és követés Dr. Loványi István BME-IIT 2014 április
|
|
- Ida Székely
- 8 évvel ezelőtt
- Látták:
Átírás
1 Él-, sarok-, minta detektálás és követés Dr. Loványi István BME-IIT 2014 április
2 Megoldandó feladatok Jó jellemző felismerés (2D) Jó jellemzők követése (2D) 3D rekonstrukció (3D) önkalibráció 3D struktúra Mozgás Hol van a képen? Hol van a világban??
3 Képjellemzők meghatározása Mit is mérjünk? Hogyan? Jellemzők jóságának összehasonlítása
4 Példa: Sávdetektálás a feldolgozás főbb lépései a) bemeneti kép b) szűrés c) éldetektálás d) AOI / ROI e) Hough transzformáció f) Sávdetektálás (kimenet) (University of Aucland)
5 Morfológiai Operátor (Zárás) a) sávelválasztó jel b) éldetektálás c) dilatáció d) erózió (University of Aucland)
6 (iphone alapú) Sávkövetés képsorozat (bemenet) Hough transzformáció után Sávdetektálás (kimenet) (University of Aucland)
7 OpenCV egy nyitott forrású képfeldolgozó programcsomag t/ / notes/opencv-intro/index.html net/sourceforge/openc vlibrary/ippocv.pdf Minden általam ismertetett képfeldolgozó algoritmushoz letölthető implementáció (és sok minden más is)
8 Lineáris Szűrők Elmélete Ez egy klasszikus téma a képfeldolgozás elméletéből Részben M. Pollefesys diáit felhasználva
9 Lineáris szűrők Algoritmus: Példa 1: Simítás átlagolással Új kép pixeleinek értékét a lokális környezet eredeti Képezzük a pixel lokális környezetének átlagát pixel értékeinek súlyozott összege (átlaga) adja. Példa 2: Gauss szűrés Minden pozícióban Képezzük a pixel lokális ugyanazokat a súlyokat környezetének k súlyozott alkalmazzuk. átlagát Tulajdonságok: Az eredménykép az Példa 3: Kép deriválás eredeti kép lineáris Képezzük a pixel lokális függvénye környezetének súlyozott átlagát
10 Konvolúció Súlyok megadása eredmény: képként: H H megnevezése általában: kernel R Művelet neve: ij H i u,j v F uv u,v konvolúció olúció (asszociativ) Mindegyik példánk ezzel el a formulával kifejezhető Eltolás független gg lineáris operátor
11 Konvolúció f(.) f(.) f(.) f(.) f(.) f(.) f(.) f(.) f(.) c 11 c 12 c 13 c 21 c 23 c 22 c 31 c 32 c 33 o (i,j) = c 11 f(i-1,j-1) + c 12 f(i-1,j) + c 13 f(i-1,j+1) + c 21 f(i,j-1) + c 22 f(i,j) + c 23 f(i,j+1) + c 31 f(i+1,j-1) 1) + c 32 f(i+1,j) + c 33 f(i+1,j+1)
12 Példa 1: Simítás átlagolással Figyeljük meg az eredményképen az átlagoláson túlmenően fellépő zajt (a kernel éles határa okozza) Kernel 12
13 Példa 2: Simítás Gauss szűrővel Az előbbi átlagoló simítás nem jól modellez egy defókuszált lencsét A leginkább szembetűnő különbség: egyetlen pont a defókuszált képen egy fuzzy foltként hatna, az átlagoló simítás viszont egy kis négyzetet eredményezett A Gauss szűrő viszont jól modellez egy defókuszált lencsét (fuzzy folt)
14 Isotropic Gaussian exp x2 y (a körkörös fuzzy folt jó közelítése)
15 Gauss szűrés hatása Kernel 15
16 Differenciálás és konvolúció kapcsolata Emlékeztetőül: A közelítése: f x lim f x, y 0 f f f f x n, y f x,y x f x n 1,y x ez is lineáris és eltolás invariáns művelet (ld. konvolúció) ez nyilvánvalóan konvolúció A közelítésnek vannak minőségi hátulütői (ld. később)
17 Példa 3: Képdifferenciálás (Sötét: negatív, világos: pozitív, szürke: zérus eredmény) 17
18 Zajok hatása Legegyszerűbb zaj modellt alkalmazva: l Állandó, független, additív Gauss zaj A hozzáadott zaj értéke minden pixel pozícióban egy független érték egy normál valószínűségi eloszlásból választva Problémák: A zajmodell megengedné a maximális kamera kimeneti értéknél nagyobb vagy zérusnál kisebb értékek felvételét is (gyakorlatban: telítés jelensége) Kis standard szórás esetén jó közelítés a modell a függetlenség nem mindig indokolt feltételezés (pl. karc/kosz a lencsén) Az állandóság sem mindig indokolt (pl. a CCD érzékelő hőmérsékletfüggése) A csak additív jellegű zaj sem mindig indokolt (pl. a CCD érzékelő helyfüggő multiplikatív érzékenység ingadozása)
19 sigma=1
20 sigma=16 sg
21 Képdifferenciálás zajos képeken Véges differenciális szűrők Mi a teendő? érzékenyen reagálnak a zajra Intuíció szerint is: a legtöbb pixelnek úgy Nyilvánvaló ok: a zaj a kéne kinéznie mint a szomszédjaitól nagyon szomszédos pixelek eltérő pixel értékeket generálhat Ez még az éleknél is részben igaz (legalábbis az élek hossza mentén) Nagyobb zaj amplitudó Fentiek azt sugallják, hogy egy előzetes simítás esetén durvább a nem segíthet: kényszerítve a kívánt effektus pixeleket a környezetbe való jobb belesímulásba
22 Képdifferenciálás zajos képeken Nagyobb zaj -> (zérus középértékű additív gauss zaj hatása)
23 Szűrő válaszok korrelálhatnak ha a szűrő kernel szélesebb a zajénál. Érdekes texturált képet eredményezhet a szűrés ű (természetes etes texturák, tu stb. modellezésére jó)
24
25
26
27 A szűrő- és zajparaméterek kölcsönhatásai A sorok a különböző szórású Gauss szűrők hatását mutatják Az oszlopok a különböző szórású Gauss zajjal terhelt képeket mutatják 27
28 Medián szűrők
29 Medián szűrő Nemlineáris szűrő Algoritmus : 1. szomszédos pixelek sorbarendezése éték érték szerint 2. a középső érték vétele a rendezett sorból
30 Medián szűrő: odd-man-out2 Előnyös is lehet az odd-man-out hatás Például: 1,1,1,7,1,1,1,1,,,,,,?,1,1,1.1,1,1,?
31 Medián szűrő vs. Átlagoló szűrő (példa) A Medián szűrő szélessége legyen = 5
32 Medián szűrő: ű ő pro és kontrák Medián szűrő a csúcsokat hanyagolja Lineáris szűrő viszont mindent figyelembevesz Medián szűrő megőrzi a folytonossági hiányokat Lineáris szűrő viszont elkeni elkeni azokat
33 Medián szűrés hatása 3 x 3 medián szűrő :
34 Lineáris szűrő hatása
35 10x Median szűrés hatása 10-szer egymás után egy 3 X 3 medián szűrés végrehajtva:
36 Éldetektálás Ez is egy klasszikus probléma a képfeldolgozás elméletéből (A Canny algoritmushoz az elméleti alapokat érdemes összefoglalni) Részben S. Narasimhan diáit felhasználva
37 Él a kép fontos leíró eszköze - de konkrétan miért is? keressük meg a helyét a jellemzők hierarchiájában: hiájáb egyszerű, kevésbé robusztus intenzitás szín él textúra kontúr... bonyolult, robusztusabb
38 Mit reprezentálnak? ep e e? Mi a megjelenési formájuk? Élek tulajdonságai
39 Élek tulajdonságai
40 Élek tulajdonságai Élek kép lokációi, ahol nagy a gradiens
41 Élek eredete Mit reprezentálnak? e e négy fizikai jelenség is eredményezhet ugyanolyan élet a képen...
42 Élek eredete - jórészt zajból! Mit reprezentálnak? e e négy teljesen eltérő tartalmú - fizikai jelenség eredményez élet a képen... folytonosság hiány felületi szín / intenzitás felületi normális mélység érték megvilágítás (becsillogások)
43 Élek jelentése Lokális maximum a gradiensben, megadott irányban
44 Éltípusok Ugró él Tető él Vonal él
45 Gradiens számítása: Gradiens A legnagyobb intenzitás változás irányát adja meg Gradiens iránya: A gradiens nagysága ( ereje )
46 Diszkrét Él operátorok Hogyan differenciálunk egy diszkrét képet? Közelítőleg: I 1 x 2 I I 1 y 2 I I I I i 1, j 1 i, j 1 i 1, j i, j I I I I i 1, j 1 i 1, j i, j 1 i, j Ii, j 1 I i 1, j 1 I i, j I i 1, j Konvolúciós maszkkal (súlyok) megadva: I I x 2 y
47 Diszkrét Él operátorok másodrendű parciális deriváltak közelítése: I I j 1 I 2 i 1, j 1 1 i, i 1, j 1 I 2 x 2 I y I i 1, j 2I I 2 i, j 1 2 I i, j i, j I I i 1, j i, j 1 I i 1, j I i, j I i 1, Ii 1, j 1 Ii, j 1 I i 1, j 1 j Laplace operátor : I I I 2 2 x y Konvolúciós maszkkal (súlyok) megadva: I (utóbbi pontosabb) 1 4 1
48 Diszkrét Él operátorok Más gradiens közelítések is használatosak Sobel operátor:
49 Diszkrét Él operátorok összehasonlítása Gradiens: Jó lokalizáció Zajérzékeny Gyenge detektálás Roberts (2 x 2): Sobel (3 x 3): Sobel (5 x 5): Pontatlan lokalizáció Kevésbé zajérzékeny Jó detektálás
50 Zajok hatása A kép egy sorát tekintve (intenzitás az x pozíció függvényében) Hol az él??
51 Megoldás: először simítani kell Hol az él? a maximumát keressük:
52 A konvolúció elméletéből következően egy lépés megspórolható Differenciális operátor
53 Laplacian of Gaussian (LoG) x 2 2 x h f h f 2 2 Laplacian of Gaussian Laplacian of Gaussian operator Hol az él? A nulla - átmenetnél!
54 2D Gauss Él Operátorok Gaussian Derivative of Gaussian (DoG) Laplacian of Gaussian Mexican Hat (Sombrero) a Laplace operátor:
55 Az elméleti előkészítés után Canny Él Operátor
56 Canny Él Operátor Képszűrés 2D Gauss szűrővel: G I Minden pixelre a gradienst irányt (az él normálisát) meghatározni n G I G I Gradiens nagyságát meghatározni G I A normális irányok mentén a nulla-átmenetet megkeresni (nem- maximális értékű pontok elhagyása) 2 G I 2 n 0
57 Nem-maximális értékű pontok elhagyása A gradiens iránya mentén a lokális maximum megkeresése p és r interpolált pontok ellenőrzése kell
58 Canny éldetektor hatása Eredeti kép (Lena)
59 Canny éldetektor hatása gradiens nagyság
60 Canny éldetektor hatása Nem-maximális értékű pontok elhagyása után
61 Canny éldetektor Cél : megtalálni azokat a képpontokat, ahol a gradiensnek lokális maximuma van (1) Zajszűrés képsimítással (súlyozott átlag képzés konvolúcióval ) A pixelértékeket a szomszédos pixelek súlyozott összegével helyettesítjük. I(x,y) = új 1 i,j = -1 w ij I(x+i,y+j) régi súly Régi kép súly maszk Új kép x =
62 Canny éldetektor Cél : megtalálni azokat a képpontokat, ahol a gradiensnek lokális maximuma van (1) Zajszűrés képsimítással (aluláteresztő / átlagoló szűrő) A pixelértékeket a szomszédos pixelek súlyozott összegével helyettesítjük. 1 I(x,y) = w ij I(x+i,y+j) új i,j = -1 súly régi Eredeti kép súly maszk Új kép x = (normálva) Eredeti kép gyorsabb irányonként külön-külön, egymás után simítani... Függőleges irányban Vízszintes irányban
63 Canny éldetektor Cél : megtalálni azokat a képpontokat, ahol a gradiensnek lokális maximuma van (1) Zajszűrés képsimítással A pixelértékeket a szomszédos pixelek súlyozott összegével helyettesítjük (2) Gradiens becslése minden pontban Most egy másik súlymaszkot alkalmazunk vele a deriváltakat becsüljük 1 I(x,y) = w ij I(x+i,y+j) +j) új i,j = -1 súly régi Ugyanaz a művelet (konvolúció), csak más súlyokkal Függőleges irányban Vízszintes irányban d I dx = I x d I dy = I y
64 Canny éldetektor Cél : megtalálni azokat a képpontokat, ahol a gradiensnek lokális maximuma van (1) Zajszűrés képsimítással A pixelértékeket a szomszédos pixelek súlyozott összegével helyettesítjük (2) Gradiens becslése minden pontban Most egy másik súlymaszkot alkalmazunk vele a deriváltakat becsüljük 1 I(x,y) = w ij I(x+i,y+j) +j) új i,j = -1 súly régi Ugyanaz a művelet (konvolúció) csak más súlyokkal (3) Gradiens abszolút értékének és irányának meghatározása I(x,y) = sqrt(i 2 x + I 2 y ) -1 1 x 1-1 y = atan (I x, I y ) Gradiens maximum keresése irányban
65 Canny éldetektor Cél : megtalálni azokat a képpontokat, ahol a gradiensnek lokális maximuma van (1) Zajszűrés képsimítással A pixelértékeket a szomszédos pixelek súlyozott összegével helyettesítjük (2) Gradiens becslése minden pontban Most egy másik súlymaszkot alkalmazunk vele a deriváltakat becsüljük 1 I(x,y) = w ij I(x+i,y+j) +j) új i,j = -1 súly régi Ugyanaz a művelet (konvolúció) csak más súlyokkal (3) Gradiens abszolút értékének és irányának meghatározása A gradiens irányában lokális maximumot -1 1 I(x,y) = sqrt(i 2 x + I 2 y ) keresünk = atan (I x, I y ) (4) választunk egy optimális küszöböt a felette lévő gradiens érték esetén a pontot valóban élpontnak tekintjük! x 1-1 y
66 A küszöb megválasztása Eredeti kép Nagyon magas küszöbérték
67 A küszöb megválasztása Eredeti kép Nagyon magas küszöbérték
68 A küszöb megválasztása Eredeti kép Nagyon magas küszöbérték
69 A küszöb megválasztása Eredeti kép Nagyon magas küszöbérték Racionálisnak tűnő
70 A küszöb megválasztása Eredeti kép Nagyon magas küszöbérték Racionálisnak tűnő Túl alacsony! algoritmikus szinten megtalálni az optimális küszöböt nem triviális feladat
71 Élpontok szegmentálása Hough Transzformáció Mit csináljunk az előbb megtalált élpontokkal? A Hough transzformáció is egy régi történet Részben Jeremy Wyatt diáit felhasználva
72 Élszegmensek keresése A Canny éldetektor csak élpontokat, de nem élszegmenseket talált Hogyan találhatunk meg összetettebb képjellemzőket? A Hough transzformáció képes parametrizált élszegmenseket (egyenes, kör, ellipszis, ) i is megtalálni
73 Az alapötlet Mindegyik ik egyenes leírható egy képlettel l Mindegyik fehér élpont önmagában Mindegyik fehér élpont önmagában végtelen sok egyeneshez tartozhatna
74 Az alapötlet Mindegyik ik egyenes leírható egy képlettel l Mindegyik fehér élpont önmagában végtelen sok egyeneshez tartozhatna A Hough transzformációs síkban mindegyik élpont szavaz azokra az egyenesekre melyekhez tartozhatna A legtöbb szavazatot kapó egyenesek a befutók
75 Különféle egyenes reprezentációk a Hesse-féle normálalak Minden egyenest 2 szám jellemez A sárga egyenes jellemzése: (w - w távolság az origótól - szög a vízszinteshez képest w Megjegyzés: gy Az y=mx+c reprezentációhoz képest az az előny, hogy w csak véges értéket vehet fel. Függőleges g egyeneseknél m= lenne (implementációs problémákat okoz) Amúgy (m,c) térbe is lehetne Hough transzformáció
76 Hough tér w Mivel egy (w, ) érték ék reprezentál egy egyenest az (x,y) képtérben egy-egy pont reprezentál egy egyenest a (w, ) Hough térben w=0 w=100
77 Hogyan szavaz egy képtérbeli pont a Hough térben? w x cos( y y sin( w w=0 w=100
78 Hogyan szavaz egy képtérbeli pont a Hough térben? Egy képtérbeli pont egy sinusoid görbének felel meg a Hough térben az összes a ponton átmehető egyenes (w, ) értékeit megadva Két képtérbeli pont két görbének felel meg a Hough térben A két görbének a metszéspontja a Hough térben egy szavazat a képtérbeli két pontot összekötő egyenesre
79 Hough Transzformáció - formalizálva Create and d w for all possible lines Create an array A indexed by and w for each point (x,y) for each angle w = x*cos( )+ y*sin( ) A[,w] = A[,w]+1 end end where A > Threshold return a line Implementáció: ld. megadott OpenCV források
80 Hough Transzformáció - példa Eredeti kép Canny éldetektálás Hough egyenes keresés Hough egyenes-paraméter tér
81 Hough transzformáció kör keresésre Kör egyenlete: ( xi a) ( yi b) r Ha az r sugár előre ismert (az egyszerűbb eset): A 2D Hough tér koordinátái: ( a, b) ) A képtér-beli pontoknak Hough tér-beli körök felelnek meg:
82 Hough Transzformáció A módszer kör, ellipszis i paramétereire is alkalmazható l Egyenes kereséskor figyelmen kívül kell hagyni a nem-lokális maximumokat At input képet ezért kellett az Canny operátorral és morfológiai zárással előfeldolgozni Texturált képre nem jó a Hough transzformáció
83 Sarokpont detektálás
84 Egyre összetettebb jellemzők követése? A már jól ismert skálán továbbhaladva az összetettebb jellemzők irányába: A sarokság egy pontra nem vizsgálható: legalább egy kis ablakban kell! egyszerű, de nem elég robusztus intenzítás szín él textúra kontúrszegmensek (pl. sarokpontok) Bonyolultabb de Bonyolultabb, de robusztusabb is
85 Sarokdetektáló algoritmusok Moravecz SUSAN FAST Harris - mi majd ezt nézzük meg.
86 Mitől tekinthető egy jellemző jónak? Egyedi a következő képen is könnyen beazonosítható
87 Egyediség keresése lokális ablakban Jó vagy rossz jelölt az adott pont? (C) Darya Frolova, Denis Simakov, Weizmann Institute.
88 Egyediség keresése lokális ablakban homogén régió él : sarok : Bármely irányban: Az él mentén nincs minden irányban Semmi változás! változás jelentős a változás (C) Darya Frolova, Denis Simakov, Weizmann Institute.
89 Egyediség keresése lokális ablakban W ablakot kis (u,v) értékkel elmozgatjuk: Hogyan változnak a pixelek W-ben? Megint SSD hibát számolunk: E(u,v): W
90 Elsőrendű közelítés kis mozgásokra Taylor sor: Ha (u,v) kicsi, az elsőrendű közelítés jó Behelyettesítve az E(u,v) kifejezésbe
91 Elsőrendű közelítés kis mozgásokra
92 Elsőrendű közelítés kis mozgásokra Az ablakot a körön belül bármely irányba mozgathatom Melyik irány fogja a legnagyobb illetve legkisebb E értéket adni? H sajátértékei adják meg a választ
93 ( kis matematika : sajátérték, sajátvektor) A mátrix x sajátvektorai kielégítik ik az alábbi egyenletet Ahol x sajátvektor skalár sajátértéke Esetünkben A (= H) egy 2x2 mátrix
94 ( kis matematika : sajátérték, sajátvektor) x - x + H sajátértékei szerint vizsgálva: x + = legnagyobb E növekményt okozó mozgásirány + = a növekmény x + irányban x - = legkisebb E növekményt okozó mozgásirány - = a növekmény x - irányban
95 Gradiensek a texturált részleten
96 Gradiensek az éldús részleten
97 Gradiensek a homogén részleten
98 Mi lehet a sarokság sarokság kritériuma? Minden irányban próbálkozva: A minimális intenzitás változás - A maximális intenzitásváltozás + egy ellipszis nagysága és iránya jellemző a pont sarokság mértékére ( -1/2 min ) ( -1/2 max )
99 Mi lehet a sarokság kritériuma? Képpontok osztályozhatók a sajátértékek szerint: 2 él 2 >> 1 sarok 1 és 2 nagy, 1 ~ 2 ; E növekszik minden irányban 1 és 2 kicsi E konstans minden irányban sík régió él 1 >> 2 1
100 Mi lehet a sarokság kritériuma? +, x +, -, x - alapján mi legyen a kritérium? E(u,v) legyen nagy kis elmozdulásokra, minden irányban A minimum i értéket t H kisebbik ( - ) sajátértéke ték határozza meg
101 Mi lehet a sarokság kritériuma? Algoritmus összegzése: Minden pontban kiszámoljuk a gradienseket A gradiens értékekből számoljuk H mátrixokat Kiszámoljuk a sajátértékeket Megkeressük a ( - > küszöb) válaszú képpontokat Sarokpontnak választjuk a helyi maximum - értéket produkáló pontokat
102 Mi lehet a sarokság kritériuma? kinagyitva
103 A gradiensek súlyozása Szimpla W a gyakorlatban nem optimális A központi pixeltől való távolság szerint súlyozhatunk
104 Harris operátor - a definició R is a sarokságra jellemző mérték, ahol: R = det H k(trace H) 2 trace a diagonálisok összege trace(h) = h 11 + h 22 R hasonló eredményt ad, csak sokkal könnyebb kiszámolni (k egy empírikus konstans = ) 06)
105 Harris operátor - a sajátértékek szerint Képpontok osztályozhatók R szerint is: 2 él 1. R is csak H sajátértékeitől függ R <0 2. R nagy érték sarok esetében 3. R negatív él esetében sarok R > 0 4. R kicsi homogén rész esetében sík R kicsi él R < 0 1
106 Harris operátor a workflow 0. lépés: a kiindulási
107 Harris operátor a workflow 1léé 1. lépés: Kiszámolni i az R étékkt értékeket
108 Harris operátor a workflow 2. lépés: Megtartani, ahol R>küszöb
109 Harris operátor a workflow 3léé 3. lépés: Csak a lokális R maximumokat megtartani t
110 Harris operátor a workflow
111 A Harris operátor vs. közvetlenül a sajátértékek szerinti sarokpont keresés összehasonlítása Harris operátor
112 Képtorzítás alaptípusok Elforgatás Hasonlóság (elforgatás+ uniform skálázás) Affin (irányfüggő) skálázás Affin intenzitás változás (I a I + b)
113 Harris operátor robusztussága Elforgatás: invarianciai i Az ellipszis együtt forog, de az alakja (sajátértékek) nem változnak R sarokság mérték invariáns az elforgatásra!
114 Harris operátor robusztussága Intenzitásváltozás: ált á részleges invarianciai i mivel intenzitás deriváltakkal dolgozunk => Invariancia: I I + b esetén (eltolás) Invariancia: I a I esetén (skálázás) ás) R R küszöbérték x (képkoordináta) x (képkoordináta)
115 Harris operátor robusztusága de: NEM invariáns a képskálázásra! Minősítés: ÉLPONTOK Minősítés: SAROKPONT
116 Harris operátor robusztusága A Harris operátor - érzékeny a kontrasztra Tesztkép Harris sarokság erősség ábrázolása egy nemlineáris skálán (probléma kvalitatív illusztrálása)
117 Harris operátor robusztusága A Harris operátor érzékeny éken a skálázásraásra 1x 7x
118 Harris illusztráció: Mozgáskövetés g (az Oktatási Portálon található pdf verzióban sajnos nem látszik a mozgás robusztus követése)
119 Lehetséges etséges alkalmazás: a a 3D rekonstrukció có
120 Minta detektálás
121 Texturális jellemzők követése Több (együttálló) intenzitást (pixelt) is próbálhatunk követni szimultán egyszerű, kevésbé robusztus intenzitás szín élek textura (folt/minta)... bonyolultabb, robusztusabb A követendő textúra (folt) akár lehetne egy felismerhető arcrészlet (minta) is... Didaktikailag nincs jelentősége, de akár: gyalogos, sofőr mozgáskövetése (pl. hova figyel,.)
122 Texturális jellemzők követése Több (együttálló) intenzitást (pixelt) is próbálhatunk követni szimultán egyszerű, kevésbé robusztus intenzitás szín élek textura (folt/minta)... bonyolultabb, robusztusabb A követendő textúra (folt) akár lehetne egy felismerhető arcrészlet (minta) is... Didaktikailag nincs jelentősége, de akár: gyalogos, sofőr mozgáskövetése (pl. hova figyel,.)
123 Textura-, képmozaikok illesztése
124 Textura-, képmozaikok illesztése
125 Textura követés Örökérvényű jó tanács : If brute-force doesn t working, you re not using enough. mintakép A kezdő képkockán megtalálva Mit keressünk? & Hogy keressük?
126 Textura követés SSD (Sum-of-Squared-Differences) hiba minimalizálással keressük meg a legjobb illeszkedést mintakép A kezdő képkockán megtalálva Piros keret: a kiinduló helyzet a következő képen Esetünkben feltétlen valósidejűség kell: és a keresési idő mennyi?
127 SSD követési algoritmus Közelítő feltételezés: a képváltozás lineáris függvénye az elmozdulásnak translation. (Természetesen minden közelítő modell rossz valamennyire) I t + M x t = I t+1 ( x t -ben) ( x t -ben)
128 SSD követési algoritmus Közelítő feltételezés: a képváltozás lineáris függvénye az elmozdulásnak translation. (Természetesen minden közelítő modell rossz valamennyire) Kiinduló képminta x t helyen I t + M x t = I t+1 Új képminta x t (x t -ben) (x t -ben) helyen a differencia kép vagy másképpen: mozgás template A közelítő feltételezés mellett x t =? a keresett pozíció változás t és t+1 időközben
129 SSD követési algoritmus Közelítő feltételezés: a képváltozás lineáris függvénye az elmozdulásnak translation. (Természetesen minden közelítő modell rossz valamennyire) Kiinduló képminta x t helyen I t + M x t = I t+1 Új képminta x t (x t ) (x t ) helyen a differencia kép vagy másképpen: mozgás template A közelítő feltételezés mellett x t =? n x 1 mátrix a keresett pozíció változás t és t+1 időközben M x t = (I t+1 - I t ) (x t -ben) n x 1 mátrix
130 SSD követési algoritmus Közelítő feltételezés: a képváltozás lineáris függvénye az elmozdulásnak translation. (Természetesen minden közelítő modell rossz valamennyire) Kiinduló képminta x t helyen I t + M x t = I t+1 Új képminta x t (x t ) (x t ) helyen a differencia kép vagy másképpen: mozgás template A közelítő feltételezés mellett x t =? a keresett pozíció változás t és t+1 időközben M x t = (I t+1 - I t ) M T M x t = M T (I t+1 -I t )
131 SSD követési algoritmus Közelítő feltételezés: a képváltozás lineáris függvénye az elmozdulásnak translation. (Természetesen minden közelítő modell rossz valamennyire) Kiinduló képminta x t helyen I t + M x t = I t+1 Új képminta x t (x t ) (x t ) helyen a differencia kép vagy másképpen: mozgás template A közelítő feltételezés mellett x t =? a keresett pozíció változás t és t+1 időközben M x t = (I t+1 - I t ) M T M x t = M T (I t+1 -I t ) Ez maga a követési algoritmus... x t = (M T M) -1 M T (I t+1 -I t )
132 SSD követési algoritmus Mi történik a képen? I t + M x t = I t+1 (x t ben) (x t -ben) +? = +? =
133 SSD követési algoritmus M a képminta és elmozdult megfelelője közötti különbség I t + M x t = I t+1 (x t ) (x t ) + M = + =
134 SSD követési algoritmus A lineáris közelítés milyen nagy elmozdulásig igaz? Az eltolás mértéke... M x t = I t+1 -I t + 7 pix + 6 pix + 5 pix + 4 pix + 3 pix + 2 pix + 1 pix orig -1 pix Eredeti kép + a template többszöröse...
135 SSD követési algoritmus A lineáris közelítés milyen nagy elmozdulásig igaz? Az eltolás mértéke... M x t = I t+1 -I t + 7 pix + 6 pix + 5 pix + 4 pix + 3 pix + 2 pix + 1 pix orig -1 pix Eredeti kép + a jobboldali template többszöröse... Az eredeti kép felismerhető, ugyanakkor az elmozdulás korrigálva (vagyis követve)!
136 Követés transzlációk (etc.) Több állapotváltozó o is kezelhető e e ő egyszerre: e e: n x 2 matrix x t y t x transzláció M = I t+1 - I t y transzláció eredeti képminta x y x y translation eredeti translation template képminta template translation template translation template M természetesen függ a követendő képmintától, de időben nem változik
137 Követés transzlációk További paraméterekre is jó: x t y t r t s t x transzláció M = I t+1 -I t y transzláció rotáció skálázás M n x 4 mátrix eredeti x y elforgatás skálázás
138 Követés transzlációk Vagy elvben bármilyen további transzformáció figyelembevehető... M x t y t r t s t a t h t = I t+1 -I t x transzláció y transzláció rotáció skálázás x-y képarány nyírás (shear) n x 6 mátrix eredeti x y elforgatás skálázás összenyomás nyírás
139 Követés transzlációk Az irodalomból átvett demo forrás futási eredményei szerint az alsó szekvencia már szépen kompenzál (másképpen fogalmazva: optimális illesztés esetén a mozgás paraméterek meghatározhatók) követett ablak csak x, y, skálázás, rotáció kompenzálva x, y, skálázás, rotáció, + képarány, nyírás is kompenzálva frame 0 frame 50 frame 70 frame 120 frame 150 frame 230
140 Megvilágitás g ingadozás kezelése Akár (az egyre nagyobb dimenziójú) M-be zsúfolhatunk minden újabb kompenzált hatást: M x t = I t+1 - I t n x p mátrix n = minta pixelek száma p = paraméterek száma p parameters x transzláció y transzláció rotáció skálázás x-y képarány nyírás megvilágítás változás Például 6 további mozgás template is megadható: fényerő kontraszt különböző megvilágítási irányok hatása
141 Megvilágitás g ingadozás kezelése Ismét a demo futási eredményeket megjelenítve: Követési ablak nincs megvilágítás ingadozás kompenzáció van frame 0 frame 20 frame 70 frame 110 frame 120 frame 150
142 Részben takart objektumok követése A megoldás kulcsa: ucs : nem minden pixelt veszünk (a követendő ablakon belül) figyelembe ha az összes paraméter template alkalmazásával is - bizonyos részeken - az eltérés mindig nagy maradna: ezeket a részeket hagyjuk figyelmen kívül (mert feltehetőleg kitakart részekről lehet szó). csak a maradék minta ablakot próbáljuk meg illeszteni csak a maradék minta ablakot próbáljuk meg illeszteni (így egyben követni )
143 Részben takart objektumok követése Demo: a zöld ödablak figyeli a kitakarást (a piros ablak nem) Követési ablakok A zöld ablak kinagyítva Kitakarás detektálása frame 0 frame 30 frame 60 frame 110 frame 170 frame 270
144 Bináris képfeldolgozás BLOB jellemzők Ha lehet, vezessük vissza a problémát bináris képek halmazának feldolgozására
145 Bináris képjellemzők meghatározása valósidejű implementációja relatíve könnyű lesz aztán érdemes lesz - amit csak lehet - erre visszavezetni (kiterjesztés gradált, színes képekre)
146 Képreprezentáció Belső reprezentáció: régió-alapú Amikor az intenzitás, szín, textúra, stb. a fontos Külső reprezentáció: régió-határ alapú Amikor az alak él stb a fontos Amikor az alak, él, stb. a fontos Gyakran mindkét típusú reprezentációt célszerű együtt alkalmazni
147 Képjellemzők kívánatos tulajdonságai Hatékony implementáció (valósidejűség!) Hatékony osztályozás á (nagy a szétválasztó tó erő: mérhető különbség egyes objektum osztályokra) Robusztusság: Méret invarianciai i Transzláció invariancia Rotáció invariancia Rotáció invariancia
148 Példa: külső reprezentáció jobb Élpontok: ha zaj is van - túl sok Kontúrok: éppen elég lenne
149 Lánckód Külső reprezentáció a régió határokat írja le Közelítés egyenes szegmensekkel 4 vagy 8 szomszédos képmodell
150 Lánckód implementációk Általában Kezdőpont megkeresése Óramutató járásával egyező vagy ellentétes irányban elfordulva a következő szomszédos pont megkeresése és összekötésük Túl hosszú a lánckód Már az élek kis változása (zaj!) eltérő lánckódhoz vezet Gyorsabb implementáció Éldetektált kép durvább raszterű újra-mintavételezése Amelyik rasztert érinti az eredeti régió határ megjelölve, összekötés
151 Lánckód - tulajdonságok Érzékeny a kezdőpont választásra Pl. minimális lánckód hosszúság szerinti kezdőpontválasztás Érzékeny rotációra, méretre egyaránt Következő diákon látható egyszerű megoldások jók, feltéve, hogy: az éldetektáló algoritmus rotáció- és skálázás-független legtöbbször nem ez az eset akkor más megoldást kell keresnünk
152 Rotáció invariancia biztosítása 1 Differencia képzés Például: eredeti 4- szomszédos lánckód: Differencia képzés után: (óramutató járásával ellentétes irány szerinti körbejárással) 3
153 Méret invariancia biztosítása Méret normálás: az újramintavételezés felbontását változtatjuk valamilyen normáló kritérium szerint Nagyobb kép Kisebb kép
154 Lenyomat (angolul: signature) 1-dimenziós régió-határ mérték (sokfajta algoritmus létezik) Egy egyszerű implementáció: súlyponttól való távolság a szög függvényében: Transzláció invariancia: alaphelyzetben is OK Rotáció invariancia: pl. legyen a súlyponttól legtávolabbi pont a kezdőpont Skálázás invariancia: pl. távolság normálás - a legnagyobb távolsággal osztva
155 További régió-határ mértékek régió-határ hossz (pl. lánckódból becsülhető: horizontális elemek száma + vertikális elemek száma + diagonális elemek száma x 2 átmérő Max. tengely (extrémum pontok távolsága, Feret átmérő) Min. tengely (max. tengelyre merőleges irányban a max. szegmens hossz) Excentricitás ( max. / min tengelyek hányadosa) orientáció görbület
156 Régió mértékek k Régió terület t Kompaktság mérték = kerület 2 /terület rotációra, skálázásra, transzlációra invariáns Régió intenzitás átlag / max. / min. érték Átlagérték alatti / feletti pixelek aránya
157 Régió topológiai mértékek Euler szám A topológiai jellemzők a régiók szétszakítását / összekötését nem okozó deformációkra érzéketlenek Legismertebb közülük az Euler szám (különböző definíciók /reprezentációk lehetségesek) V-Q+F=C-H=E V= sarkok száma Q= élek száma F= poligonok száma C= egybefüggő régiók száma H= lyukak száma E= Euler szám E=C-H=1-2=-1 1 E=C-H=3-1=2
158 Régió topológiai mértékek Euler szám V-Q+F=C-H=E V=sarkok kszáma Q= élek száma F= poligonok száma C= egybefüggő régiók száma H= lyukak száma E= Euler szám =-2 2
159 BLOB jellemzőkre példák terület (pixelek száma) Zajt el kell távolítani(pl. kicsi/nagy objektum alapon) Lyukak száma Objektum területe Lyukak területe Teljes terület (lyuk + objektum) Kerület = kontúr hossza Befoglaló keret Bal felső ő sarok pozíciója Befoglaló keret szélessége / magassága egy BLOB Szómagyarázat: BLOB = Binary Large OBject
160 BLOB jellemzőkre példák Súlypont (x m,y m ) x m x i i object Kompaktság Diszkre minimális Téglalapra minimális y m y i Perimeter i object Perimeter 2 Area Area Width Height körkörösség 2 area Legnagyobb távolság á (Feret átmérő) Orientáció Feret átmérő orientációja
161 BLOB jellemzőkre példák Alakleírás Befoglaló keret aránya: magasság/szélesség A nyújtottságról mond valamit Objektum illeszkedése befoglaló téglalapba Köze van a terület / kerület arányhoz Objektum illeszkedése befoglaló ellipszisbe Köze van a terület / kerület arányhoz Lehetünk kreatívak: egy csomó egyéb BLOB jellemző található még ki! A BLOBOK HOGYAN HATÁROZHATÓK MEG EGYSZERŰEN / GYORSAN?
162 LÁNCKÓD á ítá h ték i l tá iój LÁNCKÓD számítás-hatékony implementációja ablakműveletekkel
163 LÁNCKÓD 4 szomszéd reprezentációja kontúr lánckódja:
164 LÁNCKÓD 8 szomszéd reprezentációja kontúr lánckódja:
165 4 sz. LÁNCKÓD implementáció 2x2 ablakművelettel legyen P egy objektumpont legyen Q egy 4-szomszédos háttérpont Q és P, relatív pozíciójától függően címkézzük a 2x2 es ablakon belül a maradék 2 pixelt: (U és V) az alábbi módon: CODE 0 CODE 1 CODE 2 CODE 3 V Q Q P P U U V U P V U Q V P Q
166 4 sz. LÁNCKÓD implementáció 2x2 ablakművelettel Legyen az objektumpontok értéke 1, a háttérpontok értéke 0 U és V értéke határozza meg, hogy merre forduljon a következő ő lépésben é az algoritmus: U V P Q fordulás kód * X 1 V Q jobbra CODE U V iránytartás CODE 0 0 P U balra CODE+1 * modulo 4 számlálóval implementálható
167 4-sz. LÁNCKÓD implementáció 2x2 ablakművelettel V Q P 1 QU Q V VP U P U CODE 0 V Q CODE 1 Q P CODE 2 P U CODE 3 U V QV UP U P V U Q V P Q V U U V P Q TURN CODE * X 1 V Q RIGHT CODE U V NONE CODE 0 0 P U LEFT CODE+1 * Implement as a modulo 4 counter
168 8-sz. LÁNCKÓD implementáció 3x3 ablakművelettel Legyen P egy objektumpont és R 0 egy 4-szomszédú háttérpont. Legyen az objektumpontokhoz 1, a háttérpontokhoz 0 rendelve. Rendeljük P 8-szomszédos környezetéhez R 0, R 1,, R7 címkéket az alábbi sorrendben: R 7 R 0 R 6 P R 5 R 4 R 1 R 2 R 3
169 8-sz. LÁNCKÓD implementáció 3x3 ablakművelettel R 7 R 6 R 7 R 6 R5 R P 5 R 0 7 R 0 P R 1 6 R R 5 R 4 R R R P 2 6 R R 1 0 R P 7 2 R R 7 R 5 ALGORITMUS: i=0 R 1 R 0 2 P R 6 R 5 WHILE (R i ==0) { i++ } MOVE PtoR i R 1 R P R 4 SET i=0 JUMP to next search R 1 R 2 R 3
170 INVARIÁNS LÁNCKÓD számítási algoritmusok
171 A LÁNCKÓD problémái (és a megoldások) Kezdőpont függő Orientáció függő Alakfelismeréshez biztosítani kellene a lánckód invarianciáját Normalizált kódolás Differenciális kódolás
172 Normalizálás Sorba rendezve Az első sor lesz a normalizált kód
173 Differenciális lánckód 90 o normalizálás normalizálás Differencális kódolás: d k =c k -c k-1 (modulo 4) 4-szomszédú lánckód esetén d k =c k -c k-1 (modulo 8) 8-szomszédú lánckód esetén
174 Invariáns alakleírás: Normalizált Differenciális Lánckód Differenciális kód: differenciálás differenciálás d k =c k -c k-1 (mod 4) normalizálás normalizálás A kezdőpont eltolás és a tényleges elforgatás (90 o -al) dacára a két alakleírás ugyanazt a kódot adja
175 Egy másik stratégia az invariáns alakleírásra: Fourier leírók z(k)=x(k)+j y(k) DFT a( n) 1 N N k 1 z( k) e j 2 nk / N {x(k),y(k)}, k=1,2,..,n Fourier együtthatók z ( k ) N n IDFT 1 a ( n ) e N 1 j2 nk / N Itt csak röviden utalni az előnyökre! Csak1 dimenziós (kontúr menti) Fourier transzformáció Együtthatók jelentése (1D és 2 D transzformáció esetében eltérő a szemléltetés) Eltolás, elforgatás (kezdőpont eltolás ill. tényleges elforgatás), skálázás hatása Fourier együtthatókból képezhetők ugyanúgy INVARIÁNS ALAKEGYÜTTHATÓK
176 Például: zˆ( k ) P 1 a ( n ) e N 1 n j2 nk / N P : a visszaállításhoz figyelembevett együtthatók száma
Loványi István vizsgakérdései kidolgozva (béta)
Loványi István vizsgakérdései kidolgozva (béta) 1. Morfológiai képfeldolgozás elmélete 1. Alapvető halmazműveletek, tulajdonságaik Műveletek: egyesítés (unió) metszet negált összetett műveletek... Tulajdonságok:
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
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?
RészletesebbenTávérzékelés Távérzékelt felvételek értelmezése (EENAFOTOTV, ETNATAVERV) Erdőmérnöki szak, Környezettudós szak Király Géza NyME, Erdőmérnöki Kar Geomatikai, Erdőfeltárási és Vízgazdálkodási Intézet Földmérési
RészletesebbenKészítette: niethammer@freemail.hu
VLogo VRML generáló program Készítette: Niethammer Zoltán niethammer@freemail.hu 2008 Bevezetés A VLogo az általános iskolákban használt Comenius Logo logikájára épülő programozási nyelv. A végeredmény
RészletesebbenSzámítógépi 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
RészletesebbenMáté: Számítógépes grafika alapjai
Téglalap kitöltése Kör, ellipszis kitöltése Területi primitívek: Zárt görbék által határolt területek (pl. kör, ellipszis, poligon) Megjeleníthetők a) Csak a határvonalat reprezentáló pontok kirajzolásával
RészletesebbenÉl: 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
RészletesebbenOrientáció és skálázás invariáns. Darya Frolova, Denis Simakov, David Lowe diáit is felhasználva
Invariáns képjellemzők detektálása és követése Orientáció és skálázás invariáns jellemzők detektálása és követése Darya Frolova, Denis Simakov, David Lowe diáit is felhasználva Detektálás és követés -
Részletesebben1. 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,
RészletesebbenKövetkezõ: Lineáris rendszerek jellemzõi és vizsgálatuk. Jelfeldolgozás. Lineáris rendszerek jellemzõi és vizsgálatuk
1 1 Következõ: Lineáris rendszerek jellemzõi és vizsgálatuk Jelfeldolgozás 1 Lineáris rendszerek jellemzõi és vizsgálatuk 2 Bevezetés 5 Kérdések, feladatok 6 Fourier sorok, Fourier transzformáció 7 Jelek
RészletesebbenOrvosi 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
RészletesebbenMáté: Orvosi képalkotás 2011.02.28.
Kalibráció, korrekció Kalibráció: a mért eredmény összevetése az elméleti értékkel. Korrekció: a mérési eredmény olyan módosítása, hogy a mérés az elméleti eredményt szolgáltassa. N PMZ korrekció: elméleti
RészletesebbenKonfokális mikroszkópia elméleti bevezetõ
Konfokális mikroszkópia elméleti bevezetõ A konfokális mikroszkóp fluoreszcensen jelölt minták vizsgálatára alkalmas. Jobb felbontású képeket ad, mint a hagyományos fluoreszcens mikroszkópok, és képes
RészletesebbenGeoinformatika I. (vizsgakérdések)
Geoinformatika I. (vizsgakérdések) 1.1. Kinek a munkásságához köthető a matematikai információelmélet kialakulása? 1.2. Határozza meg a földtani kutatás információértékét egy terület tektonizáltságának
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
Részletesebben1. 2012. évi nyári olimpiai játékok
F203-.foruló II. KATEGÓRIA. 202. évi nyári olimpiai játékok Ált. lapméret B5 (JIS) 82x257 mm tájolás fekvő mind a négy margó 30 pt (,06 cm +/-0,0 cm), kötésmargó fent 0,4 (,02 cm +/-0,0 cm sorköz szövegtörzsben,2x
RészletesebbenBrósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Gráfelmélet II. Gráfok végigjárása
Gráfelmélet II. Gráfok végigjárása DEFINÍCIÓ: (Séta) A G gráf egy olyan élsorozatát, amelyben a csúcsok és élek többször is szerepelhetnek, sétának nevezzük. Egy lehetséges séta: A; 1; B; 2; C; 3; D; 4;
Részletesebben7. előad. szló 2012.
7. előad adás Kis LászlL szló 2012. Előadás vázlat Lemez hidak, bordás hidak Lemez hidak Lemezhidak fogalma, osztályozása, Lemezhíd típusok bemutatása, Lemezhidak számítása, vasalása. Bordás hidak Bordás
RészletesebbenAz ablakos problémához
1 Az ablakos problémához A Hajdu Endre által felvetett, egy ablak akadályoztatott kinyitásával kapcsolatos probléma a következő. Helyezzünk el egy d oldalhosszúságú, álló, négyzet alapú egyenes hasábot
Részletesebben2.3.2.2.1.2.1 Visszatérítő nyomaték és visszatérítő kar
2.3.2.2.1.2 Keresztirányú stabilitás nagy dőlésszögeknél A keresztirányú stabilitás számszerűsítésénél, amint korábban láttuk, korlátozott a metacentrikus magasságra való támaszkodás lehetősége. Csak olyankor
RészletesebbenProgramozás alapjai C nyelv 5. gyakorlat. Írjunk ki fordítva! Írjunk ki fordítva! (3)
Programozás alapjai C nyelv 5. gyakorlat Szeberényi Imre BME IIT Programozás alapjai I. (C nyelv, gyakorlat) BME-IIT Sz.I. 2005.10.17. -1- Tömbök Azonos típusú adatok tárolására. Index
RészletesebbenKarbantartás. Az ESZR Karbantartás menüjébentudjuk elvégezni az alábbiakat:
Karbantartás Az ESZR Karbantartás menüjébentudjuk elvégezni az alábbiakat: Jelszó módosítása: A felhasználói jelszavunkat módosíthatjuk ebben a menüpontban, a régi jelszavunk megadása után. Általánosan
RészletesebbenAz INTEL D-2920 analóg mikroprocesszor alkalmazása
Az INTEL D-2920 analóg mikroprocesszor alkalmazása FAZEKAS DÉNES Távközlési Kutató Intézet ÖSSZEFOGLALÁS Az INTEL D 2920-at kifejezetten analóg feladatok megoldására fejlesztették ki. Segítségével olyan
RészletesebbenDebrecen. Bevezetés A digitális képfeldolgozás közel hetven éves múlttal rendelkezik. A kezdeti problémák
VÁZKIJELÖLŐ ALGORITMUSOK A DIGITÁLIS KÉPFELDOLGOZÁSBAN Fazekas Attila Debrecen Összefoglalás: A digitális képfeldolgozásban vonalas ábrák feldolgozása során gyakran használatos a vázkijelölés. Ez a módszer
Részletesebben117. AA Megoldó Alfréd AA 117.
Programozás alapjai 2. (inf.) pót-pótzárthelyi 2011.05.26. gyak. hiányzás: kzhpont: MEG123 IB.028/117. NZH:0 PZH:n Minden beadandó megoldását a feladatlapra, a feladat után írja! A megoldások során feltételezheti,
RészletesebbenGyakorló feladatok ZH-ra
Algoritmuselmélet Schlotter Ildi 2011. április 6. ildi@cs.bme.hu Gyakorló feladatok ZH-ra Nagyságrendek 1. Egy algoritmusról tudjuk, hogy a lépésszáma O(n 2 ). Lehetséges-e, hogy (a) minden páros n-re
RészletesebbenLineáris Algebra gyakorlatok
A V 2 és V 3 vektortér áttekintése Lineáris Algebra gyakorlatok Írta: Simon Ilona Lektorálta: DrBereczky Áron Áttekintjük néhány témakör legfontosabb definícióit és a feladatokban használt tételeket kimondjuk
RészletesebbenSzeminárium-Rekurziók
1 Szeminárium-Rekurziók 1.1. A sorozat fogalma Számsorozatot kapunk, ha pozitív egész számok mindegyikéhez egyértelműen hozzárendelünk egy valós számot. Tehát a számsorozat olyan függvény, amelynek az
RészletesebbenRobotika. 3. Érzékelés Magyar Attila. Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék
3. Érzékelés Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. február 24. 3. Érzékelés 2 3. Tartalom 1. Mobil
RészletesebbenHelyzet: 1853, London, Soho, kolerajárvány, 700 halott Kérdés: honnan ered a járvány? Adatok: az elhunytak neve, lakhelye Megoldás dr.
Alapfogalmak... - az információáradat idejét éljük - az összes információ több mint 2/3-a valamilyen módon helyhez kötött - a mindennapi életben feltett kérdések nagy része helyhez kötött Hol van a legjobb
Részletesebben2. Gyakorlat Khoros Cantata
2. Gyakorlat Khoros Cantata Ismerkedés a Khoros Cantata-val: A Khoros Cantata egy képfeldolgozó műveletsorok készítésére szolgáló program. A műveleteket csővezetékszerűen lehet egymás után kötni. A műveleteket
RészletesebbenNETFIT modul Tanári felület Felhasználói útmutató. Magyar Diáksport Szövetség
NETFIT modul Tanári felület Felhasználói útmutató Magyar Diáksport Szövetség 2014 2 Tartalom 1 Alap működési jellemzők... 4 1.1 Dátum kitöltés... 4 1.2 Irányítószám / Település kitöltése... 4 1.3 Belföldi
RészletesebbenRelációs algebra áttekintés és egy táblára vonatkozó lekérdezések
Relációs algebra áttekintés és egy táblára vonatkozó lekérdezések Tankönyv: Ullman-Widom: Adatbázisrendszerek Alapvetés Második, átdolgozott kiadás, Panem, 2009 2.4. Relációs algebra (áttekintés) 5.1.
RészletesebbenINFORMATIKAI ALAPISMERETEK
Informatikai alapismeretek emelt szint 0802 ÉRETTSÉGI VIZSGA 2008. október 20. INFORMATIKAI ALAPISMERETEK EMELT SZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI ÉS KULTURÁLIS MINISZTÉRIUM
RészletesebbenMesterséges Intelligencia I. (I602, IB602)
Dr. Jelasity Márk Mesterséges Intelligencia I. (I602, IB602) harmadik (2008. szeptember 15-i) előadásának jegyzete Készítette: Papp Tamás PATLACT.SZE KPM V. HEURISZTIKUS FÜGGVÉNYEK ELŐÁLLÍTÁSA Nagyon fontos
RészletesebbenProgramozási alapismeretek :: beadandó feladat. Felhasználói dokumentáció. Molnár Tamás MOTIABT.ELTE motiabt@inf.elte.
Programozási alapismeretek :: beadandó feladat Készítő adatai Név: Molnár Tamás EHA: MOTIABT.ELTE E-mail cím: motiabt@inf.elte.hu Gyakorlatvezető: Horváth László Feladat sorszáma: 23. Felhasználói dokumentáció
RészletesebbenSZTOCHASZTIKUS MÓDSZEREK
EÖTVÖS LORÁND TUDOMÁNYEGYETEM TERMÉSZETTUDOMÁNYI KAR BUDAPESTI CORVINUS EGYETEM KÖZGAZDASÁGTUDOMÁNYI KAR SZTOCHASZTIKUS MÓDSZEREK A NEM-ÉLETBIZTOSÍTÁSOK TARTALÉKOLÁSÁBAN MSc szakdolgozat Írta: Orbán Barbara
Részletesebben2015, Diszkrét matematika
Diszkrét matematika 5. előadás Sapientia Egyetem, Műszaki és Humántudományok Tanszék Marosvásárhely, Románia mgyongyi@ms.sapientia.ro 2015, őszi félév Miről volt szó az elmúlt előadáson? számtani, mértani,
RészletesebbenGAZDASÁGI STATISZTIKA
GAZDASÁGI STATISZTIKA Dr. Kun István GÁBOR DÉNES FŐISKOLA Tantárgy: Gazdasági statisztika Kódszám: 224 Lapszám: 1 TÉMAKÖRÖK A STATISZTIKA ALAPFOGALMAI STATISZTIKAI SOROK STATISZTIKAI TÁBLÁK ÖSSZETETT VISZONYSZÁMOK
RészletesebbenSergyán 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
RészletesebbenÓbudai Egyetem Kandó Kálmán Villamosmérnöki Kar Mikroelektronikai és Technológia Intézet. Mikro- és nanotechnika (KMENT14TNC)
Óbudai Egyetem Kandó Kálmán Villamosmérnöki Kar Mikroelektronikai és Technológia Intézet Mikro- és nanotechnika (KMENT14TNC) Laboratóriumi gyakorlatok Mérési útmutató 3. Hall-szondák alkalmazásai a. Félvezető
RészletesebbenINTELLIGENS ADATELEMZÉS
Írta: FOGARASSYNÉ VATHY ÁGNES STARKNÉ WERNER ÁGNES INTELLIGENS ADATELEMZÉS Egyetemi tananyag 2011 COPYRIGHT: 2011 2016, Dr. Fogarassyné Dr. Vathy Ágnes, Pannon Egyetem Műszaki Informatikai Kar Matematika
RészletesebbenMATEMATIKA ÉRETTSÉGI 2008. október 21. KÖZÉPSZINT I.
MATEMATIKA ÉRETTSÉGI 008. október 1. KÖZÉPSZINT I. 1) Adja meg a 4 egyjegyű pozitív osztóinak halmazát! A keresett halmaz: {1 4 6 8}. ) Hányszorosára nő egy cm sugarú kör területe, ha a sugarát háromszorosára
Részletesebbenstatisztikai menürendszere Dr. Vargha András 2007
A statisztikai menürendszere Dr. Vargha András 2007 2 tartalomjegyzék 1. Alapok (egymintás elemzések Alapstatisztikák Részletesebb statisztikák számítása Gyakorisági eloszlás, hisztogram készítése Középértékekre
RészletesebbenBEVEZETÉS A FUZZY-ELVŰ SZABÁLYOZÁSOKBA. Jancskárné Dr. Anweiler Ildikó főiskolai docens. PTE PMMIK Műszaki Informatika Tanszék
BEVEZETÉS A FUZZY-ELVŰ SZABÁLYOZÁSOKBA Jancskárné Dr. Anweiler Ildikó főiskolai docens PTE PMMIK Műszaki Informatika Tanszék A fuzzy-logika a kétértékű logika kalkulusának kiterjesztése. Matematikatörténeti
Részletesebben4. témakör. Amplitúdó moduláció AM modulátorok, demodulátorok
4. témakör Amplitúdó moduláció AM modulátorok, demodulátorok A moduláció Célja: Spektrumformálás 1.) Az átviteli csatornához igazítani a jelspektrumot (átviteli rendszer áteresztő sávja, elektromágneses
RészletesebbenRitzelés körkéses ritzelőgépeken
Ritzelés körkéses rizelőgépeken - 1 - Ritzelés körkéses ritzelőgépeken 1 Bevezető A ritzen német szó hasítást, karcolást jelent. Nyomdai körökben ritzelés (riccelés) alatt leginkább öntapadó anyagok öntapadó
RészletesebbenTevékenység: Gyűjtse ki és tanulja meg a kötőcsavarok szilárdsági tulajdonságainak jelölési módját!
Csavarkötés egy külső ( orsó ) és egy belső ( anya ) csavarmenet kapcsolódását jelenti. A következő képek a motor forgattyúsházában a főcsapágycsavarokat és a hajtókarcsavarokat mutatják. 1. Kötőcsavarok
RészletesebbenSentry-G3 intelligens gépvédelmi rendszer
Sentry-G3 intelligens gépvédelmi rendszer Programozható, API 670 megbízhatóságú gép- és turbinavédelmi rendszer moduláris, konfigurálható, teljesen programozható rendszer API 670 szabványnak megfelelő
Részletesebben3. számú mérés Szélessávú transzformátor vizsgálata
3. számú mérés Szélessávú transzformátor vizsgálata A mérésben a hallgatók megismerkedhetnek a szélessávú transzformátorok főbb jellemzőivel. A mérési utasítás első része a méréshez szükséges elméleti
RészletesebbenÓravázlat. az ECDL oktatócsomaghoz. 5. modul. Adatbáziskezelés. Krea Kft. 1034 Budapest, Szőlő u 21. Tel/fax: 250-5570 / 387-2557 E-mail: krea@krea.
Óravázlat az ECDL oktatócsomaghoz 5. modul Adatbáziskezelés Krea Kft. 1034 Budapest, Szőlő u 21. Tel/fax: 250-5570 / 387-2557 E-mail: krea@krea.hu A vázlatot összeállította: Pintyőke László Lektorálta:
RészletesebbenCsicsman József-Sipos Szabó Eszter csicsman@calculus.hu, siposeszti@gmail.com. Matematikai alapok az adatbányászati szoftverek első megismeréséhez
Csicsman József-Sipos Szabó Eszter csicsman@calculus.hu, siposeszti@gmail.com Matematikai alapok az adatbányászati szoftverek első megismeréséhez 1.1 A statisztikai sokaság A statisztika a valóság számszerű
RészletesebbenADATBÁZISKEZELÉS ADATBÁZIS
ADATBÁZISKEZELÉS 1 ADATBÁZIS Az adatbázis adott (meghatározott) témakörre vagy célra vonatkozó adatok gyűjteménye. - Pl. A megrendelések nyomon követése kereskedelemben. Könyvek nyilvántartása egy könyvtárban.
RészletesebbenFinite Element Methods for Active Contour Models and Balloons for 2D and 3D Images
Finite Element Methods for Active Contour Models and Balloons for 2D and 3D Images Laurent D. COHEN and Isaac COHEN Prezentáció: Kiss Zoltán, SZTE 2004. Motiváció 1) Objektum felszínek kijelölése szegmentációs
RészletesebbenIFJÚSÁG-NEVELÉS. Nevelés, gondolkodás, matematika
IFJÚSÁG-NEVELÉS Nevelés, gondolkodás, matematika Érdeklődéssel olvastam a Korunk 1970. novemberi számában Édouard Labin cikkét: Miért érthetetlen a matematika? Egyetértek a cikk megállapításaival, a vázolt
RészletesebbenA 3D képgenerálás komplexitása
Renderidő 1 óra. Sok vagy kevés? (Készítette M. Youth Ákos) Vass Gergely A 3D képgenerálás komplexitása avagy miért tart olyan iszonyú sokáig??? A következőkben arra keressük a választ, hogy miért ennyire
RészletesebbenVirtuális Egér. Horváth Zsolt, Schnádenberger Gábor, Varjas Viktor. 2011. március 20.
Számítógépes Látás Projekt Virtuális Egér Horváth Zsolt, Schnádenberger Gábor, Varjas Viktor 011. március 0. Feladat kiírás: Egy olyan rendszer megvalósítása, melyben kamera értelmezi a kéz és az ujjak
RészletesebbenKarbantartás. Az ESZR Karbantartás menüjébentudjuk elvégezni az alábbiakat:
Karbantartás Az ESZR Karbantartás menüjébentudjuk elvégezni az alábbiakat: Jelszó módosítása: A felhasználói jelszavunkat módosíthatjuk ebben a menüpontban, a régi jelszavunk megadása után. Általánosan
RészletesebbenPTE PMMIK Infrastruktúra és Mérnöki Geoinformatika Tanszék
Kérdés, amire választ ad: Bárhol mi van? Az objektumok geometriáját a terület egészét lefedő szabályos sokszögekkel, általában négyzettel írja le. Egysége a képelem pixel raszter cella. A pixelekhez kapcsolódnak
RészletesebbenFAUR KRISZTINA BEÁTA, SZAbÓ IMRE, GEOTECHNIkA
FAUR KRISZTINA BEÁTA, SZAbÓ IMRE, GEOTECHNIkA 7 VII. A földművek, lejtők ÁLLÉkONYSÁgA 1. Földművek, lejtők ÁLLÉkONYSÁgA Valamely földművet, feltöltést vagy bevágást építve, annak határoló felületei nem
RészletesebbenEGÉSZSÉGÜGYI DÖNTÉS ELŐKÉSZÍTŐ
EGÉSZSÉGÜGYI DÖNTÉS ELŐKÉSZÍTŐ MODELLEZÉS Brodszky Valentin, Jelics-Popa Nóra, Péntek Márta BCE Közszolgálati Tanszék A tananyag a TÁMOP-4.1.2/A/2-10/1-2010-0003 "Képzés- és tartalomfejlesztés a Budapesti
RészletesebbenBecslési módszerek errors-in-variables környezetben
Becslési módszerek errors-in-variables környezetben PhD értekezés tézisei Hunyadi Levente Budapesti Műszaki és Gazdaságtudományi Egyetem Automatizálási és Alkalmazott Informatikai Tanszék Témavezető: Dr.
RészletesebbenGÁZELLÁTÓ SZERELVÉNYEK ÉS RENDSZEREK. Spectrolab plus. Spectrolab Plus Laboratóriumi gázelvételi szerelvények
Spectrolab plus Spectrolab Plus Laboratóriumi gázelvételi szerelvények Spectrolab plus - Áttekintés Alapegység GG típus 5. oldal Alapegység beépített elzáró szeleppel, nyomásszabályozóval és nyomásmérôvel;
RészletesebbenDekonvolúció, Spike dekonvolúció. Konvolúciós föld model
Dekonvolúció, Spike dekonvolúció Konvolúciós föld model A szeizmikus hullám által átjárt teret szeretnénk modelezni A földet úgy képzeljük el, mint vízszintes rétegekből álló szűrő rendszert Bele engedünk
RészletesebbenZárójelentés. Az autonóm mobil eszközök felhasználási területei, irányítási módszerek
Zárójelentés Az autonóm mobil eszközök felhasználási területei, irányítási módszerek Az autonóm mobil robotok elterjedése növekedést mutat napjainkban az egész hétköznapi felhasználástól kezdve az ember
RészletesebbenINFORMATIKAI ALAPISMERETEK
Informatikai alapismeretek középszint 1021 ÉRETTSÉGI VIZSGA 2011. május 13. INFORMATIKAI ALAPISMERETEK KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ NEMZETI ERŐFORRÁS MINISZTÉRIUM
RészletesebbenINFORMATIKAI ALAPISMERETEK
Informatikai alapismeretek emelt szint 0911 ÉRETTSÉGI VIZSGA 2011. október 17. INFORMATIKAI ALAPISMERETEK EMELT SZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ NEMZETI ERŐFORRÁS MINISZTÉRIUM
Részletesebben. Typeset by AMS -TEX 0
. Typeset by AMS-TEX 0 Numerikus alkalmazások 1 NUMERIKUS ALKALMAZÁSOK Tematika, feladatok 2003 1. LECKE Koordináta rendszer felvétele, pontok, egyenesek és szinek ábrázolása VB-ben MenuEditor használata
RészletesebbenKomputer statisztika gyakorlatok
Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Komputer statisztika gyakorlatok Eger, 2010. október 26. Tartalomjegyzék Előszó 4 Jelölések 5 1. Mintagenerálás 7 1.1. Egyenletes
Részletesebbenprímfaktoriz mfaktorizáció szló BME Villamosmérn és s Informatikai Kar
Kvantumszámítógép hálózat zat alapú prímfaktoriz mfaktorizáció Gyöngy ngyösi LászlL szló BME Villamosmérn rnöki és s Informatikai Kar Elemi kvantum-összead sszeadók, hálózati topológia vizsgálata Az elemi
RészletesebbenMesterséges intelligencia, 7. előadás 2008. október 13. Készítette: Masa Tibor (KPM V.)
Mesterséges intelligencia, 7. előadás 2008. október 13. Készítette: Masa Tibor (KPM V.) Bizonytalanságkezelés: Az eddig vizsgáltakhoz képest teljesen más világ. A korábbi problémák nagy része logikai,
RészletesebbenNyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 6. MA3-6 modul. A statisztika alapfogalmai
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 6. MA3-6 modul A statisztika alapfogalmai SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról szóló 1999.
RészletesebbenBIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK
BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK Szakértői rendszerek, 14. hét, 2008 Tartalom 1 Bevezető 2 Fuzzy történelem A fuzzy logika kialakulása Alkalmazások Fuzzy logikát követ-e a világ?
RészletesebbenSzámlakészítés a SPRINT programmal
Számlakészítés a SPRINT programmal A jelen dokumentáció leírás a 2016. január 1 után kiadott SPRINT programmal végezhető számlakészítéshez. A dokumentáció nem tartalmazza a SPRINT program telepítési módjait
Részletesebben7. Szisztolikus rendszerek (Eberhard Zehendner)
7. Szisztolikus rendszerek (Eberhard Zehendner) A szisztolikus rács a speciális feladatot ellátó számítógépek legtökéletesebb formája legegyszerubb esetben csupán egyetlen számítási muvelet ismételt végrehajtására
RészletesebbenKöszönjük, hogy az Axiomet AX-3004H kapcsolóüzemű DC Tápegységet választotta, kérjük használat előtt figyelmesen olvassa el az útmutatót.
1. Bevezetés Köszönjük, hogy az Axiomet AX-3004H kapcsolóüzemű DC Tápegységet választotta, kérjük használat előtt figyelmesen olvassa el az útmutatót. 2. Biztonság A kézikönyv fontos biztonsági és használati
RészletesebbenDigitális terepmodell modul
Digitális terepmodell modul GeoEasy V2.05+ Geodéziai Feldolgozó Program DigiKom Kft. 2006-2010 Tartalomjegyzék Bevezetés DTM létrehozása DTM módosítása DTM betöltése, lezárása Intepoláció Szintvonalkészítés
Részletesebben2. Piaci modellek. 2.1. Oligopóliumok
2. Piaci modellek 5 2. Piaci modellek A piac tanulmányozásának legalább két fontos megközelítése létezik, melyek a szerkezet-magatartás-teljesítmény paradigma és az árelmélet. Az első szerint egy iparág
RészletesebbenBevezetés a programozásba 2
Bevezetés a programozásba 2 7. Előadás: STL konténerek, sablonok http://digitus.itk.ppke.hu/~flugi/ Vector int int main() { vector v(10); int int sum=0; for for (int i=0;i
RészletesebbenCOBRA MUNKAÜGY ÉS BÉR PROGRAMCSOMAG 2013. ÉVI
COBRA MUNKAÜGY ÉS BÉR PROGRAMCSOMAG 2013. ÉVI VERZIÓINAK VÁLTOZÁSAI. Tartalomjegyzék: Tartalom MUN v13.0101... 2 MUN v13.0107... 10 MUN v13.0128... 18 MUN v13.0204... 21 MUN v13.0208... 27 MUN v13.0304...
RészletesebbenSzakmai ajánlás. az egységes villamos energia feszültség minőség monitoring rendszer kialakítására
ES-891/9/2008. Szakmai ajánlás az egységes villamos energia feszültség minőség monitoring rendszer kialakítására Budapest, Tartalomjegyzék 1. Célkitűzés... 3 2. Bevezetés... 3 3. Nemzetközi kitekintés...
RészletesebbenA MATLAB programozása. Féléves házifeladat. RGBdialog
A MATLAB programozása Féléves házifeladat RGBdialog Készítette: Till Viktor Konzulens: Dr. Varga Gábor 2005. tavasz 1. A feladat kitőzése A cél képek editálása a színösszetevık manipulálása alapján. A
RészletesebbenProgramozás I. Metódusok C#-ban Egyszerű programozási tételek. Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu
Programozás I. 3. előadás Tömbök a C#-ban Metódusok C#-ban Egyszerű programozási tételek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia
RészletesebbenBeadható feladatok. 2006. december 4. 1. Add meg az alábbi probléma állapottér-reprezentációját!
Beadható feladatok 2006. december 4. 1. Feladatok 2006. szeptember 13-án kitűzött feladat: 1. Add meg az alábbi probléma állapottér-reprezentációját! Adott I 1,..., I n [0, 1] intervallumokból szeretnénk
RészletesebbenMáté: Számítógép architektúrák 2010.12.01.
Máté: Számítógép architektúrák... A feltételes ugró utasítások eldugaszolják a csővezetéket Feltételes végrehajtás (5.5 5. ábra): Feltételes végrehajtás Predikáció ió C pr. rész Általános assembly Feltételes
RészletesebbenLineáris programozás. Modellalkotás Grafikus megoldás Feladattípusok Szimplex módszer
Lineáris programozás Modellalkotás Grafikus megoldás Feladattípusok Szimplex módszer Feladat: Egy gyár kétféle terméket gyárt (A, B): /db Eladási ár 1000 800 Technológiai önköltség 400 300 Normaóraigény
RészletesebbenNapfotók (webkamerás felvételek) képfeldolgozása
Napfotók (webkamerás felvételek) képfeldolgozása Jelen írásban a webkamerával készült felvételek alapvető feldolgozását mutatom be próba videók segítségével. Útmutatóm kezdők számára készült, a mellékelt
RészletesebbenMerlin Gerin. Katalógus. Védelem, automatika és irányítástechnika Sepam készülékcsalád Sepam 2000 Sepam 1000 + Sepam 100
Merlin Gerin Katalógus 2002 Védelem, automatika és irányítástechnika Sepam készülékcsalád Sepam 2000 Sepam 000 + Sepam 00 Tartalom Sepam koncepciója 2 Digitális csúcstechnológia 2 Fõbb elõnyök 2 Teljes
RészletesebbenGyakorlatok. P (n) = P (n 1) + 2P (n 2) + P (n 3) ha n 4, (utolsó lépésként l, hl, u, hu-t léphetünk).
Gyakorlatok Din 1 Jelölje P (n) azt a számot, ahányféleképpen mehetünk le egy n lépcsőfokból álló lépcsőn a következő mozgáselemek egy sorozatával (zárójelben, hogy mennyit mozgunk az adott elemmel): lépés
RészletesebbenMatematika III. 8. A szórás és a szóródás egyéb mérőszámai Prof. Dr. Závoti, József
Matematika III. 8. A szórás és a szóródás egyéb Prof. Dr. Závoti, József Matematika III. 8. : A szórás és a szóródás egyéb Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027
RészletesebbenÖNJAVÍTÓ AGGREGÁLÁS SZENZORHÁLÓZATOKBAN ÉS AGGREGÁTOR NODE VÁLASZTÁS. Schaffer Péter. Tézisfüzet. Konzulens: Buttyán Levente, Ph.D.
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM HÍRADÁSTECHNIKAI TANSZÉK ÖNJAVÍTÓ AGGREGÁLÁS ÉS AGGREGÁTOR NODE VÁLASZTÁS SZENZORHÁLÓZATOKBAN Tézisfüzet Schaffer Péter Konzulens: Buttyán Levente, Ph.D.
RészletesebbenÉldetektálás. 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
RészletesebbenINFORMATIKAI ALAPISMERETEK
Informatikai alapismeretek emelt szint 1021 ÉRETTSÉGI VIZSGA 2011. május 13. INFORMATIKAI ALAPISMERETEK EMELT SZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ NEMZETI ERŐFORRÁS MINISZTÉRIUM
RészletesebbenFIZIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ
Fizika középszint 1111 ÉRETTSÉGI VIZSGA 011. május 17. FIZIKA KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ NEMZETI ERŐFORRÁS MINISZTÉRIUM A dolgozatokat az útmutató utasításai szerint,
RészletesebbenTérinformatika. j informáci. ciós s rendszerek funkciói. Kereső nyelvek (Query Languages) Az adatok feldolgozását (leválogat
Térinformatika Elemzék 2. Az informáci ciós s rendszerek funkciói adatnyerés s (input) adatkezelés s (management) adatelemzés s (analysis) adatmegjelenítés s (prentation) Összeállította: Dr. Szűcs LászlL
RészletesebbenAz elektrosztatika törvényei anyag jelenlétében, dielektrikumok
TÓTH.: Dielektrikumok (kibővített óravázlat) 1 z elektrosztatika törvényei anyag jelenlétében, dielektrikumok z elektrosztatika alatörvényeinek vizsgálata a kezdeti időkben levegőben történt, és a különféle
RészletesebbenKépfeldolgozási módszerek a geoinformatikában
Képfeldolgozási módszerek a geoinformatikában Elek István Klinghammer István Eötvös Loránd Tudományegyetem, Informatikai Kar, Térképtudományi és Geoinformatikai Tanszék, MTA Térképészeti és Geoinformatikai
RészletesebbenParaméteres-, összesítı- és módosító lekérdezések
Paraméteres-, összesítı- és módosító lekérdezések Kifejezések lekérdezésekben mezıként és feltételként is megadhatjuk. A kifejezés tartalmazhat: adatot - állandót (pl. városlátogatás, 5000, Igen, 2002.07.31.)
RészletesebbenMATEMATIKA PRÓBAÉRETTSÉGI MEGOLDÓKULCS KÖZÉPSZINT
Matematika Próbaérettségi Megoldókulcs 016. január 16. MATEMATIKA PRÓBAÉRETTSÉGI MEGOLDÓKULCS KÖZÉPSZINT I. rész: Az alábbi 1 feladat megoldása kötelező volt! 1) Egyszerűsítse a következő kifejezést: Válaszát
Részletesebben