Régió alapú szegmentálás. Digitális képelemzés alapvető algoritmusai. 2. példa: Elfogadható eredmények. 1. példa: Jó eredmények. Csetverikov Dmitrij
|
|
- Hanna Deák
- 7 évvel ezelőtt
- Látták:
Átírás
1 Régó alapú szegmentálás Dgtáls képelemzés alapvető algortmusa Csetverkov Dmtrj Eötvös Lóránd Egyetem, Budapest Informatka Kar 1 Küszöbölés példá és elemzése Küszöbölés példák Küszöbölés elemzése 2 A régó alapú szegmentálás elve 3 Régó alapú szegmentálás eljárások Régó-növesztés Régó-egyesítés Vágás-és-egyesítés 4 Példák és összefoglaló 1. példa: Jó eredmények 2. példa: Elfogadható eredmények kép hsztogram Otsu Gauss képek Otsu Gauss A Gauss-módszer alacsonyabb küszöböt ad. kssé jobban tölt k a kontúrokat, mnt az Otsu Otsu-küszöb: T = 158, pontosan a völgyben a vonalak jól elkülönülnek Gauss-küszöb: T = 199, túl magas egyes vonalak nem különülnek el jól
2 3. példa: Gauss-módszer rossz eredményt ad 4. példa: Gauss-módszer nem ad eredményt kép hsztogram Otsu T = 159 Gauss T = 201 Az Otsu algortmus megtalálja a ks osztályt (sötét körök) A Gauss algortmus megpróbálja szétválasztan a háttér két modusát, mert az objektum osztály túl kcs és túl messze van (de az s lehet, hogy rosszul ncalzáltuk) kép hsztogram Otsu kép hsztogram Otsu Csak az Otsu-módszer ad eredményt és az eredmény értelmezhető A Gauss-módszer nem ad semm eredményt. bal: egymodusú hsztogram, az llesztés nem megy jobb: llesztés megy, de az egyenletnek nncs valós gyöke A gradens felhasználása hsztogram-javításra Valós példa hsztogram-javításra t edge object P() orgnal background mproved t kép gradens élek A cél az objektum és a háttér jobb elválasztása. Az élek körül ntenztások a két osztály között vannak. elmossák az osztályok között határt Hsztogram-javítás ötlete az élek körül pontokban magas a gradens a háttér- és objektum-pontokban alacsony a gradens hsztogramból zárjunk k magas gradensű pontokat eredet hsztogram javított hsztogram küszöbölés
3 Küszöbölés kontra éldetektálás Küszöbölés korláta 1/2 thresholds f(x) f (x) x változó hátterű kép nem küszöbölhető de az éleket detektáljuk Fx értékű küszöbölés nem adaptív művelet. előny: zárt kontúrokat garantál hátrány: nem működk változó hátterű képekre T(x, y) adaptív küszöb kell Éldetektálás lokálsan adaptív művelet. csak a lokáls kontraszt számít előny: működk változó hátterű képekre hátrány: nem garantál zárt kontúrokat kőzetrepedés Otsu más módszer Küszöböléssel szemben elvárások feladatfüggőek. Elvárások között geometra tulajdonságok s lehetnek. hsztogram nem tartalmaz geometra nformácót a repedést kzárolag ntenttása matt detektáljuk ember szem ezzel szemben hosszú vonalat lát Küszöbölés korláta 2/2 A régó alapú szegmentálás célja Osszuk fel az I képet n darab R 1,...,R n regóra, amely összefüggő és homogén kőzet Otsu más módszer Ebben az esetben az eredmény mnősége nem vlágos. Küszöbölés nem vesz fgyelembe strukturáls nformácót. tetszőlegesen felcserélt képelemekre eredmény ugyanaz nem garantál összefüggő objektumokat, régókat Régó alapú módszerekre van szükség. fgyelembe vesznek ntenztást s, struktúrát s Ehhez defníáljunk egy P(R) homogénség krtérumot, amely mnden R I régóra alkalmazható. P(R) = TRUE, ha mnden R-bel képelemnek hasolnló tulajdonsága vannak. R homogén Egyébként, P(R) = FALSE. R nhomogén (nem homogén)
4 Régó homogénség A szegmentálás defnícója Homogénség krtérumok példá egy R régóban I max I mn kcs bármelyk I(x, y) R pxelre I(x, y) I mean kcs a σ R ntenztás-szórás az R régóban kcs A szegmentálás eredménye a következőktől függ: mlyen kép tulajdonságokat használunk ntenztás, szín, textúra hogyan hasonlítjuk össze a tulajdonságokat mekkora változásokat tolerálunk régón belül Az I képet n darab R 1,...,R n régóra bontjuk úgy, hogy teljesülnek az alább feltételek. n R = I. =1 mnden pxel valamely régóhoz tartózk (teljesség) Mndegyk R összefüggő. topológa összefüggősség A szegmentálás defnícója (folytatás) Összefüggősség dgtáls képekben R R j = mnden, j-re, j a régók dszjunktak (nncs közös pxel) P(R ) = TRUE mnden -re mndegyk régó homogén P(R R j ) = FALSE mnden szomszédos R, R j -re, j. két bármelyk szomszédos régó unója nhomogén a regók számá lehetőleg mnmáls legyen négy szomszéd nyolc szomszéd Attól függ, hogy hány szomszédot tekntünk összefüggőnek az adott pxellel. Két p, q S pxel összefüggő az S halmazban, ha létezk egy p 0 = p, p 1,...,p n = q, p S pxelsorozat, amely összeköt p-t és q-t úgy, hogy p és p 1 szomszédok. Egy S képelemhalmaz összefüggő régó, ha az összes képeleme összefügg az S-ben.
5 Példák topológa összefüggésre Régó-növesztés q? p set 1 set 2 set 3 Az 1.halmaz 4- és 8-összefüggő. egy 4-összefüggő régó egyben 8-összefüggő s p és q pxel 4- és 8-összefüggő az 1.halmazban A 2.halmaz 8-összefüggő, de nem 4-összefüggő. két darab 4-összefüggő régóból áll Pxeleket vagy ksebb régókat nagyobb régókba csoportosítunk. Addg növesztünk, amg a homogénség krtérumunk enged. Angolul: regon growng A 3.halmaz 4- és 8-összefüggő. Pxel-felhalmozás Régó-egyesítés Kválasztunk magpontokat és homogénség krtérumot. Régót növesztünk mnden magpontból. hozzáadunk hasonló szomszédos képelemeket Angolul: pxel aggregaton seed ponts Pxel-felhalmozás a régó-növesztés egyszerű formája. Régó-egyesítés a régó-növesztés egyk formája. Külön műveletként s használják. pl. pxel-felhalmozás után Vagy beépítk egy teratív szegmentácós algortmusba. Angolul: regon mergng
6 Régó-növesztés pxel-felhalmozással De m s a határpxel? Algortmus: Pxel-felhalmozás 1 Incalzálás kválasztunk N darab s magpontot és egy T küszöböt magpontokkal ncalzálunk N régót: R (0) = s ncalzáljuk a régók átlagértéket: M (0) = I(s ) 2 Iterácó, k-k lépés megvzsgáljuk az összes R (k) mnden határpxelének 8-szomszédjat ha van olyan új szomszéd, p, amelyre I(p) M (k) T, akkor p-t hozzáadjuk R (k) -hez 3 Megállunk, ha nem tudunk tovább növeszten; különben felfrssítjük az összes M (k) -t és terálunk set 4 border 8 border nteror pxel p S egy határpxel, ha van szomszédja S-ben különben p egy belső pxel Függ attól, hogy melyk szomszédságot használunk. később precízebb defnícót adunk A pxel-felhalmozás algortmusunk 8-szomszédságot használ. Numerkus példa pxel-felhalmozásra Régó-egyesítés a a b b b a a a a a a a b b b a a a a a a a b b b a a a a a a a b b b a a a a a a a b b b a a a a a kép két maggal eredmény, T = 4 eredmény, T = 8 Ezekben a példákban a homogénség krtérum a T maxmáls megengedett abszolút különbség régón belül a növesztés befejezése után régó-egyesítést alkalmaztunk Problémák pxel-felhalmozással hogyan valasszuk k a magpontokat? az eredmény függ a magpontoktől Régó-egyesítés régó-növesztés egyk típusa. Felhasználható, amkor szomszédos régók hasonló tulajdonságokkal rendelkeznek. feltehetően egy szegmens része egybeolvaszthatók Tpkus példa: régó-felhalmozáskor több mag került egy szegmensbe a szegmens több régóra bomlott ezek egybeolvaszthatók
7 Lehetséges régó-egyesítés krtérumok Régó-növesztés egyesítéssel weak boundares R 1 R 4 R 2 R 3 merge R 5 R 5 R m =R 1 UR 2 UR 4 Két szomszédos régó, R és R j únója homógén: P(R R j ) = TRUE vagy Az R és R j közt határ "gyenge" a határon nncs erős él (nagy gradens) vagy a határon sok a ksgradensű pxel R 3 A képet sok ksebb homogén magrégóra bontjuk. körülbelül konstans ntenztás vagy más lokáls tulajdonság Ezek után teratívan egyesítjük a szomszédos régókat. Megállunk, amkor tovább egyesítés már nem lehetséges. De honnan lesznek magrégónk? Régó-növesztés összefoglalója vagy El akarjuk kerüln magpxelek nteraktív megadását. Használhatunk sűrű szabályos magpxel-rácsot ezekből kndulva felhalmozással sok magrégót kapunk (az esetleg be nem járt pxeleket külön kell feldolgozn) az eredmény túlszegmentált (oversegmented) lesz jöhet az teratív egyesítés Véggpásztázhatjuk a képet mnden fel nem dolgozott pontból ndítunk felhalmozást a kapott magrégókat teratívan egyesítjük az eredmény függ a pásztázás sorrendjétől Előnyök garantáltan összefüggő régók beépíthetjük az elvárásokat (a pror tudást) alak, méret, textúra kívánt tulajdonságokkal rendelkező régókat kapunk Hátrányok magpxelek kjelőlése nem egyszerű sok a heursztka: egyesítés szabályok, gyenge határok soros módszer: nem párhuzamosítható sorrend-függő: az eredmény függ a feldolgozás sorrendtől erre vannak megoldások, de azok nem tökéletesek
8 Vágás-és-egyesítés és négyesfa Szegmentálás vágás-és-egyesítéssel Algortmus: Vágás-és-egyesítés algortmus 1 Föntről lefelé (top-down) felosztjuk a képet egyre csökkenő méretű R kockákra megállunk, ha az összes kocka homogén: P(R ) = TRUE az eredmény egy négyesfa 2 Lentről fölfelé (bottom-up) mnden sznten egyesítünk két szomszédos R és R j régót, ha P(R R j ) = TRUE 3 Iteráljuk a két fázst, amg van új felosztás vagy egyesítés Vágás-és-egyesítés: splt-and-merge Négyesfa: quadtree 1 A B Splt D C A B D C A B C D A B C D vágás-és-egyesítés 2 A B D C A B D C 3 4 Merge R 2 R 1 R 2 1C,2D,3A R 1 1 (A,B,D) 2 (A,B,C) 3 (B,C,D) 4 szegmentált régók Vágás-és-egyesítés összefoglalója Pxel-felhalmozás növekvő küszöbbel Előnyök garantáltan összefüggő régók beépíthetjük az elvárásokat, bár csak ksebb mértékben Hátrányok ha egy képet elfogatva vagy eltolva dgtalzálunk, lényegesen más eredményt kaphatunk a negyzetes struktúra látszk az eredményképen egyszerű formában csak vertkáls adatforgalmat támogat két szomszédos régó messze lehet egymástól a négyesfában Tpkus alkalmazás terület Földrajz Informacós Rendszerek (GIS) kép magokkal T = 20 T = 30 T = 40 Ha T = 20, a változó arcrégó nem tud nőn a ksváltozású hajrégó nagy területet foglal el Ha T = 30, az arcrégó tovább tud terjedn a hajrégó csökken Az eredmény függ a magpxelektől
9 Régó-növesztés egyesítéssel növekvő küszöbre Egyesítés és felhalmozás összehasonlítása T = 20 T = 30 T = 40 Növekvő küszöbre a régók száma csökken a szegmentálás kevésbé fnom lesz a hajrégó nő Itt véggpásztáztuk a képet és mnden új pontból ndítottunk magrégót. egyesít. T = 20 egyesít. T = 40 felhalm. T = 20 felhalm. T = 40 Egyesítés növekvő küszöbbel a hajrégó nő Felhalmozás növekvő küszöbbel a hajrégó csökken Vágás-és-egyesítés kontra egyesítés Más szegmentálás módszerek 1/2 Varacós aktív kontúrok level set módszerek Statsztka pl. Markov Random Mezők (MRF) sejtkép T = 40 T = 50 T = 60 Modell alapú adott alakú és más tulajdonságú régók keresése Vágás-és-egyesítés, felső sor: négyzetes struktúra látszk Egyesítés, alsó sor: fnomabb eredmény
10 Más szegmentálás módszerek 2/2 Él alapú objektumok kontúrkeresése élkövetéssel Textúra, szín alapú régók textúráját, színét használják Mozgás alapú objektumok szegmentálása mozgás alapján
3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás 17. 3D Szegmentálás http://cg.t.bme.hu/portal/node/312 https://www.vk.bme.hu/kepzes/targyak/viiiav54 Dr. Várady Tamás, Dr. Salv Péter BME, Vllamosmérnök
Részletesebben3D-s számítógépes geometria
3D-s számítógépes geometra 11. 3D szegmentálás http://cg.t.bme.hu/portal/node/31 https://www.vk.bme.hu/kepzes/targyak/viiiav01 Dr. Várady Tamás BME, Vllamosmérnök és Informatka Kar Irányítástechnka és
Részletesebben10. Alakzatok és minták detektálása
0. Alakzatok és mnták detektálása Kató Zoltán Képfeldolgozás és Számítógépes Grafka tanszék SZTE http://www.nf.u-szeged.hu/~kato/teachng/ 2 Hough transzformácó Éldetektálás során csak élpontok halmazát
RészletesebbenA sokaság/minta eloszlásának jellemzése
3. előadás A sokaság/mnta eloszlásának jellemzése tpkus értékek meghatározása; az adatok különbözőségének vzsgálata, a sokaság/mnta eloszlásgörbéjének elemzése. Eloszlásjellemzők Középértékek helyzet (Me,
Részletesebben4 Approximációs algoritmusok szorzatalakú hálózatok esetén
4 Approxmácós algortmusok szorzatalakú hálózatok esetén Az MVA-n alapuló approxmácó (Bard-Schwetzer-módszer): Beérkezés tétel: T () = 1 µ [1+ ( 1) ], =1,...,N Iterácó a következő approxmácó használatával:
RészletesebbenMéréselmélet: 5. előadás,
5. Modellllesztés (folyt.) Méréselmélet: 5. előadás, 03.03.3. Út az adaptív elárásokhoz: (85) és (88) alapán: W P, ( ( P). Ez utóbb mndkét oldalát megszorozva az mátrxszal: W W ( ( n ). (9) Feltételezve,
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
RészletesebbenFuzzy rendszerek. A fuzzy halmaz és a fuzzy logika
Fuzzy rendszerek A fuzzy halmaz és a fuzzy logka A hagyományos kétértékű logka, melyet évezredek óta alkalmazunk a tudományban, és amelyet George Boole (1815-1864) fogalmazott meg matematkalag, azon a
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás b Háromszöghálók - algortmusok http://cgtbmehu/portal/node/3 https://wwwvkbmehu/kepzes/targyak/viiiav54 Dr Várady Tamás, Dr Salv Péter BME, Vllamosmérnök
RészletesebbenSupport Vector Machines
Support Vector Machnes Ormánd Róbert MA-SZE Mest. Int. Kutatócsoport 2009. február 17. Előadás vázlata Rövd bevezetés a gép tanulásba Bevezetés az SVM tanuló módszerbe Alapötlet Nem szeparálható eset Kernel
RészletesebbenAdatsorok jellegadó értékei
Adatsorok jellegadó értéke Varga Ágnes egyetem tanársegéd varga.ag14@gmal.com Terület és térnformatka kvanttatív elemzés módszerek BCE Geo Intézet Terület elemzés forgatókönyve vacsora hasonlat Terület
RészletesebbenLeica DISTOTMD510. X310 The original laser distance meter. The original laser distance meter
TM Leca DISTO Leca DISTOTMD510 X10 The orgnal laser dstance meter The orgnal laser dstance meter Tartalomjegyzék A műszer beállítása - - - - - - - - - - - - - - - - - - - - - - - - - 2 Bevezetés - - -
RészletesebbenThe original laser distance meter. The original laser distance meter
Leca Leca DISTO DISTO TM TM D510 X310 The orgnal laser dstance meter The orgnal laser dstance meter Tartalomjegyzék A műszer beállítása - - - - - - - - - - - - - - - - - - - - - - - - - 2 Bevezetés - -
RészletesebbenAlgoritmusok és adatszerkezetek gyakorlat 09 Rendezések
Algortmusok és adatszerkezetek gyakorlat 09 Rendezések Néhány órával ezelőtt megsmerkedtünk már a Merge Sort rendező algortmussal. A Merge Sort-ról tuduk, hogy a legrosszabb eset dőgénye O(n log n). Tetszőleges
RészletesebbenElengedhetetlen a játékokban, mozi produkciós eszközökben Nélküle kvantum hatás lép fel. Az objektumok áthaladnak a többi objektumon
Bevezetés Ütközés detektálás Elengedhetetlen a játékokban, mozi produkciós eszközökben Nélküle kvantum hatás lép fel Az objektumok áthaladnak a többi objektumon A valósághű megjelenítés része Nem tisztán
RészletesebbenEM algoritmus. A feladat: egy valószínűség eloszlás valmilyen paraméterét(vektorát) akarjuk becsülni részlegesen megfigyelhető.
Szegmentálás Szegmentálás Hsztogram alapján, paraméteres hsztogram modell, EM algortmus Pontokra egyenes, lletve előre defnált alakú görbe llesztés, Hough transzformácó Modell alapú szegmentálás, ASM (AAM)
RészletesebbenAlgoritmuselmélet. 2-3 fák. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 8.
Algoritmuselmélet 2-3 fák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 8. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet 8. előadás
RészletesebbenLényege: valamilyen szempont szerint homogén csoportok képzése a pixelekből. Amit már ismerünk:
Lényege: valamilyen szempont szerint homogén csoportok képzése a pixelekből. Amit már ismerünk: Küszöbölés, vágás, sávkijelölés hátránya: az azonos csoportba sorolt pixelek nem feltétlenül alkotnak összefüggő
RészletesebbenBevezetés a programozásba. 3. Előadás Algoritmusok, tételek
Bevezetés progrmozásb 3. Elődás Algortmusok, tételek ISMÉTLÉS Specfkácó Előfeltétel: mlyen körülmények között követelünk helyes működést Utófeltétel: mt várunk kmenettől, m z összefüggés kmenet és bemenet
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
RészletesebbenStatisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
RészletesebbenADATREDUKCIÓ I. Középértékek
ADATREDUKCIÓ I. Középértékek Adatredukcó 1. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények: a) Számított középérték: közbenső helyet foglaljanak el, azaz mn középérték
RészletesebbenMETROLÓGIA ÉS HIBASZÁMíTÁS
METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.
Részletesebben4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a bometrába Dr. Dnya Elek egyetem tanár PhD kurzus. KOKI, 205.0.08. ADATREDUKCIÓ I. Középértékek Adatredukcó. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények:
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
RészletesebbenPéldák ekvivalencia relációra (TÉTELként kell tudni ezeket zárthelyin, vizsgán):
F NIK INÁRIS RLÁIÓK INÁRIS RLÁIÓK (és hasonló mátrxok s tt!) Defnícó: z R bnárs relácó, ha R {( a, b) a, b } nárs relácók lehetséges tuladonsága:. Reflexív ha ( x,.(a). Szmmetrkus ha ( x, y) ( y,.(b).
RészletesebbenLineáris egyenletrendszerek
Lineáris egyenletrendszerek 1 Alapfogalmak 1 Deníció Egy m egyenletb l álló, n-ismeretlenes lineáris egyenletrendszer általános alakja: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
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
RészletesebbenKépszűrés II. Digitális képelemzés alapvető algoritmusai. Laplace-operátor és approximációja. Laplace-szűrő és átlagolás. Csetverikov Dmitrij
Képszűrés II Digitális képelemzés alapvető algoritmusai Csetverikov Dmitrij Eötvös Lóránd Egyetem, Budapest csetverikov@sztaki.hu http://vision.sztaki.hu Informatikai Kar 1 Laplace-szűrő 2 Gauss- és Laplace-képpiramis
RészletesebbenStatisztika I. 3. előadás. Előadó: Dr. Ertsey Imre
Statsztka I. 3. előadás Előadó: Dr. Ertsey Imre Vszonyszámok Statsztka munka: adatgyűjtés, rendszerezés, összegzés, értékelés. Vszonyszámok: Két statsztka adat arányát kfejező számok, Az un. leszármaztatott
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
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
RészletesebbenAz entrópia statisztikus értelmezése
Az entrópa statsztkus értelmezése A tapasztalat azt mutatja hogy annak ellenére hogy egy gáz molekulá egyed mozgást végeznek vselkedésükben mégs szabályszerűségek vannak. Statsztka jellegű vselkedés szabályok
RészletesebbenIndirekt térfogat-vizualizáció. Fourier térfogat-vizualizáció. Tomográfiás rekonstrukció. Radon-transzformáció. A Fourier vetítő sík tétel
Vzualzácós algortmusok csoportosítása Indrekt térfogat-vzualzácó Csébfalv Balázs Budapest Műszak és Gazdaságtudomány Egyetem Irányítástechnka és Informatka Tanszék Drekt vzualzácó: Közvetlenül a dszkrét
RészletesebbenMinősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
Részletesebbend(f(x), f(y)) q d(x, y), ahol 0 q < 1.
Fxponttétel Már a hétköznap életben s gyakran tapasztaltuk, hogy két pont között a távolságot nem feltétlenül a " kettő között egyenes szakasz hossza" adja Pl két település között a távolságot közlekedés
RészletesebbenA mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
Részletesebben12. előadás. Egyenletrendszerek, mátrixok. Dr. Szörényi Miklós, Dr. Kallós Gábor
12. előadás Egyenletrendszerek, mátrixok Dr. Szörényi Miklós, Dr. Kallós Gábor 2015 2016 1 Tartalom Matematikai alapok Vektorok és mátrixok megadása Tömbkonstansok Lineáris műveletek Mátrixok szorzása
RészletesebbenE-tananyag Matematika 9. évfolyam 2014. Függvények
Függvények Függvények értelmezése Legyen adott az A és B két nem üres halmaz. Az A halmaz minden egyes eleméhez rendeljük hozzá a B halmaz egy-egy elemét. Ez a hozzárendelés egyértelmű, és ezt a hozzárendelést
RészletesebbenEGYSZERŰ, NEM IRÁNYÍTOTT (IRÁNYÍTATLAN) GRÁF
Összefoglaló Gráfok / EGYSZERŰ, NEM IRÁNYÍTOTT (IRÁNYÍTATLAN) GRÁF Adott a G = (V, E) gráf ahol a V a csomópontok, E az élek halmaza E = {(x, y) x, y V, x y (nincs hurokél) és (x, y) = (y, x)) Jelölések:
Részletesebben2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 7. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenKépfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika
Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés
RészletesebbenNagy András. Feladatok a logaritmus témaköréhez 11. osztály 2010.
Nagy András Feladatok a logaritmus témaköréhez. osztály 00. Feladatok a logaritmus témaköréhez. osztály ) Írd fel a következő egyenlőségeket hatványalakban! a) log 9 = b) log 4 = - c) log 7 = d) lg 0 =
RészletesebbenDigitális képek szegmentálása. 5. Textúra. Kató Zoltán.
Digitális képek szegmentálása 5. Textúra Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Textúra fogalma Sklansky: Egy képen egy területnek állandó textúrája van ha a lokális statisztikák vagy
RészletesebbenExplicit hibabecslés Maxwell-egyenletek numerikus megoldásához
Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához Izsák Ferenc 2007. szeptember 17. Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához 1 Vázlat Bevezetés: a vizsgált egyenlet,
RészletesebbenA multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege
A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése
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
RészletesebbenBevezetés. Számábrázolás, aritmetikai műveletek. Informatika alapjai-1 Bevezetés, számábrázolás 1/7. Nem törekszünk pontos definíciókra!
Informatka alapja-1 Bevezetés, számábrázolás 1/7 Bevezetés Nem törekszünk pontos defnícókra! Informácó: a valóság képe Informácó lehet: - kép (rajz, fénykép) - szöveg (beszéd, írás) - zene (Ez mlyen valóság
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
RészletesebbenAz elektromos kölcsönhatás
TÓTH.: lektrosztatka/ (kbővített óravázlat) z elektromos kölcsönhatás Rég tapasztalat, hogy megdörzsölt testek különös erőket tudnak kfejten. Így pl. megdörzsölt műanyagok (fésű), megdörzsölt üveg- vagy
Részletesebben8. Programozási tételek felsoroló típusokra
8. Programozás tételek felsoroló típusokra Ha egy adatot elem értékek csoportja reprezentál, akkor az adat feldolgozása ezen értékek feldolgozásából áll. Az lyen adat típusának lényeges jellemzője, hogy
RészletesebbenSzámelmélet, műveletek, egyenletek, algebrai kifejezések, egyéb
Számelmélet, műveletek, egyenletek, algebrai kifejezések, egyéb 2004_02/4 Tegyél * jelet a táblázat megfelelő rovataiba! Biztosan Lehet hogy, de nem biztos Lehetetlen a) b) c) Négy egymást követő természetes
Részletesebben9. Szegmentálás. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
9. Szegmentálás Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Szegmentálás célja Partícionáljuk a képet koherens objektumokra Nincs egzakt
RészletesebbenDr. Ratkó István. Matematikai módszerek orvosi alkalmazásai. 2010.11.08. Magyar Tudomány Napja. Gábor Dénes Főiskola
Dr. Ratkó István Matematka módszerek orvos alkalmazása 200..08. Magyar Tudomány Napja Gábor Dénes Főskola A valószínűségszámítás és matematka statsztka főskola oktatásakor a hallgatók néha megkérdezk egy-egy
RészletesebbenDescartes-féle, derékszögű koordináta-rendszer
Descartes-féle, derékszögű koordináta-rendszer A derékszögű koordináta-rendszerben a sík minden pontjához egy rendezett valós számpár rendelhető. A számpár első tagja (abszcissza) a pont y tengelytől mért
Részletesebben2012. október 2 és 4. Dr. Vincze Szilvia
2012. október 2 és 4. Dr. Vincze Szilvia Tartalomjegyzék 1.) Az egyváltozós valós függvény fogalma, műveletek 2.) Zérushely, polinomok zérushelye 3.) Korlátosság 4.) Monotonitás 5.) Szélsőérték 6.) Konvex
RészletesebbenSorozatok határértéke SOROZAT FOGALMA, MEGADÁSA, ÁBRÁZOLÁSA; KORLÁTOS ÉS MONOTON SOROZATOK
Sorozatok határértéke SOROZAT FOGALMA, MEGADÁSA, ÁBRÁZOLÁSA; KORLÁTOS ÉS MONOTON SOROZATOK Sorozat fogalma Definíció: Számsorozaton olyan függvényt értünk, amelynek értelmezési tartománya a pozitív egész
RészletesebbenVéletlenszám generátorok. 5. előadás
Véletlenszám generátorok 5. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes
RészletesebbenXI. ERDÉLYI TUDOMÁNYOS DIÁKKÖRI KONFERENCIA
XI. ERDÉLYI TUDOMÁNYOS DIÁKKÖRI KONFERENCIA KOLOZSVÁR, MÁJUS 23-24 OBJEKTUM-ORIENTÁLT ADATBÁZIS RENDSZEREK INDEXELÉSE Irányító tanár: Dr. Varga Vorca, Docens Babes-Bolya Tudományegyetem, Matematka és Informatka
RészletesebbenSzámelméleti alapfogalmak
1 Számelméleti alapfogalmak 1 Definíció Az a IN szám osztója a b IN számnak ha létezik c IN melyre a c = b Jelölése: a b 2 Példa a 0 bármely a számra teljesül, mivel c = 0 univerzálisan megfelel: a 0 =
RészletesebbenAlkalmazott modul: Programozás. Programozási tételek, rendezések. Programozási tételek Algoritmusok és programozási tételek
Eötvös Loránd Tudományegyetem Informatikai Kar Alkalmazott modul: Programozás, rendezések 2015 Giachetta Roberto groberto@inf.elte.hu http://people.inf.elte.hu/groberto Algoritmusok és programozási tételek
Részletesebben3D Számítógépes Geometria II.
3D Számítógépes Geometra II. 3. Szabadformáú felületek llesztése és smítása http://cg.t.bme.h/portal/3dgeo https://www.k.bme.h/kepzes/targyak/viiiav16 Dr. Várady Tamás Dr. Sal Péter BME Vllamosmérnök és
RészletesebbenLineáris regresszió. Statisztika I., 4. alkalom
Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı
RészletesebbenFeladatok a logaritmus témaköréhez 11. osztály, középszint
TÁMOP-4-08/-009-00 A kompetencia alapú oktatás feltételeinek megteremtése Vas megye közoktatási intézményeiben Feladatok a logaritmus témaköréhez osztály, középszint Vasvár, 00 május összeállította: Nagy
RészletesebbenEgy (k) küszöb esetén [0, 1] intenzitástartományt feltételezve (v 2 v 2 ):
A kép (I) intenzitástartományt folytonos tartományokra osztjuk. Az eredményképen minden egyes tartományhoz egyetlen (egyedi) értéket rendelünk. Egy (k) küszöb esetén [0, 1] intenzitástartományt feltételezve
RészletesebbenMűveletek mátrixokkal. Kalkulus. 2018/2019 ősz
2018/2019 ősz Elérhetőségek Előadó: (safaro@math.bme.hu) Fogadóóra: hétfő 9-10 (H épület 3. emelet 310-es ajtó) A pontos tárgykövetelmények a www.math.bme.hu/~safaro/kalkulus oldalon találhatóak. A mátrix
Részletesebben6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének
6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük
RészletesebbenBánsághi Anna 2014 Bánsághi Anna 1 of 68
IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 3. ELŐADÁS - PROGRAMOZÁSI TÉTELEK 2014 Bánsághi Anna 1 of 68 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív
Részletesebben6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján
Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei
RészletesebbenDinamikus programozás II.
Dinamikus programozás II. Dinamikus programozás stratégiája A dinamikus programozás stratégiája 1. Az [optimális] megoldás szerkezetének tanulmányozása. 2. Részproblémákra és összetevőkre bontás úgy, hogy:
RészletesebbenPhilosophiae Doctores. A sorozatban megjelent kötetek listája a kötet végén található
Phlosophae Doctores A sorozatban megjelent kötetek lstája a kötet végén található Benedek Gábor Evolúcós gazdaságok szmulácója AKADÉMIAI KIADÓ, BUDAPEST 3 Kadja az Akadéma Kadó, az 795-ben alapított Magyar
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)
RészletesebbenElosztott rendszerek játékelméleti elemzése: tervezés és öszönzés. Toka László
adat Távközlés és Médanformatka Tanszék Budapest Műszak és Gazdaságtudomány Egyetem Eurecom Telecom Pars Elosztott rendszerek játékelmélet elemzése: tervezés és öszönzés Toka László Tézsfüzet Témavezetők:
RészletesebbenHalmaz: alapfogalom, bizonyos elemek (matematikai objektumok) Egy halmaz akkor adott, ha minden objektumról eldönthető, hogy
1. előadás: Halmazelmélet Szabó Szilárd Halmazok Halmaz: alapfogalom, bizonyos elemek (matematikai objektumok) összessége. Egy halmaz akkor adott, ha minden objektumról eldönthető, hogy hozzátartozik-e,
RészletesebbenIntelligens elosztott rendszerek
Intellgens elosztott rendszerek VIMIAC2 Adatelőkészítés: hhetőségvzsgálat normálás stb. Patak Béla BME I.E. 414, 463-26-79 atak@mt.bme.hu, htt://www.mt.bme.hu/general/staff/atak Valamlyen dőben állandó,
RészletesebbenKvantum-tömörítés II.
LOGO Kvantum-tömörítés II. Gyöngyös László BME Vllamosmérnök és Informatka Kar A kvantumcsatorna kapactása Kommunkácó kvantumbtekkel Klasszkus btek előnye Könnyű kezelhetőség Stabl kommunkácó Dszkrét értékek
Részletesebbenangolul: greedy algorithms, románul: algoritmi greedy
Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város
RészletesebbenMechanizmus-tervezés: szociális jóléti függvény nem kooperatív (versengő) ágensek. A megegyezés keresése és elérése: Tárgyalás (Negotiation)
Tárgyalások/1 Mechanzmus-tervezés: szocáls jólét függvény nem kooperatív (versengő) ágensek (Szavazás (Votng)) (Árverés (Aucton)) A megegyezés keresése és elérése: Tárgyalás (Negotaton) (Érvelés (Argung))
RészletesebbenFelvételi vizsga mintatételsor Informatika írásbeli vizsga
BABEȘ BOLYAI TUDOMÁNYEGYETEM MATEMATIKA ÉS INFORMATIKA KAR A. tételsor (30 pont) Felvételi vizsga mintatételsor Informatika írásbeli vizsga 1. (5p) Egy x biten tárolt egész adattípus (x szigorúan pozitív
RészletesebbenSmalltalk 2. Készítette: Szabó Éva
Smalltalk 2. Készítette: Szabó Éva Blokkok Paraméter nélküli blokk [műveletek] [ x := 5. 'Hello' print. 2+3] Kiértékelés: [művelet] value az értéke az utolsó művelet értéke lesz, de mindet kiírja. x :=
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intellgenca MI Egyszerű döntés. Tanuljuk meg! Dobroweck Tadeusz Eredcs Péter, és mások BME I.E. 437, 463-28-99 dobroweck@mt.bme.hu, http://www.mt.bme.hu/general/staff/tade Neuron doktrna: S.
RészletesebbenTanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
RészletesebbenÜtemezési problémák. Kis Tamás 1. ELTE Problémamegoldó Szeminárium, ősz 1 MTA SZTAKI. valamint ELTE, Operációkutatási Tanszék
Ütemezési problémák Kis Tamás 1 1 MTA SZTAKI valamint ELTE, Operációkutatási Tanszék ELTE Problémamegoldó Szeminárium, 2012. ősz Kivonat Alapfogalmak Mit is értünk ütemezésen? Gépütemezés 1 L max 1 rm
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,
RészletesebbenOptikai elmozdulás érzékelő illesztése STMF4 mikrovezérlőhöz és robot helyzetérzékelése. Szakdolgozat
Mskolc Egyetem Gépészmérnök és Informatka Kar Automatzálás és Infokommunkácós Intézet Tanszék Optka elmozdulás érzékelő llesztése STMF4 mkrovezérlőhöz és robot helyzetérzékelése Szakdolgozat Tervezésvezető:
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
RészletesebbenSorozatok I. Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma)
Sorozatok I. DEFINÍCIÓ: (Számsorozat) A számsorozat olyan függvény, amelynek értelmezési tartománya a pozitív egész számok halmaza, értékkészlete a valós számok egy részhalmaza. Jelölés: (a n ), {a n }.
Részletesebben1.5.1 Büntető-függvényes módszerek: SUMT, belső, külső büntetőfüggvény
.5 Első derváltat génylő módszerek Az első derváltat génylő módszerek (elsőrendű módszerek, melyek felhasználák a gradens nformácókat, általában hatékonyabbak, mnt a nulladrendű módszerek. Ennek az az
RészletesebbenFILMHANG RESTAURÁLÁS: A NEMLINEÁRIS KOMPENZÁLÁS
FILMHANG RESTAURÁLÁS: A NEMLINEÁRIS KOMPENZÁLÁS EGY GYAKORLATI ALKALMAZÁSA Bakó Tamás, dr. Dabócz Tamás Budapest Mszak és gazdaságtudomány Egyetem, Méréstechnka és Informácós Rendszerek Tanszék e-mal:
RészletesebbenSzerven belül egyenetlen dóziseloszlások és az LNT-modell
Szerven belül egyenetlen dózseloszlások és az LNT-modell Madas Balázs Gergely, Balásházy Imre MTA Energatudomány Kutatóközpont XXXVIII. Sugárvédelm Továbbképző Tanfolyam Hunguest Hotel Béke 2013. áprls
RészletesebbenA 2010/2011 tanévi Országos Középiskolai Tanulmányi Verseny második fordulójának megoldása. II. (programozás) kategória
Oktatási Hivatal A 20/2011 tanévi Országos Középiskolai Tanulmányi Verseny második fordulójának megoldása II. (programozás) kategória Kérjük a tisztelt kollégákat, hogy az egységes értékelés érdekében
RészletesebbenForgácsolási paraméterek mûvelet szintû optimalizálása
Gépgyártástechnológa 2000/3, pp. 9 15. Forgácsolás paraméterek mûvelet szntû optmalzálása Mkó Balázs 1 - Szánta Mhály 2 - Dr Szegh Imre 3 1 - udományos segédmunkatárs, 2 - Egyetem hallgató, 3 Egyetem docens
RészletesebbenMatematika szintfelmérő dolgozat a 2018 nyarán felvettek részére augusztus
Matematika szintfelmérő dolgozat a 018 nyarán felvettek részére 018. augusztus 1. (8 pont) Oldjuk meg a következő egyenletet a valós számok halmazán: 6 4 x 13 6 x + 6 9 x = 0 6 ( ) x 4 13 9 6 4 x 13 6
RészletesebbenMűszaki folyamatok közgazdasági elemzése. Kevert stratégiák és evolúciós játékok
Műszak folyamatok közgazdaság elemzése Kevert stratégák és evolúcós átékok Fogalmak: Példa: 1 szta stratéga Vegyes stratéga Ha m tszta stratéga létezk és a 1 m annak valószínűsége hogy az - edk átékos
RészletesebbenNKFP6-BKOMSZ05. Célzott mérőhálózat létrehozása a globális klímaváltozás magyarországi hatásainak nagypontosságú nyomon követésére. II.
NKFP6-BKOMSZ05 Célzott mérőhálózat létrehozása a globáls klímaváltozás magyarország hatásanak nagypontosságú nyomon követésére II. Munkaszakasz 2007.01.01. - 2008.01.02. Konzorcumvezető: Országos Meteorológa
RészletesebbenHozzárendelés, lineáris függvény
Hozzárendelés, lineáris függvény Feladat 1 A ménesben a lovak száma és a lábaik száma közötti összefüggést vizsgáljuk. Hány lába van 0; 1; 2; 3; 5; 7... lónak? Készíts értéktáblázatot, és ábrázold derékszögű
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
Részletesebben