Jelfeldolgozás bevezető. Témalaboratórium
|
|
- József Bognár
- 5 évvel ezelőtt
- Látták:
Átírás
1 Jelfeldolgozás bevezető Témalaboratórium
2 Tartalom Jelfeldolgozás alapjai Lineáris rendszerelmélet Fourier transzformációk és kapcsolataik Spektrális képek értelmezése Képfeldolgozás alapjai Néhány nevezetesebb szűrés
3 Lineáris időinvariáns (LTI) rendszerek Linearitás: Időinvariancia (shift invariancia): Dirac impulzus: S a f b g a S f b S g a, b f, g S f x x y x S f y 00 x 1, illetve N x lim exp x 2a a 2 a0 x 0x \ 0 00
4 LTI rendszerek válasza Lineáris rendszer válasza (konvolúciós integrál) gerjesztésre: ˆ : S f x y x f j x S j x x x j Mikor helyes a közelítés ( x 0 esetén) : f (a gerjesztés) egy folytonos jel Az impulzusválasz folytonos függvénye h z, x S z x Mi változik ha S eltolás invariáns: Mivel h y, x h x y, ezért x0 x ' f z -nek S f x lim yˆ x f x ' hx x ' dx '
5 LTI rendszerek válasza Lineáris rendszer válasza (konvolúciós integrál) gerjesztésre: ˆ : S f x y x f j x S j x x x j Mikor helyes a közelítés ( x 0 esetén) : f (a gerjesztés) egy folytonos jel Az impulzusválasz folytonos függvénye h z, x S z x Mi változik ha S eltolás invariáns: Mivel h y, x h x y, ezért x0 x ' f z -nek S f x lim yˆ x f x ' hx x ' dx '
6 LTI rendszerek válasza Lineáris rendszer válasza (konvolúciós integrál) gerjesztésre: ˆ : S f x y x f j x S j x x x j Mikor helyes a közelítés ( x 0 esetén) : f (a gerjesztés) egy folytonos jel Az impulzusválasz folytonos függvénye h z, x S z x Mi változik ha S eltolás invariáns: Mivel h y, x h x y, ezért x0 x ' f z -nek S f x f h x Tehát S f x lim yˆ x f x ' hx x ' dx '
7 LTI rendszerek válasza (konvolúciós integrál) + + :
8 LTI rendszerek válasza (konvolúciós integrál)
9 Rendszerelmélet miért? 1. Rekonstruálunk: A kép egy rendszernek egy kimenete Bemenete egy 3d térrészlet, benne minket érdeklő objektumokkal (állapotváltozók) Cél a rendszer állapotának a visszaállítása (az objektumok tulajdonságainak rekonstrukciója) 2. Kondícionálunk: Bemenete a megfigyelési rendszernek egy számunkra kívánatos (pl. torzításmentes) kép, melyet a képalkotás során használt eszköz, mint rendszer torzít Cél a kívánatos kép előállítása (pl. szűréssel, becsléssel)
10 Képalkotó rendszerek leírása lineáris rendszerekkel 1. 3D térből 2D mérés: g x, y h x, y;, f, d dd x, y,, 0 f,, : rendszer bemenete, a 3D tér egy pontja xy, : additív megfigyelési zaj ( kevés a modell ) h x, y;,, : lineáris rendszerünk súlyfüggvénye 2. 2D képből torzított 2D kép: g x, y h x, y;, f, dd x, y h x, y;, h x, y ha akkor LTI / LSI rendszer, jelentősen egyszerűsödik sokminden
11 3D információ előállítása kép(ek)ből példák Felismerési feladatok: Pl. gyalogosok felismerése
12 3D információ előállítása kép(ek)ből példák Felismerési feladatok: Pl. kerekárnyékok felismerése
13 3D információ előállítása kép(ek)ből példák Rekonstrukciós feladatok: Pl. Röntgenes rekonstrukciók
14 3D információ előállítása kép(ek)ből példák Rekonstrukciós feladatok: Pl. kameraképek alapján 3d objektum rekonstrukció
15 2D kép kondícionálása Dekonvolúciós feladatok: Ismerjük h-t, cél f -et megbecsülni
16 2D kép kondícionálása Szűrésekkel minket érdeklő részek kiemelése Pl. szummációs röntgen projekcióról bordaárnyék leradírozása
17 Hogyan lesz digitális képünk? 1. Detektor felületét fotonok érik: Folytonos intenzitásfüggvény Analízisére Folytonos Fourier Transzformácó 2. Érzékelőelemek töltéssé alakítják a fotonokat: Véges frekvenciácal végtelen db mintát veszünk Analízise Diszkrét Idejű Fourier Transzformációval (DTFT) Véges számú mintát veszünk Analízise Diszkrét Fourier Transzformációval (DFT) 3. Van még erősítés, meg kvantálás is: Ezek hatása általában marginális csak ritkán vizsgáljuk
18 Folytonos Fourier transzformáció (Unitér) lineáris transzformáció folytonos függvények tere felett 2 F f x e j x dx 2 ; e j Különféle paraméterezése létezik itt fizikai frekvencia A spektrum lényegében az eredeti jel koordinátázása a komplex exponenciálisok bázisa felett 2 komplex exponenciális: e j x j2 x e cos 2 x j sin 2 x f x F x d LTI / LSI rendszerek sajátfüggvényei a komplex exponenciálisok (konvolúció elemenkénti szorzás duális)
19 Folytonos Fourier transzformáció LTI rendszerek átviteli függvénye: H FT h, H exp H H j H - rendszer átvitele frekvencián: ~ a jel változásának a sebessége Minden fizikai rendszer sávkorlátozott H 1 ha sávszélesség H Interpretáció 1 H : rendszer tehetetlensége H - rendszer fázistolása frekvencián: Rendszer késleltetése eltolása frekvencián exp 2 FT f x x F j x 0 0
20 Folytonos Fourier transzformáció
21 Mintavételezés hatása Mintavételezzük a jelünket: Matematikai mintavétel: folytonos jel hadamard szorzata Dirac fésűvel Időtartománybeli szorzás spektrumok konvolúciója Impulzusfésű az időtartományban frekvenciatartományban
22 Mintavételezés hatása Mintavételezés hatása Fourier térben: X s X k X k x k x x k x 1 x: mintavételi frekvencia X : folytonos jel spektruma mintavételezés előtt X : mintavételezett jel spektruma S Mikor teljesül, hogy XS X? Ha telesül a Nyquist mintavételi törvény kritériuma Ha nem teljesül, akkor alul-mintavételezünk, aminek aliasing a következménye
23 Mintavételezés hatása Ha helyesen mintavételezünk: 1 T 2sávszélesség x
24 Mintavételezés hatása Ha alul-mintavételezünk: 1 T 2sávszélesség x
25 Alul-mintavételezés hatása Moire / aliasing
26 Mintavételezett jel spektruma - DTFT Nézzük meg a mintavételezett jel spektrumát X x n j n F 2 x t t n t n n xn 1 2 X exp j n d Tehát egyszerűen a mintavett jel spektruma Tulajdonságai:, de exp nz R 2 X X k
27 Véges, mintavett jel analízise - DFT Detektorok mérete, gépek memóriája is véges: Véges hosszú mintavételezett jeleink vannak Spektrumokat is csak véges hosszon tudjuk tárolni Diszkrét Fourier Transzformáció: N 1 X xn exp j n k 2 N k n0 mintavételezzük az alábbi jel DTFT spektrumát: x 'n xn hn, ahol h n 1 n 1 n N az ú.n. megfigyelési ablakfüggvény 1 n y az y pozíciójú egységugrás
28 Véges, mintavett jel analízise - DFT Spektrumszivárgás: xn DFT-je x'ndtft-jét mintavételezi: X X ' DTFT x ' 1 2 k k k X H k Tehát a megfigyelési ablak függvény spektrumával konvolválódik a végtelen hosszú jel DTFT spektruma Ami ha betartottuk a mintavételi törvényt, akkor a folytonos jelünk spektrumának ÁTLAPOLÓDÁS NÉLKÜLI ismétlése Persze a cél a folytonos spektrum mintavételezése lenne
29 Véges, mintavett jel analízise - DFT Spektrumszivárgás másik interpretációja: N 1 X xn exp j n k 2 N DFT: DFS: k n0 1 N 1 k 2 ck xnexp j n N x n0 N Tehát úgy is felfoghatjuk, hogy a DFT a látott jel végtelen egymás utáni ismétlésével kapott periodikus jel Diszkrét Fourier Sorfejtése És már azt is tudjuk, hogy ez a spektrumot hogy torzítja (ablakfüggvény spektrumával konvolúció)
30 Spektrumszivárgás példa Adott folytonos monokróm jel: x t sin(2 t 15) Sávszélessége 15 Hz, tehát 30 Hz felett mintavételezzük 0.5 spektrum amplitudoja Frekvencia [Hz]
31 Spektrumszivárgás példa Adott folytonos jel: x t t Mintavételezzük ( ): 1kHz, x 100 sin(2 15) f N 100 Megfigyelési ekvivalens: x rect 100 Implicit megfigyelési ablak DTFT spektruma: 20 s amplitudo [db] Frekvencia [Hz]
32 Spektrumszivárgás példa Y 20 0 amplitudo [db] Adott folytonos jel: x t t Mintavételezzük ( ): 1kHz, X 100 Megfigyelt jel DFT spektruma: Y H rect sin(2 15) Frekvencia [Hz] fs N 100 X X H d 100 rect Piros: ablak normált spektruma Kék: folytonos jel spektruma Fekete: N=100 mintavétellel előálló jel spektrumának DC komponense
33 Spektrumszivárgás példa Adott folytonos jel: y t t Mintavételezzük ( ): 1kHz, y 100 sin(2 15) Megfigyelési ekvivalens spektruma: f N 100 s Y Y H 100 rect 20 0 amplitudo [db] Frekvencia [Hz] Piros: folytonos jel spektruma Kék: N=100 mintavétellel előálló jel spektruma
34 Spektrumszivárgás példa Adott folytonos jel: x t t Mintavételezzük ( ): 1kHz, DFT által látott jel: 1 x 100 sin(2 15) fs N 100 x n x h mod ( n) 100 Rect idõ [sec]
35 Spektrumszivárgás kompenzálása Definiáljunk mi az ablakfüggvényt: Nem lehet hosszabb, mint ahány mintát meg tudunk nézni, de legalább a mintavételek végi töréspontokat el tudjuk nyomni
36 Analízis irány: uv, M1N1 m0 n0 Tulajdonságok: 2D DFT, exp 2 Periodikus: [M,N] szerint Valós jel esetén: F Ha M, N páros: F F F F Többi transzformáció esetén is hasonló a többdimenziós eset F f m n j u m M v n N M1 N1 f m, nexp 2 j v n N exp 2 j u m M m0 n0 u, v u, v M u,nv M 2 u, N 2v M 2 u, N 2v
37 2D DFT Szintézis irány M1N1 1, u, vexp 2 f m n F j u m M v n N M N u0 v0 Hullámfrontos interpretáció: Spektrum amplitudója:
38 2D DFT példa rekonstrukció spektrum amplitúdóból és fázisból
39 2D DFT példa spektrum amplitúdójából rekonstruált kép
40 2D DFT példa spektrum fázisából rekonstruált kép
41 2D LTI rendszer válasza Lineáris szűrések frekvenciatérben: :cirkuláris konvolúció
42 Hisztogram Kép pixelek intenzitásainak sűrűségfüggvénye: Bináris esetben két Kronecker delta Ablakozás: hisztogram közepének és szélességének állítása
43 Hisztogram kiegyenlítése Cél a kontraszt (elkülönítendő objektumok intenzitásainak különbsége) növelése:
44 Kontrasztjavítás hisztogram globális módosítással
45 Adaptív kontrasztnövelés Nem mindig célszerű a kép minden területén u.a. leképezés szerint módosítani az intenzitásokat
46 Szűrések Képet átküldjük egy rendszeren Mely a kimeneti kép adott pixelét tipikusan a szomszédos pixelek értékei alapján módosítja Tipikus célok: Zajszűrés a képek spektrumának egy bizonyos részének elnyomásával / intenzitások kicserélésével Alakzatok / érdekesebb objektumok kiemelése Élkiemelés Illesztett szűrés
47 Zajszűrések LTI rendszerrel Rendszerek súlyfüggvényét kernelnek hívjuk: Kernellel tehát konvolváljuk a képet Tipikusan uniform / Gauss kernel
48 Zajszűrés medián szűrés Szűrt kép adott képpontjának intenzitása a szomszédos képpontok intenzitásának mediánja Impulzus zajt jobban kezeli, mint a lineáris szűrések Általánosítás az orders of statistics szűrők: Nem a medián, hanem sorrendezésben előre definiált helyű
49 Élkiemelés Cél a kép intenzitásainak gyors változásait kiemelni LTI rendszerrel: Sobel / Prewitt kernelek alkalmazásával: Képeket kvázi felül- áteresztik Sokszor kombinálják simító szűrőkkel: Cél a tipikusan magasfrekvenciás zaj csillapítása Pl. Derivative of Gaussian, Laplacian of Gaussian Lényegében egy sáváteresztő rendszer Nemlineáris rendszerekkel: Hiszterézises küszöbölésű Canny, stb.
50 Klasszikus élkiemelő kernelek
51 Sáváteresztő jellegű élkiemelés Gauss derivált kernelek: Kék: Gauss függvény Piros: Derivative of Gaussian Zöld: Laplacian of Gaussian
52 Sáváteresztő jellegű élkiemelés Laplacian of Gaussian példa:
53 Élkiemelő szűrések példák
54 Illesztett szűrés Definiálunk egy templete-et: Célunk ezt megtalálni a képen Ennek vesszük a keresztkorrelációját a kép különböző részleteivel (csúszóablak szerűen végigtolva a képen) Szűrt kép intenzitása azon régióban nagy, mely korrelált a sablonnal Sok esetben ez nem elég: Különböző méretekben / orientációba fordulhat elő Ilyenkor template bank -ot alkalmazunk (tehát több sablonunk van, mindegyikre elvégezzük a szűrét), majd aggregáljuk a szűrések kimenetét
55 Illesztett szűrés példa
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
RészletesebbenFourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 7-8. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 7-8. ea. 2015 ősz 7. előadás tartalma Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Frekvenciaszivárgás
RészletesebbenFourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 5-7. ea. 2017 ősz 6. Előadás tartalma Spektrumszivárgás Képfeldolgozás frekvencia tartományban: 2D Spektrum gépi ábrázolása Szűrések frekvenciatartományban
RészletesebbenFourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 6-8. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 6-8. ea. 2016 ősz 6. előadás tartalma Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Spektrumszivárgás
RészletesebbenKépalkotás 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:
RészletesebbenKépalkotás 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
RészletesebbenEllenőrző 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
RészletesebbenKépfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika
Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés
RészletesebbenDigitális 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.
Részletesebben4. 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,
RészletesebbenKépalkotó 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
RészletesebbenMintavétel: 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:
RészletesebbenADAT- 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
RészletesebbenDigitális 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
RészletesebbenKéprestauráció 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
RészletesebbenÉRZÉKELŐK 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
RészletesebbenKépfeldolgozó 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,
RészletesebbenJelek 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
RészletesebbenDekonvolúció a mikroszkópiában. Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ
Dekonvolúció a mikroszkópiában Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ 2015 Fourier-Sorok Minden 2π szerint periodikus függvény előállítható f x ~ a 0 2 + (a
Részletesebben3. 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
RészletesebbenJelfeldolgozás - 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
RészletesebbenVillamosságtan 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
RészletesebbenRENDSZERTECHNIKA 8. GYAKORLAT
RENDSZERTECHNIKA 8. GYAKORLAT ÜTEMTERV VÁLTOZÁS Gyakorlat Hét Dátum Témakör Házi feladat Egyéb 1 1. hét 02.09 Ismétlés, bevezetés Differenciálegyenletek mérnöki 2 2. hét 02.16 szemmel 1. Hf kiadás 3 3.
RészletesebbenFODOR GYÖRGY JELEK ÉS RENDSZEREK
FODOR GYÖRGY JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, 2006 Előszó A valóságos fizikai, kémiai, műszaki, gazdasági folyamatokat modellek segítségével írjuk le. A modellalkotás során leegyszerűsítjük
RészletesebbenJelek és rendszerek - 4.előadás
Jelek és rendszerek - 4.előadás Rendszervizsgálat a komplex frekvenciatartományban Mérnök informatika BSc (lev.) Pécsi Tudományegyetem, Pollack Mihály Műszaki Kar Műszaki Informatika és Villamos Intézet
RészletesebbenMérés és adatgyűjtés
Mérés és adatgyűjtés 4. óra Mingesz Róbert Szegedi Tudományegyetem 2012. február 27. MA - 4. óra Verzió: 2.1 Utolsó frissítés: 2012. március 12. 1/41 Tartalom I 1 Jelek 2 Mintavételezés 3 A/D konverterek
RészletesebbenKépfeldolgozó 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
RészletesebbenFehérzajhoz 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
Részletesebben2. gyakorlat Mintavételezés, kvantálás
2. gyakorlat Mintavételezés, kvantálás x(t) x[k]= =x(k T) Q x[k] ^ D/A x(t) ~ ampl. FOLYTONOS idı FOLYTONOS ANALÓG DISZKRÉT MINTAVÉTELEZETT DISZKRÉT KVANTÁLT DIGITÁLIS Jelek visszaállítása egyenköző mintáinak
RészletesebbenJelek és rendszerek MEMO_03. Pletl. Belépő jelek. Jelek deriváltja MEMO_03
Jelek és rendszerek MEMO_03 Belépő jelek Jelek deriváltja MEMO_03 1 Jelek és rendszerek MEMO_03 8.ábra. MEMO_03 2 Jelek és rendszerek MEMO_03 9.ábra. MEMO_03 3 Ha a jelet méréssel kapjuk, akkor a jel következő
RészletesebbenShift 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
RészletesebbenSzámítógépes gyakorlat MATLAB, Control System Toolbox
Számítógépes gyakorlat MATLAB, Control System Toolbox Bevezetés A gyakorlatok célja az irányítási rendszerek korszerű számítógépes vizsgálati és tervezési módszereinek bemutatása, az alkalmazáshoz szükséges
RészletesebbenIdő-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
RészletesebbenWavelet 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
RészletesebbenIdő-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
RészletesebbenDINAMIKAI VIZSGÁLAT OPERÁTOROS TARTOMÁNYBAN. 2003.10.30. Dr. Aradi Petra, Dr. Niedermayer Péter: Rendszertechnika segédlet 1
DINAMIKAI VIZSGÁLAT OPERÁTOROS TARTOMÁNYBAN 2003.10.30. Dr. Aradi Petra, Dr. Niedermayer Péter: Rendszertechnika segédlet 1 Differenciálegyenlet megoldása u(t) diff. egyenlet v(t) a n d n v m dt a dv n
RészletesebbenÉRZÉKELŐK 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
RészletesebbenIdő-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
RészletesebbenKépfeldolgozó 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,
RészletesebbenDigitális 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:
Részletesebben1. témakör. A hírközlés célja, általános modellje A jelek osztályozása Periodikus jelek leírása időtartományban
1. témakör A hírközlés célja, általános modellje A jelek osztályozása Periodikus jelek leírása időtartományban A hírközlés célja, általános modellje Üzenet: Hír: Jel: Zaj: Továbbításra szánt adathalmaz
RészletesebbenMintavételezés és FI rendszerek DI szimulációja
Mintavételezés és FI rendszerek DI szimulációja Dr. Horváth Péter, BME HVT 5. december.. feladat Adott az alábbi FI jel: x f (t) = cos(3t) + cos(4t), ([ω] =krad/s). Legalább mekkorára kell választani a
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika 2017 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 2017 ősz Élet a konvex optimalizáción túl CT-s szimuláció, 10 projekcióból (ΔΘ=18 ): Konvex: L2-TV Valóban ritkasági priorral Lineáris tomoszintézis Speciális
RészletesebbenAkusztikus mérőműszerek
Akusztikus mérőműszerek Hangszintmérő: méri a frekvencia súlyozott, és nyomásátlagolt hangnyomás szintet (hangszintet). Felépítése Mikrofon + Erősítő Frekvencia Szint tartomány Időátlagolás Kijelzés Előerősítő
Részletesebben6. témakör. Mintavételezés elve Digitális jelfeldolgozás (DSP) alapjai
6. témakör Mintavételezés elve Digitális jelfeldolgozás (DSP) alapjai A mintavételezés blokkvázlata Mintavételezés: Digitális jel mintavevô kvantáló kódoló Átvitel Tárolás antialiasing szűrő Feldolgozás
Részletesebben3.18. DIGITÁLIS JELFELDOLGOZÁS
3.18. DIGITÁLIS JELFELDOLGOZÁS Az analóg jelfeldolgozás során egy fizikai mennyiséget (pl. a hangfeldolgozás kapcsán a levegő nyomásváltozásait) azzal analóg (hasonló, arányos) elektromos feszültséggé
RészletesebbenNéhány fontosabb folytonosidejű jel
Jelek és rendszerek MEMO_2 Néhány fontosabb folytonosidejű jel Ugrásfüggvény Bármely választással: Egységugrás vagy Heaviside-féle függvény Ideális kapcsoló. Signum függvény, előjel függvény. MEMO_2 1
RészletesebbenANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem. Jelfeldolgozás. ANTAL Margit. Adminisztratív. Bevezetés. Matematikai alapismeretek.
Jelfeldolgozás 1. Sapientia - Erdélyi Magyar Tudományegyetem 2007 és jeleket generáló és jeleket generáló és jeleket generáló Gyakorlatok - MATLAB (OCTAVE) (50%) Írásbeli vizsga (50%) és jeleket generáló
RészletesebbenBeszédinformációs 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
RészletesebbenKéprekonstrukció 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
RészletesebbenFourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata
Fourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata Reichardt, András 27. szeptember 2. 2 / 5 NDSM Komplex alak U C k = T (T ) ahol ω = 2π T, k módusindex. Időfüggvény előállítása
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK Dr. Soumelidis Alexandros 2018.10.18. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérések
RészletesebbenMátrix-exponens, Laplace transzformáció
2016. április 4. 2016. április 11. LINEÁRIS DIFFERENCIÁLEGYENLET RENDSZEREK ÉS A MÁTRIX-EXPONENS KAPCSOLATA Feladat - ismétlés Tegyük fel, hogy A(t) = (a ik (t)), i, k = 1,..., n és b(t) folytonos mátrix-függvények
RészletesebbenHíradástechikai 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
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK II. 5. DC MOTOROK SZABÁLYOZÁS FORDULATSZÁM- SZABÁLYOZÁS
ÉRZÉKELŐK ÉS BEAVATKOZÓK II. 5. DC MOTOROK SZABÁLYOZÁS FORDULATSZÁM- SZABÁLYOZÁS Dr. Soumelidis Alexandros 2019.03.13. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT
RészletesebbenKépszegmentáló 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
RészletesebbenÉRZÉKELŐK 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:
RészletesebbenIrányítástechnika 2. előadás
Irányítástechnika 2. előadás Dr. Kovács Levente 2013. 03. 19. 2013.03.19. Tartalom Tipikus vizsgálójelek és azok információtartalma Laplace transzformáció, állapotegyenlet, átviteli függvény Alaptagok
RészletesebbenPTE 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
RészletesebbenKépalkotó diagnosztikai eljárások:
Képalkotó diagnosztikai eljárások: Soroljon fel néhány orvosi képalkotáson alapuló diagnosztikai eljárást, mely o Transzmissziós o Indukciós o Emissziós alkalmazásán alapul. Mire szolgálnak az egyes diagnosztikai
Részletesebben7. Előadás tartalma. Lineáris szűrők: Inverz probléma dekonvolúció: Klasszikus szűrők súly és átviteli függvénye Gibbs jelenség
7. Előadás tartalma Lineáris szűrők: Klasszikus szűrők súly és átviteli üggvénye Gibbs jelenség Inverz probléma dekonvolúció: Inverz probléma ormális elírása Dekonvolúció nehézsége Közismert algoritmusok:
RészletesebbenHangtechnika. 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
RészletesebbenFourier transzformáció
a Matematika mérnököknek II. című tárgyhoz Fourier transzformáció Fourier transzformáció, heurisztika Tekintsük egy 2L szerint periodikus függvény Fourier sorát: f (x) = a 0 2 + ( ( nπ ) ( nπ )) a n cos
Részletesebben3. témakör. Rendszerek idő, frekvencia-, és komplex frekvenciatartományi leírása
3. témakör Rendszerek idő, frekvencia-, és komplex frekvenciatartományi leírása Bevezetés Célunk a rendszer kimenő jelének meghatározása a bemenő jel és a rendszerjellemző függvény ismeretében. A rendszereket
RészletesebbenZ 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:
RészletesebbenA gyakorlat célja a fehér és a színes zaj bemutatása.
A gyakorlat célja a fehér és a színes zaj bemutatása. 1.@. FFT begyakorlása n = [:9]; % Harminc minta x = cos(*pi*n/1); % 1 mintát veszünk periodusonként N1 = 64; % Három módon számoljuk az FFT-t N = 18;
RészletesebbenOrvosi 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
RészletesebbenSzámítógép-vezérelt szabályozás- és irányításelmélet
Számítógép-vezérelt szabályozás- és irányításelmélet 2. gyakorlat Feladattípusok két függvény konvolúciója ÿ + aẏ + by = e at, y(), ẏ() típusú kezdetiérték feladatok megoldása (Laplace transzformációval)
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika 2017 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 2017 ősz Előadások témája Röntgen tomográfia fizikai és matematikai alapjai 2D Radon transzformáció, szűrt visszavetítés: Fan beam / Cone beam felvételi
Részletesebbenilletve, mivel előjelét a elnyeli, a szinuszból pedig kiemelhető: = " 3. = + " 2 = " 2 % &' + +
DFT 1. oldal A Fourier-sorfejtés szerint minden periodikus jel egyértelműen felírható különböző amplitúdójú és fázisú szinusz és koszinusz jelek összegeként: = + + 1. ahol az együtthatók, szintén a definíció
RészletesebbenJelfeldolgozás. Gyakorlat: A tantermi gyakorlatokon való részvétel kötelező! Kollokvium: csak gyakorlati jeggyel!
1 Jelfeldolgozás Jegyzet: http://itl7.elte.hu : Elektronika jegyzet (Csákány A., ELTE TTK 119) Jelek feldolgozása (Bagoly Zs. Csákány A.) angol nyelv DSP (PDF) jegyzet Gyakorlat: A tantermi gyakorlatokon
Részletesebbenπ π A vivőhullám jelalakja (2. ábra) A vivőhullám periódusideje T amplitudója A az impulzus szélessége szögfokban 2p. 2p [ ]
Pulzus Amplitúdó Moduláció (PAM) A Pulzus Amplitúdó Modulációról abban az esetben beszélünk, amikor egy impulzus sorozatot használunk vivőhullámnak és ezen a vivőhullámon valósítjuk meg az amplitúdómodulációt
RészletesebbenHíradástechikai jelfeldolgozás
Híradástechikai jelfeldolgozás 1. előadás 2015. február 13. 2015. február 13. Budapest Dr. Gaál József BME Hálózati Redszerek és SzolgáltatásokTaszék gaal@hit.bme.hu Bemutatkozás Dr Gaál József doces BME
RészletesebbenMintavételezés és AD átalakítók
HORVÁTH ESZTER BUDAPEST MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM JÁRMŰELEMEK ÉS JÁRMŰ-SZERKEZETANALÍZIS TANSZÉK ÉRZÉKELÉS FOLYAMATA Az érzékelés, jelfeldolgozás általános folyamata Mérés Adatfeldolgozás 2/31
RészletesebbenFourier transzformáció
Fourier transzformáció A szeizmikus hullámok tanulmányozása során igen nagy jelentősége van a hullámok frekvencia tartalmának. Ezt használjuk a hullámok alakjának mintavételezésekor, lineáris szűrések
RészletesebbenMéréselmélet és mérőrendszerek
Méréselmélet és mérőrendszerek 4. ELŐADÁS KÉSZÍTETTE: DR. FÜVESI VIKTOR 2016. 10. Mai témáink o Jelfeldolgozás o Fourier transzformáció o Frekvencia analízis o Jelek mintavételezése o Shannon-törvény o
Részletesebben6. 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
RészletesebbenX. 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.
RészletesebbenInformatika Rendszerek Alapjai
Informatika Rendszerek Alapjai Dr. Kutor László Jelek típusai Átalakítás analóg és digitális rendszerek között http://uni-obuda.hu/users/kutor/ IRA 2014 2014. ősz IRA3/1 Analóg jelek digitális feldolgozhatóságának
RészletesebbenMérés és adatgyűjtés
Mérés és adatgyűjtés 5. óra - levelező Mingesz Róbert Szegedi Tudományegyetem 2011. március 18. MA lev - 5. óra Verzió: 1.1 Utolsó frissítés: 2011. április 12. 1/20 Tartalom I 1 Demók 2 Digitális multiméterek
RészletesebbenGyakorló többnyire régebbi zh feladatok. Intelligens orvosi műszerek október 2.
Gyakorló többnyire régebbi zh feladatok Intelligens orvosi műszerek 2018. október 2. Régebbi zh feladat - #1 Az ábrán látható két jelet, illetve összegüket mozgóablak mediánszűréssel szűrjük egy 11 pontos
RészletesebbenAkusztikus 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
Részletesebben8 Képfeldolgozási alkalmazások. 8.1 A képfeldolgozás alapjai
8 Képfeldolgozási alkalmazások 8.1 A képfeldolgozás alapjai A 8.1. ábra egy monokróm, 8bites (256 színű) kép felépítését mutatja meg. A kép 42120 pontból épül fel, 216 sora, 195 oszlopa van. Ha mint jelre
RészletesebbenSCHRÖDINGER-EGYENLET SCHRÖDINGER-EGYENLET
SCHRÖDINGER-EGYENLET A Scrödinger-egyenlet a kvantummecanika mozgásegyenlet, Newton II. törvényével analóg. Nem vezetető le korábbi elvekből, de intuitívan bevezetető. Egy atározott energiával és impulzussal
RészletesebbenIrányítástechnika II. előadásvázlat
Irányítástechnika II. előadásvázlat Dr. Bokor József egyetemi tanár, az MTA rendes tagja BME Közlekedés- és Járműirányítási Tanszék 2018 1 Tartalom Irányítástechnika II. féléves tárgytematika Az irányításelmélet
Részletesebbenjelfeldolgozásba II.
TÁMOP-4.1.1.F-14/1/KONV-215-9 A gépészeti és informatikai ágazatok duális és moduláris képzéseinek kialakítása a Pécsi Tudományegyetemen Bevezetés a számítógépes jelfeldolgozásba II. Sári Zoltán Pécs 215
RészletesebbenHa 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
RészletesebbenHíradástechikai jelfeldolgozás
Híradástehikai jeleldolgozás. előadás Sebességkonverziós jeleldolgozás 05. 04. 3. 05. április 3. Budapest Dr. Gaál Józse BME Hálózati Rendszerek és SzolgáltatásokTanszék gaal@hit.bme.hu Sebességkonverziós
RészletesebbenMit 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?
Részletesebben2. témakör. Sztochasztikus, stacionárius és ergodikus jelek leírása idő és frekvenciatartományban
2. témakör Sztochasztikus, stacionárius és ergodikus jelek leírása idő és frekvenciatartományban Bevezetés Egy összetett jel, amely nem feltétlen periodikus, de stabil amplitúdójó és frekvenciájú diszkrét
RészletesebbenKépalkotó diagnosztikai eljárások
Képalkotó diagnosztikai eljárások Soroljon fel néhány orvosi képalkotáson alapuló diagnosztikai eljárást, mely o transzmissziós o reflexiós o emissziós elv alkalmazásán alapul. Mire szolgálnak az egyes
RészletesebbenKANDÓ 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
RészletesebbenAnyagi tulajdonságok meghatározása spektrálisan
Ágazati Á felkészítés a hazai EL projekttel összefüggő ő képzési é és K+F feladatokra" " 9. előadás Anyagi tulajdonságok meghatározása spektrálisan bontott interferometriával (SR) 1 Bevezetés A diszperzív
RészletesebbenAz Informatika Elméleti Alapjai
Az Informatika Elméleti Alapjai dr. Kutor László Jelek típusai Átalakítás az analóg és digitális rendszerek között http://mobil.nik.bmf.hu/tantargyak/iea.html Felhasználónév: iea Jelszó: IEA07 IEA 3/1
RészletesebbenSegédlet a gyakorlati tananyaghoz GEVAU141B, GEVAU188B c. tantárgyakból
Segédlet a gyakorlati tananyaghoz GEVAU141B, GEVAU188B c. tantárgyakból 1 Átviteli tényező számítása: Lineáris rendszer: Pl1.: Egy villanymotor 100V-os bemenő jelre 1000 fordulat/perc kimenő jelet ad.
RészletesebbenSZAKMAI ZÁRÓJELENTÉS. Optimális háromdimenziós rácson mintavételezett adatok interaktív térfogatvizualizációja
SZAKMAI ZÁRÓJELENTÉS Optimális háromdimenziós rácson mintavételezett adatok interaktív térfogatvizualizációja (OTKA F-68945) A modern 3D képalkotó eljárások (CT, MRI, PET) a tomográfiás rekonstrukciót
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 8. A JELFELDOLGOZÁS ALAPJAI
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 8. A JELFELDOLGOZÁS ALAPJAI Dr. Soumelidis Alexandros 2018.11.22. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG A Fourier
RészletesebbenA 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
RészletesebbenDigitális jelfeldolgozás
Digitális jelfeldolgozás Dr. Fodor, Dénes Szerzői jog 2014 Pannon Egyetem A tananyag a TÁMOP-4.1.2.A/1-11/1-2011-0042 azonosító számú Mechatronikai mérnök MSc tananyagfejlesztés projekt keretében készült.
RészletesebbenAkusztikai tervezés a geometriai akusztika módszereivel
Akusztikai tervezés a geometriai akusztika módszereivel Fürjes Andor Tamás BME Híradástechnikai Tanszék Kép- és Hangtechnikai Laborcsoport, Rezgésakusztika Laboratórium 1 Tartalom A geometriai akusztika
Részletesebben