jellemzők alapján. Típusok: felügyelt és felügyelet nélküli tanuló eljárások Minták automatikus osztályba sorolása a mintát leíró jellemzők alapján Típusok: felügyelt és felügyelet nélküli tanuló eljárások Különbség: előbbinél szükséges egy olyan tanulóhalmaz, ahol ismert a minták

Részletesebben

Intelligens adatelemzés

Intelligens adatelemzés Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az

Részletesebben

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY Dr. Soumelidis Alexandros 2018.10.25. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mintavételezés

Részletesebben

Képfeldolgozási módszerek a geoinformatikában

Képfeldolgozási módszerek a geoinformatikában Képfeldolgozási módszerek a geoinformatikában Elek István Klinghammer István Eötvös Loránd Tudományegyetem, Informatikai Kar, Térképtudományi és Geoinformatikai Tanszék, MTA Térképészeti és Geoinformatikai

Részletesebben

Képregisztrációs eljárások. Orvosi képdiagnosztika 13. ea ősz

Képregisztrációs eljárások. Orvosi képdiagnosztika 13. ea ősz Képregisztrációs eljárások Orvosi képdiagnosztika 3. ea. 05 ősz Két kép egymáshoz igazítása, illesztése Példák: Időbeli követés Regisztráció célja Eltérő modalitások (PET-CT, Röntgen-MRI, UH-MRI,...) fúzió

Részletesebben

Villamosságtan szigorlati tételek

Villamosságtan szigorlati tételek Villamosságtan szigorlati tételek 1.1. Egyenáramú hálózatok alaptörvényei 1.2. Lineáris egyenáramú hálózatok elemi számítása 1.3. Nemlineáris egyenáramú hálózatok elemi számítása 1.4. Egyenáramú hálózatok

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika

Részletesebben

Fotogrammetriai munkaállomások szoftvermoduljainak tervezése. Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar

Fotogrammetriai munkaállomások szoftvermoduljainak tervezése. Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar Fotogrammetriai munkaállomások szoftvermoduljainak tervezése Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar Témakörök DPW szoftvermodulok Szoftverek funkciói Pár példa Mi hiányzik gyakran?

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

Képfeldolgozás Szegmentálás Osztályozás Képfelismerés Térbeli rekonstrukció

Képfeldolgozás Szegmentálás Osztályozás Képfelismerés Térbeli rekonstrukció Mesterséges látás Miről lesz szó? objektumok Bevezetés objektumok A mesterséges látás jelenlegi, technikai eszközökön alapuló világunkban gyakorlatilag azonos a számítógépes képfeldolgozással. Számítógépes

Részletesebben

Akusztikus MEMS szenzor vizsgálata. Sós Bence JB2BP7

Akusztikus MEMS szenzor vizsgálata. Sós Bence JB2BP7 Akusztikus MEMS szenzor vizsgálata Sós Bence JB2BP7 Tartalom MEMS mikrofon felépítése és típusai A PDM jel Kinyerhető információ CIC szűrő Mérési tapasztalatok. Konklúzió MEMS (MicroElectrical-Mechanical

Részletesebben

Z v 1 (t)v 2 (t τ)dt. R 12 (τ) = 1 R 12 (τ) = lim T T. ill. periódikus jelekre:

Z v 1 (t)v 2 (t τ)dt. R 12 (τ) = 1 R 12 (τ) = lim T T. ill. periódikus jelekre: 1 Korrelációs fügvények Hasonlóság mértéke a két függvény szorzatának integrálja Időbeli változások esetén lehet vizsgálni a hasonlóságot a τ relatív időkülönbség szerint: Keresztkorrelációs függvény:

Részletesebben

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses

Részletesebben

DIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG:

DIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG: DIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG: kisszandi@mailbox.unideb.hu ImageJ (Fiji) Nyílt forrás kódú, java alapú képelemző szoftver https://fiji.sc/ Számos képformátumhoz megfelelő

Részletesebben

Hangtechnika. Médiatechnológus asszisztens

Hangtechnika. Médiatechnológus asszisztens Vázlat 3. Előadás - alapjai Pécsi Tudományegyetem, Pollack Mihály Műszaki Kar Műszaki Informatika és Villamos Intézet Műszaki Informatika Tanszék Ismétlés Vázlat I.rész: Ismétlés II.rész: A digitális Jelfeldolgozás

Részletesebben

Matematika osztályozó vizsga témakörei 9. évfolyam II. félév:

Matematika osztályozó vizsga témakörei 9. évfolyam II. félév: Matematika osztályozó vizsga témakörei 9. évfolyam II. félév: 7. Függvények: - függvények fogalma, megadása, ábrázolás koordináta- rendszerben - az elsőfokú függvény, lineáris függvény - a másodfokú függvény

Részletesebben