Digitális képek szegmentálása. 5. Textúra. Kató Zoltán.
|
|
- Csenge Gáspár
- 7 évvel ezelőtt
- Látták:
Átírás
1 Digitális képek szegmentálása 5. Textúra Kató Zoltán
2 Textúra fogalma Sklansky: Egy képen egy területnek állandó textúrája van ha a lokális statisztikák vagy egyéb lokális tulajdonságok állandóak lassan változnak vagy Megközelítőleg periódikusak Texel: az ismétlődő minta-elem Értelmezésük szorosan kapcsolódik az emberi látáshoz: Az ismétlődő mintázatot nem egyenként érzékeljük hanem mint egy felület tulajdonságát ~szín szürkeárnyalat Egy textúrált felületet homogénnek érzékelünk Textúra fajtái: Determinisztikus: jól meghatározott geometriai alakzat ismétlődése Véletlen: változó mintázat rögzített statisztikai tulajdonságokkal pl. eloszlás
3 Determinisztikus textúrák 3
4 Véletlen textúrák 4
5 Textúra-élek 5 Élek ott keletkeznek ahol a textúra paraméterek megváltoznak: méret irány sűrűség kontraszt hosszúság szélesség Fontos jellemző a szegmentáláshoz
6 Gestalt pszihológia 6 Textúra-érzékelés leírása a Gestalt pszihológiára épül amely az emberi látás csoportosítási preferenciáival foglalkozik. A csoportosítás lényegében értelmes részekre bontja a látott képet. A csoportosítás alapja: szomszédság hasonlóság folytonosság szimmetria stabilitás bezárás zárt alakzat Textúra-érzékelés egyfajta perceptuális csoportosítás
7 Gestalt szabályok 7
8 Az egészet látjuk nem a részeket 8
9 Textúrák megkülönböztetése 9 Bela Julesz1966: Bizonyos textúrákat könnyedén első ránézésre meg tudunk különböztetni. különböző első- és másodrendű statisztikák esetén azonos másodrendű statisztikák esetén nehéz megkülönböztetni
10 Első- és másodrendű statisztika 10 Első rendű statisztika: az egyes elemek statisztikája például: méret árnyalat Másodrendű statisztika: páronkénti előfordulási gyakoriság
11 Jellemzők kapcsolat 11 Irány pozíció Szín vagy görbület de nem szín és görbület
12 Textúra leírás 1 A textúrák statisztikai leírása olyan textúrajellemzőket állít elő melyek egy régión belül homogének szegmentálás viszonylag könnyen elvégezhető Három fő típus: hisztogram elsőrendű statisztika együttes előfordulási co-occurence mátrix másodrendű statisztika textúra elemek eloszlása egy ablakon belül
13 Hisztogram momentumok 13 Egy x valószínűségi változó itt pixel-érték n. centrális-momentuma M n : Jól jellemzik a kép vagy egyes régiók textúráltságát. Második momentum jól jellemzi a kontrasztot ami fontos a textúrák jellemzésében is: Relatív simaság R: konstans intenzitás: R 0 nagy intenzitás-változás: R 1 M x 3. momentum a hisztogram alakjára szimmetria i 1 4. mometum a hisztogram laposságára jellemző Nem írja le a pixelek egymáshoz viszonyított elhelyezkedését. n R N i m n p x σ x i
14 Együttes előfordulási mátrix 14 A co-occurence mátrix az egymástól adott távolságban és irányban elhelyezkedő azonos szürkeárnyalatú pixel-párok számát adja meg. Ebből a mátrixból azután sokféle textúra-jellemzőt vezethetünk le. Clm i j megadja a valószínűségét annak hogy egy tetszőleges pixelérték l amíg a pixel megfelelő írányban és távolságban levő szomszédjának pixelértéke m. A co-occurence mátrix szimmetrikus. C l m i j occurence { Ii j l & Ii + i j+ j m} + + occurence { Ii j l & Ii i j j m} Írható más alakban is ~polárkoordináta: Clm dθ
15 Együttes előfordulási mátrix - példa 15 Tekintsük az alábbi 6-színű képet és Clm 01: Horizontálisan szomszéd pixelek együttes előfordulása Clm 01 6X6 mátrix 56 árnyalat esetén 56X56
16 16 Co-occurence textúra jellemzők + N l N m N l N m N l N m y x y x N l N m N l N m m l d m l C d L d m l C m l d I d m l C m l d S d m l C d m l C d H d m l C d E Lokális homogenitás Inercia Korreláció log Entrópia Energia θ θ θ θ σ σ θ µ µ θ θ θ θ θ θ Ezen jellemzőknek nincs közvetlen psziho-fizikai értelme de jól használhatók textúrák megkülönböztetésére.
17 Gabor textúra jellemzők 17 Multi-channel szűrőzés: Az emberi vizuális rendszer ihlette Campbell & Robson. Az elmélet szerint a vizuális rendszer felbontja a retinai képet több szűrt képre melyek mindegyike egy keskeny frekvencia méret- és irány-tartomány intenzitás-változásait tartalmazza. Az él-irányra merőleges. Gabor szűrők
18 Gabor szűrő -példa 18
19 Gabor szűrő-sorozat 19 Különböző irányra és frekvenciára érzékeny Gabor szűrők együttese.
20 Többcsatornás szűrőzés 0 Textúra-jellemzők kinyerése szűrősorozat segítségével. Minden egyes szűrő egy bizonyos irányra és egy bizonyos méretre érzékeny A szűrőzés lépései: A szűrők definiálása számuk matematikai formula szűrt képek A szűrt képekről a megfelelő textúra-jellemzők kinyerése feature képek A megfelelő feature képek kiválasztása amelyek segítségével el tudjuk különíteni a képen található textúrákat szegmentálás
21 Gabor szűrő 1 Gabor szűrő impulzus-függvénye: 1 x y h x y exp + cosπµ 0 σ σ x y x µ 0 - a szinuszos sík frekvenciája az X tengely mentén σ x és σ y - a Gauss burkoló szórása az X és Y tengely mentén.
22 Gabor szűrő a Fourier tartományban Fourier tartományban használjuk: Ez a reprezentáció megadja azt hogy a filter mennyire módosítja az input kép egyes frekvenciakomponenseit exp 1 exp v u v u v u u v u u A v u H σ σ σ σ u πσ x σ 1 v πσ y σ 1 y x A σ πσ
23 3 Diszkrét D Fourier traszformáció Egy M x N függvény kép diszkrét Fourier transzformáltja: Az inverz transzformáció: Szűrőzés: a kép Fourier transzformáltját szorozzuk a szűrő-függvény Fourier transzformáltjával Huv / / 1 M x N y N vy M ux j e y x f MN v u F π / / M u N v N vy M ux j e v u F y x f π
24 4 Diszkrét D Fourier traszformáció A transzformáció értéke -ban: Ha valós akkor Fourier transzformáltja szimmetrikus Ebből következik hogy a Fourier transzformált spektruma szimmetrikus: 00 v u átlaga y x f y x f MN F M x N y y x f * v u F v u F v u F v u F
25 Fourier transzformáció 5
26 Szűrőzés a frekvencia-tartományban 6 A Fourier frekvenciatartomány tulajdonságai: Alacsony frekvenciák: A kép lassan változó komponensei Magas frekvenciák : A gyorsabb szürkeárnyalatváltozások élek zaj A képen erős ±45 -os élek láthatók.
27 Gabor jellemzők: 1. szűrődefiníció 7 Farrokhnia-Jain 1991: 4 irány: θ Radiális frekvencia µ 0 értékei a képmérettől N kép szélessége függenek: µ N / 4 ciklus N A szükséges Gabor szűrők száma: 4log N c /.
28 Gabor szűrősorozat 8 Például 56 széles kép esetén 8 szűrőt használunk: 4 irány és 7 radiális frekvencia. Egy adott szűrő az általa lefedett ellipszis alakú tartományba eső frekvenciákat emeli ki.
29 Gabor szűrő példák 9
30 . Szűrők kiválasztása 30 A szűrt képek közül ki kell valasztani azokat amelyek már jól elkülönítik a textúrákat. LSE Least Square Error kritérium: s x y sˆ x y a szűrt képek összege jól közelíti az input képet a szűrt képek egy részének összege COD Coefficient of Determination: A teljes intenzitás-változásból mennyit tartalmaz sˆ x y SSE [ sˆ x y x y s x R y] 1 x y SSE [ s x y]
31 . Szűrők kiválasztása 31 Mivel az egyes Gabor szűrők között alig van átfedés sxy energiája E jól közelíthető: E n Ei Ei [ ri x y] r i xy - i. szűrt kép R i xy - i. szűrt kép diszkrét Fourier transzformáltja. E Így R i közelíthető: i 1 x y u v i s R E Az ideális szűrőket úgy választjuk ki hogy Kiszámoljuk E i t minden i1 n Rendezzük a szűrőket E i alapján Kiválasztjuk az első k szűrőt melyekre R elegendően nagy pl. >0.99 R i u v
32 3. Feature képek 3 A megfelelő szűrt képekből olyan feature képeket kell előállítanunk amelyek megközelítően homogén szürkeértékeket rendelnek a homogén textúrájú részekhez. Ezt a következő eljárással állítjuk elő Farrokhnia- Jain 1991: Nem-lineáris transzformációt alkalmazunk a szűrt képekre α konstans: αt 1 1+ ψ t tanh αt αt Az így kapott képet simítjuk egy Gauss szűrővel melynek szórása arányos a gabor szűrő frekvenciájával: σ k / u 0 e e
33 Feature kép példák 33
34 Szegmentálás 34 A helyesen kiválasztott feature képek alapján viszonylag könnyen elvégezhetjük a szegmentálást Küszöbölés klaszterezés régiónövelés MRF stb MRF szegmentálás
7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
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?
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
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
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
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
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenKéprestauráció Képhelyreállítás
Képrestauráció Képhelyreállítás Képrestauráció - A képrestauráció az a folyamat mellyel a sérült képből eltávolítjuk a degradációt, eredményképpen pedig az eredetihez minél közelebbi képet szeretnénk kapni
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
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenEllenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz
Ellenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz 1. Hogyan lehet osztályozni a jeleket időfüggvényük időtartama szerint? 2. Mi a periodikus jelek definiciója? (szöveg, képlet, 3. Milyen
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenÖnálló labor beszámoló Képek szegmentálása textúra analízis segítségével. MAJF21 Eisenberger András május 22. Konzulens: Dr.
Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével 2011. május 22. Konzulens: Dr. Pataki Béla Tartalomjegyzék 1. Bevezetés 2 2. Források 2 3. Kiértékelő szoftver 3 4. A képek feldolgozása
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
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
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
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
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
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
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenWavelet transzformáció
1 Wavelet transzformáció Más felbontás: Walsh, Haar, wavelet alapok! Eddig: amplitúdó vagy frekvencia leírás: Pl. egy rövid, Dirac-delta jellegű impulzus Fourier-transzformált: nagyon sok, kb. ugyanolyan
RészletesebbenDekonvolúció a mikroszkópiában. Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ
Dekonvolúció a mikroszkópiában Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ 2015 Fourier-Sorok Minden 2π szerint periodikus függvény előállítható f x ~ a 0 2 + (a
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
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,
RészletesebbenZ v 1 (t)v 2 (t τ)dt. R 12 (τ) = 1 R 12 (τ) = lim T T. ill. periódikus jelekre:
1 Korrelációs fügvények Hasonlóság mértéke a két függvény szorzatának integrálja Időbeli változások esetén lehet vizsgálni a hasonlóságot a τ relatív időkülönbség szerint: Keresztkorrelációs függvény:
RészletesebbenJelfeldolgozás - ANTAL Margit. impulzusválasz. tulajdonságai. Rendszerek. ANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem
Sapientia - Erdélyi Magyar Tudományegyetem 2007 Megnevezések Diszkrét Dirac jel Delta függvény Egységimpluzus függvény A diszkrét Dirac jel δ[n] = { 1, n = 0 0, n 0 d[n] { 1, n = n0 δ[n n 0 ] = 0, n n
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
RészletesebbenFourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 5-7. ea. 2017 ősz 5. Előadás témái Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Folytonos
RészletesebbenOrvosi Fizika és Statisztika
Orvosi Fizika és Statisztika Szegedi Tudományegyetem Általános Orvostudományi Kar Természettudományi és Informatikai Kar Orvosi Fizikai és Orvosi Informatikai Intézet www.szote.u-szeged.hu/dmi Orvosi fizika
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
RészletesebbenKANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR. Mikroelektronikai és Technológiai Intézet. Aktív Szűrők. Analóg és Hírközlési Áramkörök
KANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR Mikroelektronikai és Technológiai Intézet Analóg és Hírközlési Áramkörök Laboratóriumi Gyakorlatok Készítette: Joó Gábor és Pintér Tamás OE-MTI 2011 1.Szűrők
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
RészletesebbenA gyakorlat célja a fehér és a színes zaj bemutatása.
A gyakorlat célja a fehér és a színes zaj bemutatása. 1.@. FFT begyakorlása n = [:9]; % Harminc minta x = cos(*pi*n/1); % 1 mintát veszünk periodusonként N1 = 64; % Három módon számoljuk az FFT-t N = 18;
RészletesebbenAutoregresszív és mozgóátlag folyamatok. Géczi-Papp Renáta
Autoregresszív és mozgóátlag folyamatok Géczi-Papp Renáta Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
RészletesebbenAutoregresszív és mozgóátlag folyamatok
Géczi-Papp Renáta Autoregresszív és mozgóátlag folyamatok Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
RészletesebbenGeofizikai kutatómódszerek I.
Geofizikai kutatómódszerek I. A gravitációs és mágneses kutatómódszer Dr. Szabó Norbert Péter egyetemi docens Miskolci Egyetem Geofizikai Intézeti Tanszék e-mail: norbert.szabo.phd@gmail.com 1. A gravitációs
RészletesebbenAdatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
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:
RészletesebbenKépfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika
Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem. Jelfeldolgozás. ANTAL Margit. Adminisztratív. Bevezetés. Matematikai alapismeretek.
Jelfeldolgozás 1. Sapientia - Erdélyi Magyar Tudományegyetem 2007 és jeleket generáló és jeleket generáló és jeleket generáló Gyakorlatok - MATLAB (OCTAVE) (50%) Írásbeli vizsga (50%) és jeleket generáló
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenMérés és adatgyűjtés
Mérés és adatgyűjtés 4. óra Mingesz Róbert Szegedi Tudományegyetem 2012. február 27. MA - 4. óra Verzió: 2.1 Utolsó frissítés: 2012. március 12. 1/41 Tartalom I 1 Jelek 2 Mintavételezés 3 A/D konverterek
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
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
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
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?
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenKéprekonstrukció 3. előadás
Képrekonstrukció 3. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Computed Tomography (CT) Elv: Röntgen-sugarak áthatolása 3D objektum 3D térfogati kép Mérések
RészletesebbenDigitális jelfeldolgozás
Digitális jelfeldolgozás Mintavételezés és jel-rekonstrukció Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010.
RészletesebbenJelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék
Jelek és rendszerek 1 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék 1 Ajánlott irodalom: FODOR GYÖRGY : JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, Budapest, 2006
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
Részletesebbenhttp://www.nature.com 1) Magerő-sugár: a magközéppontból mért távolság, ameddig a magerők hatótávolsága terjed. Rutherford-szórásból határozható meg. R=1,4 x 10-13 A 1/3 cm Az atommag terének potenciálja
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY Dr. Soumelidis Alexandros 2018.10.25. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mintavételezés
Részletesebben1. ábra. 24B-19 feladat
. gyakorlat.. Feladat: (HN 4B-9) A +Q töltés egy hosszúságú egyenes szakasz mentén oszlik el egyenletesen (ld.. ábra.). Számítsuk ki az E elektromos térerősséget a vonal. ábra. 4B-9 feladat irányában lévő,
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
Részletesebben-2σ. 1. A végtelen kiterjedésű +σ és 2σ felületi töltéssűrűségű síklapok terében az ábrának megfelelően egy dipól helyezkedik el.
1. 2. 3. Mondat E1 E2 Össz Energetikai mérnöki alapszak Mérnöki fizika 2. ZH NÉV:.. 2018. május 15. Neptun kód:... g=10 m/s 2 ; ε 0 = 8.85 10 12 F/m; μ 0 = 4π 10 7 Vs/Am; c = 3 10 8 m/s Előadó: Márkus
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
RészletesebbenFourier transzformáció
a Matematika mérnököknek II. című tárgyhoz Fourier transzformáció Fourier transzformáció, heurisztika Tekintsük egy 2L szerint periodikus függvény Fourier sorát: f (x) = a 0 2 + ( ( nπ ) ( nπ )) a n cos
RészletesebbenCentrális határeloszlás-tétel
13. fejezet Centrális határeloszlás-tétel A valószínűségszámítás legfontosabb állításai azok, amelyek független valószínűségi változók normalizált összegeire vonatkoznak. A legfontosabb ilyen tételek a
RészletesebbenSzámítógépes gyakorlat MATLAB, Control System Toolbox
Számítógépes gyakorlat MATLAB, Control System Toolbox Bevezetés A gyakorlatok célja az irányítási rendszerek korszerű számítógépes vizsgálati és tervezési módszereinek bemutatása, az alkalmazáshoz szükséges
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenA +Q töltés egy L hosszúságú egyenes szakasz mentén oszlik el egyenletesen (ld ábra ábra
. Gyakorlat 4B-9 A +Q töltés egy L hosszúságú egyenes szakasz mentén oszlik el egyenletesen (ld. 4-6 ábra.). Számítsuk ki az E elektromos térerősséget a vonal irányában lévő, annak.. ábra. 4-6 ábra végpontjától
RészletesebbenA Hisztogram használata a digitális képszerkesztésben
Mechatronika, Optika és Mûszertechnika Tanszék A Hisztogram használata a digitális képszerkesztésben Tárgy: Fotó és Készítette: Curávy Tamás képszerkesztési technikák B1Y6IV Elõadó: Antal Á kos Budapest,
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK Dr. Soumelidis Alexandros 2018.10.18. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérések
RészletesebbenI. feladatsor. 9x x x 2 6x x 9x. 12x 9x2 3. 9x 2 + x. x(x + 3) 50 (d) f(x) = 8x + 4 x(x 2 25)
I. feladatsor () Határozza meg az alábbi függvények határozatlan integrálját: (a) f(x) = (b) f(x) = x + 4 9x + (c) f(x) = (d) f(x) = 6x + 5 5x + f(x) = (f) f(x) = x + x + 5 x 6x + (g) f(x) = (h) f(x) =
RészletesebbenRENDSZERTECHNIKA 8. GYAKORLAT
RENDSZERTECHNIKA 8. GYAKORLAT ÜTEMTERV VÁLTOZÁS Gyakorlat Hét Dátum Témakör Házi feladat Egyéb 1 1. hét 02.09 Ismétlés, bevezetés Differenciálegyenletek mérnöki 2 2. hét 02.16 szemmel 1. Hf kiadás 3 3.
RészletesebbenFolyadékszcintillációs spektroszkópia jegyz könyv
Folyadékszcintillációs spektroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc I. Mérés vezet je: Horváth Ákos Mérés dátuma: 2010. október 21. Leadás dátuma: 2010. november 8. 1 1. Bevezetés A mérés
RészletesebbenAz Ampère-Maxwell-féle gerjesztési törvény
Az Ampère-Maxwell-féle gerjesztési törvény Maxwell elméleti meggondolások alapján feltételezte, hogy a változó elektromos tér örvényes mágneses teret kelt (hasonlóan ahhoz ahogy a változó mágneses tér
RészletesebbenLineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
RészletesebbenDiszkrét Matematika. zöld könyv ): XIII. fejezet: 1583, 1587, 1588, 1590, Matematikai feladatgyűjtemény II. (
FELADATOK A LEKÉPEZÉSEK, PERMUTÁCIÓK TÉMAKÖRHÖZ Diszkrét Matematika 4. LEKÉPEZÉSEK Értelmezési tartomány és értékkészlet meghatározása : Összefoglaló feladatgyűjtemény matematikából ( zöld könyv ): XIII.
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenVillamosságtan szigorlati tételek
Villamosságtan szigorlati tételek 1.1. Egyenáramú hálózatok alaptörvényei 1.2. Lineáris egyenáramú hálózatok elemi számítása 1.3. Nemlineáris egyenáramú hálózatok elemi számítása 1.4. Egyenáramú hálózatok
Részletesebben2. Pont operációk. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
2. Pont operációk Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Kép transzformációk típusai Kép értékkészletének (radiometriai információ)
RészletesebbenIdősorok elemzése november 14. Spektrálelemzés, DF és ADF tesztek. Idősorok elemzése
Spektrálelemzés, DF és ADF tesztek 2017. november 14. SPEKTRÁL-ELEMZÉS Példa - BKV villamosenergia-terhelési görbéje Figure: BKV villamosenergia-terhelési görbéje, negyedóránkénti mérések (2 hét adatai,
RészletesebbenInverz Laplace-transzformáció. Vajda István március 4.
Analízis előadások Vajda István 2009. március 4. Definíció: Ha az f (t) függvény laplace-transzformáltja F (s), akkor f (t)-t az F (s) függvény inverz Laplace-transzformáltjának nevezzük. Definíció: Ha
RészletesebbenDiszkréten mintavételezett függvények
Diszkréten mintavételezett függvények A függvény (jel) értéke csak rögzített pontokban ismert, de köztes pontokban is meg akarjuk becsülni időben mintavételezett jel pixelekből álló műholdkép rácson futtatott
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenZaj- és rezgés. Törvényszerűségek
Zaj- és rezgés Törvényszerűségek A hang valamilyen közegben létrejövő rezgés. A vivőközeg szerint megkülönböztetünk: léghangot (a vivőközeg gáz, leggyakrabban levegő); folyadékhangot (a vivőközeg folyadék,
RészletesebbenMicrosoft Excel 2010. Gyakoriság
Microsoft Excel 2010 Gyakoriság Osztályközös gyakorisági tábla Nagy számú mérési adatokat csoportokba (osztályokba) rendezése -> könnyebb áttekintés Osztályokban szereplő adatok száma: osztályokhoz tartozó
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
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
RészletesebbenVan-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag)
, rangkorreláció Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
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,
RészletesebbenA Hamilton-Jacobi-egyenlet
A Hamilton-Jacobi-egyenlet Ha sikerül olyan kanonikus transzformációt találnunk, amely a Hamilton-függvényt zérusra transzformálja akkor valamennyi új koordináta és impulzus állandó lesz: H 0 Q k = H P
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
Részletesebben