MOBOT Project. II. Irodalomkutatás. (részlet) november 30. Marton Attila Urbán András Tandari János
|
|
- Gréta Veronika Király
- 8 évvel ezelőtt
- Látták:
Átírás
1 Budapesti Műszaki Főiskola Neumann János Informatikai Kar Mérnök informatikus szak Informatikai Automatizált Rendszerek MOBOT Project II. Irodalomkutatás november 30. (részlet) Marton Attila Urbán András Tandari János
2 2 Tartalomjegyzék 1. Bevezető Képszegmentálás Csoportosító metódusok Hisztogram alapú metódusok Éldetektálás alapú metódusok Növekvő régiók módszere Rekurzívan kapcsolódó komponensek módszere Sorosan kapcsolódó komponensek módszere Stereo Vision Jel alapú sztereo módszer MarrPoggio algoritmusa Korreláció alapú sztereo metódusok Barnard sztereo algoritmusa Térképezés Objektum helyzetének meghatározások Térkép felépítés Térkép alkalmazása Új objektum Objektum-azonosítás Irodalomjegyzék Ábrajegyzék Képletjegyzék... 15
3 3 1. Bevezető Projektünk célja egy olyan robot elkészítése, mely bejárva egy területet, térképet készít arról, az akadályokat számon tartja egy felülnézeti térkép formájában. A robot rendelkezni fog 360 fokban körbelátó kamerával, mely mind a térképezés, mind a navigáció eszközéül szolgál. A robot elkészítéséhez szükséges technikák, módszerek szisztematikus megismeréséhez folyóiratokban és az interneten található szakirodalmakban kutattunk a korábban már megvalósított technikák megismeréséhez. A rendszer elkészítéséhez elsősorban a következő problémánkra kell megoldásokat keresnünk: Objektumok azonosítása, 3D-s adatainak számítása Térkép ábrázolási technikák (akadályok nyilvántartása) Útkeresés ismert és ismeretlen terepen, térképinformációk és a szenzorok információi alapján A robot vezérlése, elmozdulásainak pontos becslése A következőkben mostani irodalomkutatásunk alkalmával talált általunk felhasználhatónak ítélt módszereket ismertetjük. 2. Képszegmentálás A képszegmentálás során egy digitális képet bontunk részekre. Célja alapvetően egyszerűsíteni vagy megváltoztatni a rajta szereplő tartalom reprezentációját, valamilyen könnyebben érthető, könnyebben analizálható formába [1]. A képszegmentálást tipikusan az objektumok illetve azok határainak keresésére használják. A képszegmentálás eredménye egy régióhalmaz, melyek együttesen lefedik a kép egészét, illetve egy kontúrhalmazt (utóbbihoz szükséges előzetesen a képet egy éldetektáló szűrőn átereszteni). Az egy régión belüli pixeleknek rendelkezniük kell valamilyen karakterisztikus vagy számított hasonlósággal, például szín, intenzitás, textúra, és a szomszédos területeknek lényegesen eltérőnek kell lennie e tulajdonságát tekintve. A hasonlóság megállapításához több feltételt megszabhatunk, a leggyakoribbak a következők [2]: A régió minden pixele ugyanolyan intenzitású. Adott régióban a pixelek intenzitása nem különbözik egymástól, mint egy megadott küszöb. Adott régióban egyik pixel intenzitása sem tér el a régió átlagintenzitásától egy adott küszöbbel. Mindegyik régióban az intenzitásértékek szórása kicsi. Sikeresnek nevezzük a szegmentálást, ha: 1. A régiók homogének és egyenletesek. 2. A régiók belsejében nincsenek lyukak. 3. A szomszédos régiók szignifikánsan eltérnek. 4. A szegmensek közti határ egyszerű és pontos.
4 4 Az alábbiakban pár szegmentáló módszert tekintünk át. 2.1 Csoportosító metódusok: A K-means algoritmus egy iteratív technika a kép különálló képrészekre való bontására. Az algoritmus főbb lépései a következőek: 1. Válasszunk ki a képen K pontot (ezek a K db régió középpontjai lesznek kezdetben). A választás lehet véletlenszerű vagy heurisztikus. 2. Ezek után vegyük az egyik ilyen pontot, és nézzük végig az összes többi pixelt. Amelyik pixel eltérése kisebb, mint egy adott érték, azt a pixelt vegyük hozzá a csoporthoz. 3. Ezt követően számítsuk ki újra a csoport közepét, a csoport átlagértéke alapján. 4. A 2. és 3. lépést addig ismételjük, amíg változik valamely csoport. Ebben az esetben az eltérés a pixel és a csoportcenter négyzetes vagy az abszolút eltérése lehet. Az, hogy milyen tulajdonság eltérését vizsgáljuk, többféle is lehet, szín, intenzitás, textúra, hely vagy ezek egy súlyozott kombinációja. A K értéket választhatjuk manuálisan, véletlenszerűen, vagy heurisztikusan. Az algoritmus garantálja a konvergenciát, de az optimális eredményt nem, ez függ a követelményektől és az elején megválasztott K értékétől. Egy másik módszer a kép K részre szegmentálása a statisztikai hierarchikus összehalmozó csoportosítás a színintenzitás hasonlósága alapján. Ez a módszer egy bináris maszkot használ, és a színek komponenseit besorolja a csoport központ komponenseihez [3]. Az algoritmus főbb lépései a következők: Minden pixel különálló csoport; Az azonos maszkú csoportok egy új csoportot alkotnak. Az új csoportok a minimum távolság alapján szerveződnek. Ez a fázis addig áll fenn, amíg csoport feltételek összehasonlíthatóak. Ez a feltétel a korreláció bináris maszkján alapul. 2.2 Hisztogram alapú metódusok Más képszegmentálási technikákhoz hasonlítva igen eredményes, mert csupán egyszer kell hozzá átfutni a pixeleken. Ez annak köszönhető, hogy az összes pixel alapján készült hisztogramot, illetve hegyei és völgyei adják a csoport határait. (ennek a lényege azonos a binarizálásnál tanultakkal) [1]. Ily módon a színintenzitást, mint egy skálát lehet használni. Egy finomítása ennek a technikának, ha az első ilyen csoportokra osztás után a csoportokra külön alkalmazzuk ezt a metódust, majd az így kapott új csoportokra is, stb. (rekurzívan), egészen addig, amíg elkülöníthetőek még új csoportok [4]. Egy hátránya a hisztogram alapú szegmentálásnak viszont az, hogy bonyolult a hisztogramban megtalálni a szignifikáns. hegyeket ill. völgyeket. A képosztályozás ezen technikájában a távolságmérés és az integrált területek számítása gyakori
5 5 2.3 Éldetektálás alapú metódusok Az éldetektálás egy jól kifejlesztett terep a képfeldolgozáson belül. A régió határok és az élek szorosan összefüggenek, így az ilyen típusú képszegmentálások alapját képezik. Azonban az éldetektáló algoritmusok általában szakadozott éleket találnak meg, a képszegmentáláshoz azonban összefüggő objektumhatárok kellenek, zárt görbék, vonalak. A szakadások, áthidalhatóak, ha az élek két végének távolsága nem halad meg egy előre meghatározott küszöböt. A fő probléma a valójában létező, ám nem detektált illetve a detektált, ám de valójában nem létező élekkel van (utóbbit okozhatja pl. zaj, képhiba). Ezekre alkalmazhatunk úgynevezett élkorrekciós módszereket. Élkorrekciós módszer például az élrelaxáció. Ekkor megvizsgáljuk az összes élt, és ha az adott élnek nincs folytatása az adott környezetben, akkor valószínűleg nem határ, illetve ha egy gyenge él kettő erős között van, akkor határvonalhoz tartozik. Másik élkorrekciós módszer az él-kapcsolás, amikor akkor kapcsolunk össze éleket, ha hasonló a gradiensük nagysága vagy az iránya. 2.4 Növekvő régiók módszere Az egyik ilyen módszer a Seeded Region Growing Method. A magok fogják jelölni a szegmentálandó objektumokat. A területek a szabad határoló pixelek összehasonlításával iteratívan nőnek. A különbség mértékeként a pixel a területek intenzitásátlagától való eltérése használható. A környező pixelek közül a legkisebb eltérésű pixelt vesszük hozzá a területhez. Ezt addig folytatjuk, amíg minden pixelt hozzárendeltünk egy régióhoz. A módszer eredményessége függ a magok megválasztásától. A képen fellelhető zaj a magok rossz elhelyezését okozhatják. A magnélküli növekvő régiók módszere egy módosított változata ennek a módszernek, mely nem igényel határozott magokat. Ez egy szimpla régióval indul (A1), a megválasztott pont nem fogja lényegesen befolyásolni a szegmentálás eredményét. Minden iteráció esetén a környező pixeleket vesszük figyelembe, a területünk ugyanazon az elven nő, mint a magos esetben. A magos módszertől ez annyiban különbözik, hogy, ha az eltérés kisebb, mint az előredefiniált T, akkor a megfelelő régióhoz adjuk hozzá (Aj), ha pedig nem, és különbözik minden más régiótól, akkor egy új régiót hozunk létre. Egyik Haralick és Shapiro által tervezett változata ennek a technikának a pixelintenzitásokon alapulnak [1]. A régió középértéke, a szórása és a jelölt pixel intenzitásából számolták ki a teszt statisztikát. Ha ez kicsi, akkor a pixelt hozzáadjuk a régióhoz, és a régió középértékét, szórását újraszámoljuk. Ellenkező esetben a pixel egy új régiót képez. 2.5 Rekurzívan kapcsolódó komponensek módszere [5] Adott egy bináris képünk, ezt fogjuk feldolgozni balról jobbra, fentről lefele. Ha még nem címkézett 1 értéket tartalmazó mezőhöz értünk, rendeljünk hozzá egy új címkét, majd rekurzívan vizsgáljuk meg a szomszédjait, az előzőekhez hasonló módon, ha értékük 1 és címkézetlenek, akkor rendeljük hozzájuk ugyanazt a címkét. Az eljárásnak akkor van vége, ha mindegyik 1 értékű pixel címkézett.
6 6 2.6 Sorosan kapcsolódó komponensek módszere [6] Ebben az esetben szintén egy bináris kép adott, amelyet balról jobbra, fentről lefele dolgozunk fel, ha nem címkézett 1 -eshez jutunk, akkor ahhoz új címkét rendelünk a következő szabályok szerint: L L L L 01 -> 0L L1 -> LL 01 -> 0L M1 -> ML [2] Ezek után meg kell határozni, hogy mely címkék ekvivalensek (melyek tartoznak ugyanahhoz a területhez), majd a hasonló címkéket a helyettesítjük ugyanazzal a címkével.
7 7 3. Stereo Vision [7] Világunk háromdimenziós, de a róla alkotott képek kétdimenziósak, így a leképezés folyamán egy dimenziót elvesztünk. Ennek a harmadik dimenziónak a visszaállítása a gépi látás egyik fontos feladata. Több tanács is van, amelyet a 3D információk visszaállításánál gyakran be szoktak tartani, például a sztereo, árnyékolás, textúra, mozgás. A helyreállított 3D alakzat több módon is leírható: Z a tárgyon lévő egy pont távolsága. A felszín normális (n x, n y, n z ), a vektor orientációja merőleges az objektum tangens síkjára. A felszín gradiens (p,q) ~= ( ϑz ffffffff ϑz, ffffffff ) a mélységváltozás mértéke az x és y irányban. ϑx ϑy A felszín ferdülése és dőlése: (n x, n y, n z ) ~= ( ρsinσ cosτ, ρsinσ sinτ, ρcosσ ). Az egyszerű sztereo látás geometriája [1. ábra] igen egyszerű, két kamera néz egy irányba (x 1, x 2 ), az általuk alkotott kép koordinátája is ez lesz, adott a két kamera lencseközéppontja (c 1, c 2 ), valamint f, a fókusztávolság illetve Z a test mélység irányában mért távolsága a kamerák síkjától. 1. ábra Sztereo látás heometriája [F1] Triviális, hogy WX 1 X 2 és WC 1 C 2 háromszögek egybevágóak, innen kapjuk: Z fffffffffffffffff + f X1 = ffffffffffffffffffffffffffffffffffffffff + X2 + B, vagy Z = f B fffffffffffffffffffffffffff B, ahol x1 +x Z B 2 a diszparitás, valamint egy adott X1 + X2 sztereo kamera rendszernél B illetve a kamera fókusztávolsága adott. Így tehát, ha a bal illetve a jobboldali képből ki tudjuk számolni a diszparitást, akkor a Z mélységet a fenti egyenletekből meghatározhatjuk.
8 8 3.1 A jel alapú sztereo módszer [8] A jel alapú sztereo látás három lépésre bontható: 1. Jeldetektálás 2. Összehasonlítás 3. Felszín interpoláció Az első lépésben a jeleket szürkeárnyalatos kép párokon detektáljuk, ahol a jelek lehetnek élek, sarkok, érdekes pontok (például ACM eljárás detektált pontjai), stb. A mélységet csak a jeleknél számoljuk. Az összehasonlítás a sztereo legfontosabb lépése, amikor bal oldali képen található jeleket összevetjük a jobboldali képen detektált jelekkel. Az epipoláris kényszerfeltételeknek köszönhetően a sztereo számítás egy dimenzióba korlátozódik, ennek következtében a lehetséges feltérképezések száma igen nagy a bal illetve jobb oldali jelek között, a kényszerfeltételek limitálják a keresési teret. A harmadik lépésben a jeleknél lévő mélységi értékeket használjuk a mélység meghatározásához a megmaradó pixeleknél, az eredményt interpolációval számoljuk. 3.2 Marr-Poggio algoritmusa [9] 2. ábra A stereopárokat egy dimenzióban ábrázolva [F2] Az algoritmus az emberi látáshoz hasonló elven alapul. Az értékhalmaza egy véletlenszerű pont sztereogram, ahol minden pixel véletlenszerűen fekete vagy fehér. Az algoritmusra a következő kényszerfeltételek vonatkoznak: Kompatibilitás: fehér pontot csak fehér ponttal, feketét csak feketével hasonlítunk össze.
9 9 Folytonosság: a mélység lehet folytonos, a szomszédos pixeleknek lehet hasonló mélysége. Egyediség: a bal kép egy pontját a jobb képen csak egy ponthoz lehet hasonlítani. A kezdeti hasonlóság C 0 (x, d) a kompatibilitás kényszerfeltételből adódik. A folytonosság és az egyediség kényszerfeltételt a későbbi iterációkban használjuk. A kompatibilitás kényszerfeltételt az exkluzív nor művelettel lehet előállítani a bal és jobb képen lévő jelek között. A stereopárokat egy dimenzióban ábrázolva és feltéve, hogy a képünk 5 képpont széles, a fehér pontokat W-vel és a feketéket B-vel ábrázolva [2. ábra] a C0 (x, d) tömböt megkapjuk a kompatibilitási kényszerfeltétel alkalmazásával. Ebből iteratívan számolhatjuk a C 1..C n tömböket a következő séma alkalmazásával, ami kikényszeríti a folytonosság és a egyediség kényszerfeltételeket: [S1] A kezdeti hasonlóságot a kompatibilitás kényszerfeltétel használatával kaphatjuk meg: [S2] ahol Ø az exkluzív vagy kapcsolata. Innen iteratívan a következő formulával számoljuk a C n -et: [S3] D max a legnagyobb lehetséges diszparitás, ε konstans, T a küszöb, ω konstans. Ebben a sémában a jobb oldali tagot gerjesztő tagnak nevezik, ez felel azért, hogy a megfelelő (azonos diszparitású) pixeleket hasonlítsuk össze, a második tag a mínusz előjellel a gátló tag, amely a büntetés mértékét számítja, ha a folytonossági kényszerfeltételt megsértjük. A harmadik C 0 tag a konvergenicát fokozza. 3. ábra [F3] A MarPoggio algotitmus 2D megvalósítása hasonló az 1D-hez. A 2D gerjesztő szomszédsági tagnál [2. ábra] + jellel jelöltük a középpontot, * jellel a támogató pixeleket. A tipikus értékek {e}, T, w-re: 2, 4, 2.
10 Korreláció alapú sztereo metódusok [10] A jel alapú sztereo metódusok a mélységet csak a jeleknél számolja. Abból a célból, hogy megkapjuk a tömörített mélységi térképet, interpoláció alkalmazása szükséges. A korreláció alapú sztereo módszernél a mélységet minden pixelre kiszámítjuk. A bal oldali kép szürkeárnyalatos parcellában lévő pixelt összehasonlítjuk a jobb oldali kép megfelelő pixelével. Az diszparitás a legjobb összehasonlításhoz adott, a következő módon számoljuk D(x, y) egyenlőtlenségi térképet: [S4] Ahol L(x,y) és R(x,y) a bal illetve jobboldali kép. A diszparitás kiszámolása céljából az (x, y) egy (2s+1)*(2s+1)-es ablak szürkeárnyalatait hasonlítjuk össze a jobb oldali kép megfelelő pixeleivel. Az összes diszparitás közül az eredő diszparitás az, amelyik a maximális korreláció értéket eredményezi a fenti egyenletben. A metódusban a korrelációs érték R(x,y) lokális változásaitól függ. A módszer eredményesebb, ha normalizált korrelációt alkalmazunk: [S5] Amennyiben a jobb oldali ablak egy w átméretezett verziója baloldali ablaknak (R = cl), akkor a normalizált korreláció r X X L 2 maximumát eredményezi majd. Egy másik lehetőség, ha a négyzetes eltérések összegét használjuk (SSD): A normalizált korreláció és az SSD hasonló eredményt ad. [S6]
11 Barnard sztereo algoritmusa [11] Barnard a hasonló intenzitás értékek és a simítottság mértéke alapján határozza meg a diszparitást: [S7] ahol L és R a bal illetve jobboldali kép, D(x,y) a diszparitás térkép, 5 számítja a diszparitás térkép és a nyolc szomszéd pixel abszolút eltéréseinek összegét, λ konstans. Egy 128*128 méretű kép 10 pixeles diszparitás mértékkel, ez lehetséges diszparitás értéket jelent, ami kombinatorikus robbanást eredményez. Barnard a probléma megoldása érdekében szimulált temperálást használ, ennek az algoritmusa a következő: 1. Válasszunk egy véletlen állapotú S-t. 2. Válasszunk magas hőmérsékletű T értéket. 3. Amíg T > 0 (a) válassszuk ki S -t de < E(S ) E(S) (b) ha deltae <= 0 akkor S < S (c) különben P < exp(-de/t), X <- random(0,1), ha X < P akkor S < S (d) ha néhány iteráció után nincs változás E-ben, akkor alacsonyabb T
12 12 4. Térképezés[1], [2] Térképezés során a robot által bejárt területről készítünk egy területleírást, amit térképként fogunk felhasználni a későbbi feldolgozás során. Az így elkészített térképet használja az útvonal tervezéséhez és a terület változás ellenőrzéséhez, ezért fontos, hogy pontos legyen a leírás Objektum helyzetének meghatározások Az objektumok leírását és megjelölését a térképen valamilyen ponthoz viszonyítva határozzuk meg. Az a módszer, hogy a robot kiindulási pontjától viszonyítva egy virtuális koordináta rendszerben megtett útvonala szerint számoljuk az aktuális pozíciót és az szerint határozzuk meg az objektum helyzetét és jellemző pontjait, nem megfelelő, ugyanis egy hosszabb mozgás után a robot mozgása a számított mozgástól eltérhet és ebből adódóan nem lenne megegyező a korábban meghatározott objektum az aktuálissal. Ekkor téves jelzés keletkezhetne, mert az adatok alapján eltűnne egy objektum és egyidejűleg egy másik kerülne meghatározásra. Ennek a javítására használhatunk referencia pontokat, ami lényegesen pontosabb leírást eredményez. Másik lehetőségünk a térképkészítés folyamatában, hogy a térkép origóját a robot pozíciójában helyezzük el. Ebben az esetben az objektumokat az origótól számítva írhatjuk le. Amikor a robot elmozdul, az origó a robot pontjában marad, és a térkép tolódik el körülötte Térkép felépítés Térkép leírásának egyik elterjedt és egyszerű ábrázolási módja a foglaltság jelzőkből álló rács. A térképet cellákra osztjuk és ezeket a cellákat 3 értékkel tölthetjük fel: ismeretlen, üres, objektum. Alap esetben, a térkép létrehozásakor minden cellája ismeretlen jelzővel van ellátva, ami annyit jelent, hogy még nem járt ott a robot és nincs róla információja, hogy mi lehet ott. Értelemszerűen az üres mező a számára megközelíthető cellát jelöli, ahol nincs jelentősebb tereptárgy és az objektum mező pedig egy akadályt jelent a robot számára. Az objektumok megközelíthetőségét a talajjal bezárt szöge jellemzi. Tipikusan a 90 os talajváltozást már objektumként jelöljük, míg a kis szögeket üresként Térkép alkalmazása A térképen, a változás ellenőrzése során célszerű a keresési teret leszűkíteni az aktuális látótérre. Felesleges lenne a kamera által nem látható területen keresni azt az objektumot, ami épp a kamera előtt meghatározásra került. Teljesítményt javíthatunk azzal is, hogy a már ismert tárgyakat keressük meg a képen, így a további keresést már csak az ettől eltérő régiókban szükséges keresnünk Új objektum Ha ismeretlen terepen járunk, és új objektumot kell meghatározunk, akkor a talált objektum tulajdonságainak meghatározásához a két kamera képinformációját használjuk fel. A bal kamera képét régiókra bontjuk, majd ezen régiókban jellegzetes pontokat határozunk meg. Ezután vesszük a jobb oldali kamera képét és az előbb meghatározott régiókat megkeressük rajta. Ennek a két képnek a közös régióiból egyértelmű meghatározást tudunk adni az
13 13 objektum formájáról és a robot alap paramétereit felhasználva háromszögeléssel a távolságokat tudjuk meghatározni. A robot alap méreteit konstansként kezeljük, mint például a kamerák távolságát egymástól, illetve a talajtól. Ennek segítségével már számítható egy becsült objektum méret és a becsült pozíció is, amelyet hasznos térkép információként használunk fel Objektum-azonosítás 3. ábra Objektumleírás meghatározása mozgás közben [1] A robot mozgása közben az különböző látószögből az egyes objektumok tulajdonságait a távolságkülönbség és a nézőpont bezárt szögkülönbségének segítségével számoljuk. Ennek segítségével az objektum a különböző nézőpontokból is jellemezhető ugyanazzal a leíró tulajdonsággal. A különböző nézőpontokból más tulajdonság adatok is meghatározhatóak lennének, vagy csak kicsit eltérő adatokat számolnánk ki, ezért a sok eset kiküszöbölésének érdekében a már meghatározott objektumok leírási adatait nem módosítjuk.
14 14 Irodalomjegyzék [1] L. G. Shapiro and G. C. Stockman, Computer Vision, 2001, New Jersey, Prentice-Hall, pp [2] V. Zoltán, Szegmentálás, [3] Vovk, O.L., A new approach to visual similar image colors extraction, Journal of Automation and Information Sciences, No. 6, 2006, pp [4] R. Ohlander, K. Price, and D. R. Reddy, Picture Segmentation Using a Recursive Region Splitting Method, Computer Graphics and Image Processing, volume 8, 1978, pp [5] M. Shah, Fundamentals of Computer Vision, Recurive Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 58 [6] M. Shah, Fundamentals of Computer Vision, Sequential Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 59 [7] M. Shah, Fundamentals of Computer Vision, Stereo and Shape From Shading, Orlando, Computer Science Department University of Central Florida, 1997, pp 111 [8] M. Shah, Fundamentals of Computer Vision, Steps in Token Based Stereo, Orlando, Computer Science Department University of Central Florida, 1997, pp 112 [9] M. Shah, Fundamentals of Computer Vision, Marr-Poggio Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 113 [10] M. Shah, Fundamentals of Computer Vision, Correlation Based Stereo Methods, Orlando, Computer Science Department University of Central Florida, 1997, pp 114 [11] M. Shah, Fundamentals of Computer Vision, Barnard s Stereo Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 117 [12] IEEE TRANSACTION ON PATTERN ANALYSIS AND MAXHINE INTELLIGENCE vol.24. No. 7, July 2002 Simultaneous Localization and Map-Buliding Using Active Vision page [13] B. Szabolcs K. Róbert K. Előd Zoltán - Automated Mapping of robot EnviRonment november 30.
15 15 Ábrajegyzék [F1] M. Shah, Fundamentals of Computer Vision, Stereo and Shape From Shading, Orlando, Computer Science Department University of Central Florida, 1997, pp 111, Figure 6.1. [F2] M. Shah, Fundamentals of Computer Vision, Marr-Poggio Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 113, Figure 6.2. [F3] M. Shah, Fundamentals of Computer Vision, Marr-Poggio Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 115, Figure 6.4. Képletjegyzék [S1] M. Shah, Fundamentals of Computer Vision, Marr-Poggio Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 113, {6.3} [S2] M. Shah, Fundamentals of Computer Vision, Marr-Poggio Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 113, Figure 6.3. [S3] M. Shah, Fundamentals of Computer Vision, Marr-Poggio Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 113, Figure 6.3. [S4] M. Shah, Fundamentals of Computer Vision, Correlation Based Stereo Methods, Orlando, Computer Science Department University of Central Florida, 1997, pp (6.4) [S5] M. Shah, Fundamentals of Computer Vision, Correlation Based Stereo Methods, Orlando, Computer Science Department University of Central Florida, 1997, pp 115 (6.5) [S6] M. Shah, Fundamentals of Computer Vision, Correlation Based Stereo Methods, Orlando, Computer Science Department University of Central Florida, 1997, pp 115 (6.6) [S7] M. Shah, Fundamentals of Computer Vision, Barnard s Stereo Algorithm, Orlando, Computer Science Department University of Central Florida, 1997, pp 117 (6.7)
Sergyán Szabolcs szeptember 21.
Éldetektálás Sergyán Szabolcs Budapesti Műszaki Főiskola Neumann János Informatikai Kar 2009. szeptember 21. Sergyán Sz. (BMF NIK) Éldetektálás 2009. szeptember 21. 1 / 28 Mit nevezünk élnek? Intuitív
Részletesebben8. Pontmegfeleltetések
8. Pontmegfeleltetések Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Példa: panoráma kép készítés 1. Jellemzőpontok detektálása mindkét
Részletesebben7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
RészletesebbenKépfeldolgozás jól párhuzamosítható
Képfeldolgozás jól párhuzamosítható B. Wilkinson, M. Allen: Parallel Programming, Pearson Education Prentice Hall, 2nd ed., 2005. könyv 12. fejezete alapján Vázlat A képfeldolgozás olyan alkalmazási terület,
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01
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
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.
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
RészletesebbenKépfeldolgozás Szegmentálás Osztályozás Képfelismerés Térbeli rekonstrukció
Mesterséges látás Miről lesz szó? objektumok Bevezetés objektumok A mesterséges látás jelenlegi, technikai eszközökön alapuló világunkban gyakorlatilag azonos a számítógépes képfeldolgozással. Számítógépes
RészletesebbenKépfeldolgozás jól párhuzamosítható
Képeldolgozás jól párhuzamosítható B. Wilkinson, M. Allen: Parallel Programming, Pearson Education Prentice Hall, nd ed., 005. könyv. ejezete alapján Vázlat A képeldolgozás olyan alkalmazási terület, amely
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav54
RészletesebbenInfobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében
Infobionika ROBOTIKA X. Előadás Robot manipulátorok II. Direkt és inverz kinematika Készült a HEFOP-3.3.1-P.-2004-06-0018/1.0 projekt keretében Tartalom Direkt kinematikai probléma Denavit-Hartenberg konvenció
RészletesebbenÉldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea
Éldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea Geometrikus deformálható modellek Görbe evolúció Level set módszer A görbe evolúció parametrizálástól független mindössze geometriai
Részletesebben1. ábra Egy terület DTM-je (balra) és ugyanazon terület DSM-je (jobbra)
Bevezetés A digitális terepmodell (DTM) a Föld felszínének digitális, 3D-ós reprezentációja. Az automatikus DTM előállítás folyamata jelenti egyrészt távérzékelt felvételekből a magassági adatok kinyerését,
RészletesebbenLoványi 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:
RészletesebbenMinták automatikus osztályba sorolása a mintát leíró jellemzők alapján. Típusok: felügyelt és felügyelet nélküli tanuló eljárások
Minták automatikus osztályba sorolása a mintát leíró jellemzők alapján Típusok: felügyelt és felügyelet nélküli tanuló eljárások Különbség: előbbinél szükséges egy olyan tanulóhalmaz, ahol ismert a minták
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók
Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz
RészletesebbenNGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatika Tanszék BSC FOKOZATÚ MÉRNÖK INFORMATIKUS SZAK NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő Fejlesztői dokumentáció GROUP#6
RészletesebbenTárgy. Forgóasztal. Lézer. Kamera 3D REKONSTRUKCIÓ LÉZERES LETAPOGATÁSSAL
3D REKONSTRUKCIÓ LÉZERES LETAPOGATÁSSAL. Bevezetés A lézeres letapogatás a ma elérhet legpontosabb 3D-s rekonstrukciót teszi lehet vé. Alapelve roppant egyszer : egy lézeres csíkkal megvilágítjuk a tárgyat.
RészletesebbenTranszformációk. Szécsi László
Transzformációk Szécsi László A feladat Adott a 3D modell háromszögek csúcspontjai [modellezési koordináták] Háromszögkitöltő algoritmus pixeleket színez be [viewport koordináták] A feladat: számítsuk
RészletesebbenTranszformációk. Grafikus játékok fejlesztése Szécsi László 2013.02.26. t05-transform
Transzformációk Grafikus játékok fejlesztése Szécsi László 2013.02.26. t05-transform Koordinátarendszerek: modelltér Koordinátarendszerek: világtér Koordinátarendszerek: kameratér up right z eye ahead
RészletesebbenPONTFELHŐ REGISZTRÁCIÓ
PONTFELHŐ REGISZTRÁCIÓ ITERATIVE CLOSEST POINT Cserteg Tamás, URLGNI, 2018.11.22. TARTALOM Röviden Alakzatrekonstrukció áttekintés ICP algoritmusok Projektfeladat Demó FORRÁSOK Cikkek Efficient Variants
Részletesebben4. Lokalizáció Magyar Attila
4. Lokalizáció Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. szeptember 23. 4. Lokalizáció 2 4. Tartalom
RészletesebbenRobotika. Kinematika. Magyar Attila
Robotika Kinematika Magyar Attila amagyar@almos.vein.hu Miről lesz szó? Bevezetés Merev test pozíciója és orientációja Rotáció Euler szögek Homogén transzformációk Direkt kinematika Nyílt kinematikai lánc
Részletesebben3D-s számítógépes geometria és alakzatrekonstrukció
3D-s számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav08 Dr. Várady Tamás,
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
RészletesebbenA brachistochron probléma megoldása
A brachistochron probléma megoldása Adott a függőleges síkban két nem egy függőleges egyenesen fekvő P 0 és P 1 pont, amelyek közül a P 1 fekszik alacsonyabban. Azt a kérdést fogjuk vizsgálni. hogy van-e
Részletesebbenx = cos αx sin αy y = sin αx + cos αy 2. Mi a X/Y/Z tengely körüli forgatás transzformációs mátrixa 3D-ben?
. Mi az (x, y) koordinátákkal megadott pont elforgatás uténi két koordinátája, ha α szöggel forgatunk az origó körül? x = cos αx sin αy y = sin αx + cos αy 2. Mi a X/Y/Z tengely körüli forgatás transzformációs
RészletesebbenSzámítógépes Grafika mintafeladatok
Számítógépes Grafika mintafeladatok Feladat: Forgassunk a 3D-s pontokat 45 fokkal a X tengely körül, majd nyújtsuk az eredményt minden koordinátájában kétszeresére az origóhoz képest, utána forgassunk
RészletesebbenLáthatósági kérdések
Láthatósági kérdések Láthatósági algoritmusok Adott térbeli objektum és adott nézőpont esetén el kell döntenünk, hogy mi látható az adott alakzatból a nézőpontból, vagy irányából nézve. Az algoritmusok
RészletesebbenPárhuzamos programozási feladatok
Párhuzamos programozási feladatok BMF NIK 2008. tavasz B. Wilkinson és M. Allen oktatási anyaga alapján készült Gravitációs N-test probléma Fizikai törvények alapján testek helyzetének, mozgásjellemzőinek
RészletesebbenBevezetés. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
Bevezetés Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Digitális képfeldolgozás digitális képfeldolgozás számítógépes grafika digitális
Részletesebben15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
RészletesebbenRobotika. Relatív helymeghatározás Odometria
Robotika Relatív helymeghatározás Odometria Differenciális hajtás c m =πd n /nc e c m D n C e n = hány mm-t tesz meg a robot egy jeladó impulzusra = névleges kerék átmérő = jeladó fölbontása (impulzus/ford.)
RészletesebbenPontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
RészletesebbenInformáció megjelenítés Számítógépes ábrázolás. Dr. Iványi Péter
Információ megjelenítés Számítógépes ábrázolás Dr. Iványi Péter Raszterizáció OpenGL Mely pixelek vannak a primitíven belül fragment generálása minden ilyen pixelre Attribútumok (pl., szín) hozzárendelése
RészletesebbenKépfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008
Képfeldolgozás 1. el adás. A képfeldolgozás m veletei Mechatronikai mérnök szak BME, 2008 1 / 61 Alapfogalmak transzformációk Deníció Deníció Geometriai korrekciókra akkor van szükség, ha a képr l valódi
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
Részletesebben3. Sztereó kamera. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
3. Sztereó kamera Kató Zoltá Képfeldolgozás és Számítógépes Grafika taszék SZTE (http://www.if.u-szeged.hu/~kato/teachig/) Sztereó kamerák Az emberi látást utáozza 3 Sztereó kamera pár Két, ugaazo 3D látvát
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenAlgoritmusok bonyolultsága
Algoritmusok bonyolultsága 5. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 27 Gazdaságos faváz Kruskal-algoritmus Joseph Kruskal (1928 2010) Legyen V = {v 1, v 2,..., v n }, E = {e 1, e 2,...,
RészletesebbenI. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
RészletesebbenAdatszerkezetek 2. Dr. Iványi Péter
Adatszerkezetek 2. Dr. Iványi Péter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér (root) Nincsennek hurkok!!! 2 Bináris fák Azokat
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
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
RészletesebbenInformáció megjelenítés Diagram tervezés
Információ megjelenítés Diagram tervezés Statisztikák Háromféle hazugság van: hazugságok, átkozott hazugságok és statisztikák A lakosság 82%-a nem eszik elég rostot. 3-ból 2 gyerek az USA-ban nem nem tudja
RészletesebbenRegresszió számítás. Tartalomjegyzék: GeoEasy V2.05+ Geodéziai Kommunikációs Program
Regresszió számítás GeoEasy V2.05+ Geodéziai Kommunikációs Program DigiKom Kft. 2006-2010 Tartalomjegyzék: Egyenes x változik Egyenes y változik Egyenes y és x változik Kör Sík z változik Sík y, x és z
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
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenKonjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
RészletesebbenPéldák jellemzőkre: - minden pixelérték egy jellemző pl. neurális hálózat esetében csak kis képekre, nem invariáns sem a megvilágításra, sem a geom.
Lépések 1. tanító és teszt halmaz összeállítása / megszerzése 2. jellemzők kinyerése 3. tanító eljárás választása Sok vagy kevés adat áll-e rendelkezésünkre? Mennyi tanítási idő/memória áll rendelkezésre?
RészletesebbenRendszámfelismerő rendszerek
Problémamegoldó szeminárium Témavezető: Pataki Péter ARH Zrt. ELTE-TTK 2013 Tartalomjegyzék 1 Bevezetés 2 Út a megoldás felé 3 Felmerült problémák 4 Alkalmazott matematika 5 További lehetőségek Motiváció
RészletesebbenAdatszerkezetek. Nevezetes algoritmusok (Keresések, rendezések)
Adatszerkezetek Nevezetes algoritmusok (Keresések, rendezések) Keresések A probléma általános megfogalmazása: Adott egy N elemű sorozat, keressük meg azt az elemet (határozzuk meg a helyét a sorozatban),
RészletesebbenAndó Mátyás Felületi érdesség matyi.misi.eu. Felületi érdesség. 1. ábra. Felületi érdességi jelek
1. Felületi érdesség használata Felületi érdesség A műszaki rajzokon a geometria méretek tűrése mellett a felületeket is jellemzik. A felületek jellemzésére leginkább a felületi érdességet használják.
RészletesebbenTömbök kezelése. Példa: Vonalkód ellenőrzőjegyének kiszámítása
Tömbök kezelése Példa: Vonalkód ellenőrzőjegyének kiszámítása A számokkal jellemzett adatok, pl. személyi szám, adószám, taj-szám, vonalkód, bankszámlaszám esetében az elírásból származó hibát ún. ellenőrző
RészletesebbenFüggvény határérték összefoglalás
Függvény határérték összefoglalás Függvény határértéke: Def: Függvény: egyértékű reláció. (Vagyis minden értelmezési tartománybeli elemhez, egyértelműen rendelünk hozzá egy elemet az értékkészletből. Vagyis
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
Részletesebben1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Paraméter
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Paraméter A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenSegédlet: Főfeszültségek meghatározása Mohr-féle feszültségi körök alkalmazásával
Segédlet: Főfeszültségek meghatározása Mohr-féle feszültségi körök alkalmazásával Készítette: Dr. Kossa Attila (kossa@mm.bme.hu) BME, Műszaki Mechanikai Tanszék 212. október 16. Frissítve: 215. január
RészletesebbenNumerikus integrálás
Közelítő és szimbolikus számítások 11. gyakorlat Numerikus integrálás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján 1. Határozatlan integrál
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
RészletesebbenSzomszédság alapú ajánló rendszerek
Nagyméretű adathalmazok kezelése Szomszédság alapú ajánló rendszerek Készítette: Szabó Máté A rendelkezésre álló adatmennyiség növelésével egyre nehezebb kiválogatni a hasznos információkat Megoldás: ajánló
RészletesebbenAz objektum leírására szolgálnak. Mire jók? Sokszor maga a jellemző az érdekes: Tömörítés. Objektumok csoportosítására
Az objektum leírására szolgálnak Mire jók? Sokszor maga a jellemző az érdekes: pl.: átlagosan mekkora egy szitakötő szárnyfesztávolsága? Tömörítés pl.: ha körszerű objektumokat tartalmaz a kép, elegendő
RészletesebbenMOBIL TÉRKÉPEZŐ RENDSZER PROJEKT TAPASZTALATOK
MOBIL TÉRKÉPEZŐ RENDSZER PROJEKT TAPASZTALATOK GISopen 2011 2011. március 16-18. Konasoft Project Tanácsadó Kft. Maros Olivér - projektvezető MIÉRT MOBIL TÉRKÉPEZÉS? A mobil térképezés egyetlen rendszerben
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet
Klaszteranalízis Hasonló dolgok csoportosítását jelenti, gyakorlatilag az osztályozás szinonimájaként értelmezhetjük. A klaszteranalízis célja A klaszteranalízis alapvető célja, hogy a megfigyelési egységeket
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
RészletesebbenAmortizációs költségelemzés
Amortizációs költségelemzés Amennyiben műveleteknek egy M 1,...,M m sorozatának a futási idejét akarjuk meghatározni, akkor egy lehetőség, hogy külön-külön minden egyes művelet futási idejét kifejezzük
RészletesebbenACM Snake. Orvosi képdiagnosztika 11. előadás első fele
ACM Snake Orvosi képdiagnosztika 11. előadás első fele ACM Snake (ismétlés) A szegmentáló kontúr egy paraméteres görbe: x Zs s X s, Y s,, s A szegmentáció energia funkcionál minimalizálása: E x Eint x
RészletesebbenRobotok inverz geometriája
Robotok inverz geometriája. A gyakorlat célja Inverz geometriai feladatot megvalósító függvények implementálása. A megvalósított függvénycsomag tesztelése egy kétszabadságfokú kar előírt végberendezés
RészletesebbenKépfeldolgozás. 1. el adás. A képfeldolgozás alapfogalmai. Mechatronikai mérnök szak BME, 2008
Képfeldolgozás 1. el adás. A képfeldolgozás alapfogalmai BME, 2008 A digitális képfeldolgozás alapfeladata Deníció A digitális képfeldolgozás során arra törekszünk, hogy a természetes képek elemzése révén
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenAz informatika kulcsfogalmai
Az informatika kulcsfogalmai Kulcsfogalmak Melyek azok a fogalmak, amelyek nagyon sok más fogalommal kapcsolatba hozhatók? Melyek azok a fogalmak, amelyek más-más környezetben újra és újra megjelennek?
RészletesebbenAlgoritmusok és adatszerkezetek 2.
Algoritmusok és adatszerkezetek 2. Varga Balázs gyakorlata alapján Készítette: Nagy Krisztián 1. gyakorlat Nyílt címzéses hash-elés A nyílt címzésű hash táblákban a láncolással ellentétben egy indexen
RészletesebbenPopulációbecslések és monitoring
Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak. Fontos lehet tudnunk, hogy hány
RészletesebbenCSAPADÉK BEFOGADÓKÉPESSÉGÉNEK TÉRKÉPEZÉSE TÁVÉRZÉKELÉSI MÓDSZEREKKEL VÁROSI KÖRNYEZETBEN
MFTTT 30. VÁNDORGYŰLÉS 2015. július 03. Szolnok CSAPADÉK BEFOGADÓKÉPESSÉGÉNEK TÉRKÉPEZÉSE TÁVÉRZÉKELÉSI MÓDSZEREKKEL VÁROSI KÖRNYEZETBEN Kovács Gergő Földmérő és földrendező szak, IV. évfolyam Verőné Dr.
RészletesebbenAdatelemzés és adatbányászat MSc
Adatelemzés és adatbányászat MSc 12. téma Klaszterezési módszerek Klaszterezés célja Adott az objektumok, tulajdonságaik együttese. Az objektumok között hasonlóságot és különbözőséget fedezhetünk fel.
RészletesebbenGrafikonok automatikus elemzése
Grafikonok automatikus elemzése MIT BSc önálló laboratórium konzulens: Orosz György 2016.05.18. A feladat elsődleges célkitűzései o eszközök adatlapján található grafikonok feldolgozása, digitalizálása
RészletesebbenAz igénybevételi ábrák témakörhöz az alábbi előjelszabályokat használjuk valamennyi feladat esetén.
Alkalmazott előjelszabályok Az igénybevételi ábrák témakörhöz az alábbi előjelszabályokat használjuk valamennyi feladat esetén. A kényszererők számításánál a következő a szabály: Az erők iránya a pozitív
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenGépi tanulás a gyakorlatban. Bevezetés
Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis
RészletesebbenÖsszeállította Horváth László egyetemi tanár
Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Intelligens Mérnöki Rendszerek Szakirány a Mérnök informatikus alapszakon Összeállította Horváth László Budapest, 2011
RészletesebbenMOBOT (Map-maker robot)
Budapesti Műszaki Főiskola Neumann János Informatikai Kar Informatikai Automatizált Rendszerek Szakirány MOBOT (Map-maker robot) I. Irodalomkutatás 2008. október 31. A projekt tagjai: Marton Attila Tandari
RészletesebbenDiszkrét matematika II., 5. előadás. Lineáris egyenletrendszerek
1 Diszkrét matematika II, 5 előadás Lineáris egyenletrendszerek Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach/ 2007 március 8 Egyenletrendszerek Középiskolás módszerek:
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
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
RészletesebbenTerület- és térségmarketing. /Elméleti jegyzet/
Terület- és térségmarketing /Elméleti jegyzet/ Terület- és térségmarketing /Elméleti jegyzet/ Szerző: Nagyné Molnár Melinda Szent István Egyetem Szerkesztő: Nagyné Molnár Melinda Lektor: Szakály Zoltán
Részletesebben6. MECHANIKA-STATIKA GYAKORLAT Kidolgozta: Triesz Péter egy. ts. Négy erő egyensúlya, Culmann-szerkesztés, Ritter-számítás
ZÉHENYI ITVÁN EGYETE GÉPZERKEZETTN É EHNIK TNZÉK 6. EHNIK-TTIK GYKORLT Kidolgozta: Triesz Péter egy. ts. Négy erő egyensúlya ulmann-szerkesztés Ritter-számítás 6.. Példa Egy létrát egy verembe letámasztunk
RészletesebbenDIGITÁLIS TEREPMODELL A TÁJRENDEZÉSBEN
DIGITÁLIS TEREPMODELL A TÁJRENDEZÉSBEN DR. GIMESI LÁSZLÓ Bevezetés Pécsett és környékén végzett bányászati tevékenység felszámolása kapcsán szükségessé vált az e tevékenység során keletkezett meddők, zagytározók,
RészletesebbenUjjszámlálás Matlab segítségével
Ujjszámlálás Matlab segítségével Griechisch Erika, Juhász Miklós és Földi Antal 2008. november Tartalomjegyzék 1. Bevezetés 1 2. Vizsgált módszerek 1 3. Az algoritmus 1 4. Megvalósítás 2 4.1. Szegmentálás,
RészletesebbenSZAKÁLL SÁNDOR, ÁsVÁNY- És kőzettan ALAPJAI
SZAKÁLL SÁNDOR, ÁsVÁNY- És kőzettan ALAPJAI 7 KRISTÁLYTAN VII. A KRIsTÁLYOK szimmetriája 1. BEVEZETÉs Az elemi cella és ebből eredően a térrácsnak a szimmetriáját a kristályok esetében az atomok, ionok
RészletesebbenMatematikai geodéziai számítások 5.
Matematikai geodéziai számítások 5 Hibaterjedési feladatok Dr Bácsatyai László Matematikai geodéziai számítások 5: Hibaterjedési feladatok Dr Bácsatyai László Lektor: Dr Benedek Judit Ez a modul a TÁMOP
Részletesebben