Rendszámfelismerő rendszerek

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Rendszámfelismerő rendszerek"

Átírás

1 Problémamegoldó szeminárium Témavezető: Pataki Péter ARH Zrt. ELTE-TTK 2013

2 Tartalomjegyzék 1 Bevezetés 2 Út a megoldás felé 3 Felmerült problémák 4 Alkalmazott matematika 5 További lehetőségek

3 Motiváció Motiváció Beléptetőrendszerek automatizálása Statisztika készítése Úthasználat kiszámítása Valós idejű forgalomirányítás Közúti szabálysértési nyomozások megkönnyítése Szúrópróbaszerű ellenőrzések

4 Motiváció Motiváció Beléptetőrendszerek automatizálása Statisztika készítése Úthasználat kiszámítása Valós idejű forgalomirányítás Közúti szabálysértési nyomozások megkönnyítése Szúrópróbaszerű ellenőrzések

5 Motiváció Motiváció Beléptetőrendszerek automatizálása Statisztika készítése Úthasználat kiszámítása Valós idejű forgalomirányítás Közúti szabálysértési nyomozások megkönnyítése Szúrópróbaszerű ellenőrzések

6 Motiváció Motiváció Beléptetőrendszerek automatizálása Statisztika készítése Úthasználat kiszámítása Valós idejű forgalomirányítás Közúti szabálysértési nyomozások megkönnyítése Szúrópróbaszerű ellenőrzések

7 Motiváció Motiváció Beléptetőrendszerek automatizálása Statisztika készítése Úthasználat kiszámítása Valós idejű forgalomirányítás Közúti szabálysértési nyomozások megkönnyítése Szúrópróbaszerű ellenőrzések

8 Motiváció Motiváció Beléptetőrendszerek automatizálása Statisztika készítése Úthasználat kiszámítása Valós idejű forgalomirányítás Közúti szabálysértési nyomozások megkönnyítése Szúrópróbaszerű ellenőrzések

9 A probléma leírása A probléma leírása Rendszám(ok) megtalálása a képen Karakterek detektálása Karakterjellegű foltok kiszűrése (szennyeződések, hibák, matricák figyelmen kívül hagyása) Karakterek felismerése A rendszámtábla szövegének összeálĺıtása

10 A probléma leírása A probléma leírása Rendszám(ok) megtalálása a képen Karakterek detektálása Karakterjellegű foltok kiszűrése (szennyeződések, hibák, matricák figyelmen kívül hagyása) Karakterek felismerése A rendszámtábla szövegének összeálĺıtása

11 A probléma leírása A probléma leírása Rendszám(ok) megtalálása a képen Karakterek detektálása Karakterjellegű foltok kiszűrése (szennyeződések, hibák, matricák figyelmen kívül hagyása) Karakterek felismerése A rendszámtábla szövegének összeálĺıtása

12 A probléma leírása A probléma leírása Rendszám(ok) megtalálása a képen Karakterek detektálása Karakterjellegű foltok kiszűrése (szennyeződések, hibák, matricák figyelmen kívül hagyása) Karakterek felismerése A rendszámtábla szövegének összeálĺıtása

13 A probléma leírása A probléma leírása Rendszám(ok) megtalálása a képen Karakterek detektálása Karakterjellegű foltok kiszűrése (szennyeződések, hibák, matricák figyelmen kívül hagyása) Karakterek felismerése A rendszámtábla szövegének összeálĺıtása

14 Elkészült program Elkészült program Elkészült egy implementáció C#-ban Egyelőre felhasználói beavatkozást igényel Jól paraméterezett, automatizálásra alkalmas

15 Elkészült program Elkészült program Elkészült egy implementáció C#-ban Egyelőre felhasználói beavatkozást igényel Jól paraméterezett, automatizálásra alkalmas

16 Elkészült program Elkészült program Elkészült egy implementáció C#-ban Egyelőre felhasználói beavatkozást igényel Jól paraméterezett, automatizálásra alkalmas

17 A program lépései 1 Bemenet kezelése A bemeneti kép: nagy méretű, színes kép (RGB) Kicsinyítés, szürkeárnyalatossá konvertálás. Kép, mint mátrix, ahol az értékek [0, 255].

18 A program lépései 1 Bemenet kezelése A bemeneti kép: nagy méretű, színes kép (RGB) Kicsinyítés, szürkeárnyalatossá konvertálás. Kép, mint mátrix, ahol az értékek [0, 255].

19 A program lépései 1 Bemenet kezelése A bemeneti kép: nagy méretű, színes kép (RGB) Kicsinyítés, szürkeárnyalatossá konvertálás. Kép, mint mátrix, ahol az értékek [0, 255].

20 A program lépései 2 A karakterek keresése A rendszámtábla karaktereinek keresése Soronként haladva, keretet tolva adott érték fölötti intenzitáskülönbséget keresünk Hisztogramot kapunk: sorok sötét/világos váltakozások száma A kapott hisztogramból kivágjuk a megfelelő részt. A kivágott sor oszlopain keresünk tovább. Hol a rendszám? Új hisztogram készül ahol sűrű tüskéket keresünk Középről indulunk jobbra-balra, újra és újra bővítünk

21 A program lépései 2 A karakterek keresése A rendszámtábla karaktereinek keresése Soronként haladva, keretet tolva adott érték fölötti intenzitáskülönbséget keresünk Hisztogramot kapunk: sorok sötét/világos váltakozások száma A kapott hisztogramból kivágjuk a megfelelő részt. A kivágott sor oszlopain keresünk tovább. Hol a rendszám? Új hisztogram készül ahol sűrű tüskéket keresünk Középről indulunk jobbra-balra, újra és újra bővítünk

22 A program lépései 2 A karakterek keresése A rendszámtábla karaktereinek keresése Soronként haladva, keretet tolva adott érték fölötti intenzitáskülönbséget keresünk Hisztogramot kapunk: sorok sötét/világos váltakozások száma A kapott hisztogramból kivágjuk a megfelelő részt. A kivágott sor oszlopain keresünk tovább. Hol a rendszám? Új hisztogram készül ahol sűrű tüskéket keresünk Középről indulunk jobbra-balra, újra és újra bővítünk

23 A program lépései 2 A karakterek keresése A rendszámtábla karaktereinek keresése Soronként haladva, keretet tolva adott érték fölötti intenzitáskülönbséget keresünk Hisztogramot kapunk: sorok sötét/világos váltakozások száma A kapott hisztogramból kivágjuk a megfelelő részt. A kivágott sor oszlopain keresünk tovább. Hol a rendszám? Új hisztogram készül ahol sűrű tüskéket keresünk Középről indulunk jobbra-balra, újra és újra bővítünk

24 A program lépései 2 A karakterek keresése A rendszámtábla karaktereinek keresése Soronként haladva, keretet tolva adott érték fölötti intenzitáskülönbséget keresünk Hisztogramot kapunk: sorok sötét/világos váltakozások száma A kapott hisztogramból kivágjuk a megfelelő részt. A kivágott sor oszlopain keresünk tovább. Hol a rendszám? Új hisztogram készül ahol sűrű tüskéket keresünk Középről indulunk jobbra-balra, újra és újra bővítünk

25 A program lépései 2 A karakterek keresése A rendszámtábla karaktereinek keresése Soronként haladva, keretet tolva adott érték fölötti intenzitáskülönbséget keresünk Hisztogramot kapunk: sorok sötét/világos váltakozások száma A kapott hisztogramból kivágjuk a megfelelő részt. A kivágott sor oszlopain keresünk tovább. Hol a rendszám? Új hisztogram készül ahol sűrű tüskéket keresünk Középről indulunk jobbra-balra, újra és újra bővítünk

26 A program lépései 2 A karakterek keresése A rendszámtábla karaktereinek keresése Soronként haladva, keretet tolva adott érték fölötti intenzitáskülönbséget keresünk Hisztogramot kapunk: sorok sötét/világos váltakozások száma A kapott hisztogramból kivágjuk a megfelelő részt. A kivágott sor oszlopain keresünk tovább. Hol a rendszám? Új hisztogram készül ahol sűrű tüskéket keresünk Középről indulunk jobbra-balra, újra és újra bővítünk

27 A program lépései 3 A karakterek felfedése A szürke képből fekete-fehér,,bináris képet készítünk, a karakterek könnyebb kinyeréséhez Vágás, adott intenzitás alatt fehér, fölötte fekete Medián, Otsu-algoritmus, saját határalkotás

28 A program lépései 3 A karakterek felfedése A szürke képből fekete-fehér,,bináris képet készítünk, a karakterek könnyebb kinyeréséhez Vágás, adott intenzitás alatt fehér, fölötte fekete Medián, Otsu-algoritmus, saját határalkotás

29 A program lépései 3 A karakterek felfedése A szürke képből fekete-fehér,,bináris képet készítünk, a karakterek könnyebb kinyeréséhez Vágás, adott intenzitás alatt fehér, fölötte fekete Medián, Otsu-algoritmus, saját határalkotás

30 A program lépései 4 A karakterek kinyerése A karakterek szegmentálása, mi tartozik egybe, mi külön? Egy-egy fekete pixel megtalálása, majd innen indított rekurzív geometriai klaszterezés, amíg a kép összes fekete képpontja klaszterbe kerül

31 A program lépései 4 A karakterek kinyerése A karakterek szegmentálása, mi tartozik egybe, mi külön? Egy-egy fekete pixel megtalálása, majd innen indított rekurzív geometriai klaszterezés, amíg a kép összes fekete képpontja klaszterbe kerül

32 A program lépései 5 A karakterek szűrése A kinyert klaszterek valóban karakterek? Eldobjuk, ha 30 pixel alatti, vagy túl széles, vagy túl keskeny (ekkor az I betűk egy része is repül :) )

33 A program lépései 5 A karakterek szűrése A kinyert klaszterek valóban karakterek? Eldobjuk, ha 30 pixel alatti, vagy túl széles, vagy túl keskeny (ekkor az I betűk egy része is repül :) )

34 A program lépései 6 A karakterek felismerése Milyen karaktert látunk? A klasztert bekeretezzük, majd a referencia karaktereink képét az adott méretre konvertáljuk (újra binarizáljuk). Egyezés mértéke: fekete pixelek 2 súllyal, fehér pixelek 1 súllyal 80% fölött elfogadjuk, alatta elutasítjuk. Felismerés balról jobbra, fentről le. ±5 fokos forgatás

35 A program lépései 6 A karakterek felismerése Milyen karaktert látunk? A klasztert bekeretezzük, majd a referencia karaktereink képét az adott méretre konvertáljuk (újra binarizáljuk). Egyezés mértéke: fekete pixelek 2 súllyal, fehér pixelek 1 súllyal 80% fölött elfogadjuk, alatta elutasítjuk. Felismerés balról jobbra, fentről le. ±5 fokos forgatás

36 A program lépései 6 A karakterek felismerése Milyen karaktert látunk? A klasztert bekeretezzük, majd a referencia karaktereink képét az adott méretre konvertáljuk (újra binarizáljuk). Egyezés mértéke: fekete pixelek 2 súllyal, fehér pixelek 1 súllyal 80% fölött elfogadjuk, alatta elutasítjuk. Felismerés balról jobbra, fentről le. ±5 fokos forgatás

37 A program lépései 6 A karakterek felismerése Milyen karaktert látunk? A klasztert bekeretezzük, majd a referencia karaktereink képét az adott méretre konvertáljuk (újra binarizáljuk). Egyezés mértéke: fekete pixelek 2 súllyal, fehér pixelek 1 súllyal 80% fölött elfogadjuk, alatta elutasítjuk. Felismerés balról jobbra, fentről le. ±5 fokos forgatás

38 A program lépései 6 A karakterek felismerése Milyen karaktert látunk? A klasztert bekeretezzük, majd a referencia karaktereink képét az adott méretre konvertáljuk (újra binarizáljuk). Egyezés mértéke: fekete pixelek 2 súllyal, fehér pixelek 1 súllyal 80% fölött elfogadjuk, alatta elutasítjuk. Felismerés balról jobbra, fentről le. ±5 fokos forgatás

39 A program lépései 6 A karakterek felismerése Milyen karaktert látunk? A klasztert bekeretezzük, majd a referencia karaktereink képét az adott méretre konvertáljuk (újra binarizáljuk). Egyezés mértéke: fekete pixelek 2 súllyal, fehér pixelek 1 súllyal 80% fölött elfogadjuk, alatta elutasítjuk. Felismerés balról jobbra, fentről le. ±5 fokos forgatás

40 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

41 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

42 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

43 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

44 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

45 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

46 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

47 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

48 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

49 Felmerült és megoldott problémák Felmerült kérdések, megoldott problémák Probléma: Túl nagy felbontású kép, a klaszter túlcsordul Megoldás: Betöltéskor kicsinyítés Probléma: Teherautók krómozott rácsai elrontották a sorok varianciáját Megoldás: Elvetés lehetősége Probléma: Karakternek felismert szennyeződés Megoldás: Előszűrés, amely a jól felismert karakter magassága, szélessége alapján a túl nagy, túl kicsi foltokat kiszűri Probléma: A betűk teteje, alja lemarad Megoldás: 10%-os növelés lehetősége Probléma: Fekete alapon fehér vagy fehér alapon fekete rendszám? Megoldás: Színcsere lehetősége

50 Egyelőre megoldatlan problémák Felmerült megoldatlan problémák Dőlő és lejtő karakterek ügyes felismerése Olyan rendszám felismerése, amiben fekete alapon fehér és fehér alapon fekete karakterek is vannak Hisztogram helyett 2D-s csomósodás keresése Összenőtt karakterek vágása, széteső karakterek összerakása Karakterek rendezése karakterfoltok középpontjait egyenes(ek)re illesztve Karakterfoltok előzetes szűrése egymáshoz viszonyított tulajdonságok alapján

51 Egyelőre megoldatlan problémák Felmerült megoldatlan problémák Dőlő és lejtő karakterek ügyes felismerése Olyan rendszám felismerése, amiben fekete alapon fehér és fehér alapon fekete karakterek is vannak Hisztogram helyett 2D-s csomósodás keresése Összenőtt karakterek vágása, széteső karakterek összerakása Karakterek rendezése karakterfoltok középpontjait egyenes(ek)re illesztve Karakterfoltok előzetes szűrése egymáshoz viszonyított tulajdonságok alapján

52 Egyelőre megoldatlan problémák Felmerült megoldatlan problémák Dőlő és lejtő karakterek ügyes felismerése Olyan rendszám felismerése, amiben fekete alapon fehér és fehér alapon fekete karakterek is vannak Hisztogram helyett 2D-s csomósodás keresése Összenőtt karakterek vágása, széteső karakterek összerakása Karakterek rendezése karakterfoltok középpontjait egyenes(ek)re illesztve Karakterfoltok előzetes szűrése egymáshoz viszonyított tulajdonságok alapján

53 Egyelőre megoldatlan problémák Felmerült megoldatlan problémák Dőlő és lejtő karakterek ügyes felismerése Olyan rendszám felismerése, amiben fekete alapon fehér és fehér alapon fekete karakterek is vannak Hisztogram helyett 2D-s csomósodás keresése Összenőtt karakterek vágása, széteső karakterek összerakása Karakterek rendezése karakterfoltok középpontjait egyenes(ek)re illesztve Karakterfoltok előzetes szűrése egymáshoz viszonyított tulajdonságok alapján

54 Egyelőre megoldatlan problémák Felmerült megoldatlan problémák Dőlő és lejtő karakterek ügyes felismerése Olyan rendszám felismerése, amiben fekete alapon fehér és fehér alapon fekete karakterek is vannak Hisztogram helyett 2D-s csomósodás keresése Összenőtt karakterek vágása, széteső karakterek összerakása Karakterek rendezése karakterfoltok középpontjait egyenes(ek)re illesztve Karakterfoltok előzetes szűrése egymáshoz viszonyított tulajdonságok alapján

55 Egyelőre megoldatlan problémák Felmerült megoldatlan problémák Dőlő és lejtő karakterek ügyes felismerése Olyan rendszám felismerése, amiben fekete alapon fehér és fehér alapon fekete karakterek is vannak Hisztogram helyett 2D-s csomósodás keresése Összenőtt karakterek vágása, széteső karakterek összerakása Karakterek rendezése karakterfoltok középpontjait egyenes(ek)re illesztve Karakterfoltok előzetes szűrése egymáshoz viszonyított tulajdonságok alapján

56 Felhasznált matematikai ismeretek Klaszterezés Otsu-algoritmus Statisztkiai ismeretek a hisztogramok kezelésénél, mintavételezések Forgatások, binarizálás készítése, vágás helyének eldöntése Algoritmusok alkalmazása

57 Felhasznált matematikai ismeretek Klaszterezés Otsu-algoritmus Statisztkiai ismeretek a hisztogramok kezelésénél, mintavételezések Forgatások, binarizálás készítése, vágás helyének eldöntése Algoritmusok alkalmazása

58 Felhasznált matematikai ismeretek Klaszterezés Otsu-algoritmus Statisztkiai ismeretek a hisztogramok kezelésénél, mintavételezések Forgatások, binarizálás készítése, vágás helyének eldöntése Algoritmusok alkalmazása

59 Felhasznált matematikai ismeretek Klaszterezés Otsu-algoritmus Statisztkiai ismeretek a hisztogramok kezelésénél, mintavételezések Forgatások, binarizálás készítése, vágás helyének eldöntése Algoritmusok alkalmazása

60 Felhasznált matematikai ismeretek Klaszterezés Otsu-algoritmus Statisztkiai ismeretek a hisztogramok kezelésénél, mintavételezések Forgatások, binarizálás készítése, vágás helyének eldöntése Algoritmusok alkalmazása

61 További kutatási lehetőségek, megoldatlan problémák Hatékony, gyors automatizálás A jelenlegi paraméterek (20-30 darab) olyan optimális megválasztása, ami sikeresebb, gyorsabb felismerést tesz lehetővé. Genetikus algoritmus (nagy tér, folytonos paraméterek, jó mérhetőség, kevés előismeret) Neurális hálózat alkalmazása Folyamatos visszacsatolás, futás közbeni adaptálódás.

62 További kutatási lehetőségek, megoldatlan problémák Hatékony, gyors automatizálás A jelenlegi paraméterek (20-30 darab) olyan optimális megválasztása, ami sikeresebb, gyorsabb felismerést tesz lehetővé. Genetikus algoritmus (nagy tér, folytonos paraméterek, jó mérhetőség, kevés előismeret) Neurális hálózat alkalmazása Folyamatos visszacsatolás, futás közbeni adaptálódás.

63 További kutatási lehetőségek, megoldatlan problémák Hatékony, gyors automatizálás A jelenlegi paraméterek (20-30 darab) olyan optimális megválasztása, ami sikeresebb, gyorsabb felismerést tesz lehetővé. Genetikus algoritmus (nagy tér, folytonos paraméterek, jó mérhetőség, kevés előismeret) Neurális hálózat alkalmazása Folyamatos visszacsatolás, futás közbeni adaptálódás.

64 További kutatási lehetőségek, megoldatlan problémák Hatékony, gyors automatizálás A jelenlegi paraméterek (20-30 darab) olyan optimális megválasztása, ami sikeresebb, gyorsabb felismerést tesz lehetővé. Genetikus algoritmus (nagy tér, folytonos paraméterek, jó mérhetőség, kevés előismeret) Neurális hálózat alkalmazása Folyamatos visszacsatolás, futás közbeni adaptálódás.

65 Köszönöm a figyelmet!

7. Régió alapú 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

Részletesebben

Grafikonok automatikus elemzése

Grafikonok 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

Részletesebben

Képfeldolgozás haladóknak Lovag Tamás Novák Gábor 2011

Képfeldolgozás haladóknak Lovag Tamás Novák Gábor 2011 Dokumentáció Küszöbölés A küszöbölés során végighaladunk a képen és minden egyes képpont intenzitásáról eldöntjük, hogy teljesül-e rá az a küszöbölési feltétel. A teljes képre vonatkozó küszöbölés esetében

Részletesebben

DSD. Szkennelt szövegek digitalizálása során keletkező hibák elemzése magyar szövegek esetében. Pataki Máté Tóth Zoltán MTA SZTAKI DSD

DSD. Szkennelt szövegek digitalizálása során keletkező hibák elemzése magyar szövegek esetében. Pataki Máté Tóth Zoltán MTA SZTAKI DSD MTA SZTAKI Department of Distributed Systems Szkennelt szövegek digitalizálása során keletkező hibák elemzése magyar szövegek esetében Pataki Máté Tóth Zoltán Tartalomjegyzék Szöveges dokumentumok digitalizálása

Részletesebben

Minták 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 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

Részletesebben

Hidraulikus hálózatok robusztusságának növelése

Hidraulikus hálózatok robusztusságának növelése Dr. Dulovics Dezső Junior Szimpózium 2018. Hidraulikus hálózatok robusztusságának növelése Előadó: Huzsvár Tamás MSc. Képzés, II. évfolyam Témavezető: Wéber Richárd, Dr. Hős Csaba www.hds.bme.hu Az előadás

Részletesebben

CARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens

CARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi

Részletesebben

c adatpontok és az ismeretlen pont közötti kovariancia vektora

c adatpontok és az ismeretlen pont közötti kovariancia vektora 1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )

Részletesebben

ACM Snake. Orvosi képdiagnosztika 11. előadás első fele

ACM 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

Részletesebben

Mesterséges intelligencia alapú regressziós tesztelés

Mesterséges intelligencia alapú regressziós tesztelés Mesterséges intelligencia alapú regressziós tesztelés Gujgiczer Anna, Elekes Márton* * AZ EMBERI ERŐFORRÁSOK MINISZTÉRIUMA ÚNKP-16-1-I. KÓDSZÁMÚ ÚJ NEMZETI KIVÁLÓSÁG PROGRAMJÁNAK TÁMOGATÁSÁVAL KÉSZÜLT

Részletesebben

Miről lesz szó? Videó tartalom elemzés (VCA) leegyszerűsített működése Kültéri védelem Közúthálózat megfigyelés Emberszámlálás

Miről lesz szó? Videó tartalom elemzés (VCA) leegyszerűsített működése Kültéri védelem Közúthálózat megfigyelés Emberszámlálás Videóanalitikát mindenhova! Princz Adorján Miről lesz szó? Videó tartalom elemzés (VCA) leegyszerűsített működése Kültéri védelem Közúthálózat megfigyelés Emberszámlálás VCA alapú detektorok Videótartalom

Részletesebben

Képszegmentáló eljárások. Orvosi képdiagnosztika 2018 ősz

Képszegmentáló 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

Részletesebben

Színes képek feldolgozása

Színes képek feldolgozása Palágyi Kálmán Az oktató: SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék 6720 Szeged Árpád tér 2. 214-es szoba (tetıtér) (62) 546 197 palagyi@inf.u-szeged.hu www.inf.u-szeged.hu/~palagyi Kurzusanyagok

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31. Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert

Részletesebben

A médiatechnológia alapjai

A 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

Részletesebben

Panorámakép készítése

Panorámakép készítése Panorámakép készítése Képregisztráció, 2009. Hantos Norbert Blaskovics Viktor Összefoglalás Panoráma (image stitching, planar mosaicing): átfedő képek összeillesztése Lépések: Előfeldolgozás (pl. intenzitáskorrekciók)

Részletesebben

A Hisztogram használata a digitális képszerkesztésben

A 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,

Részletesebben

1. ábra Egy terület DTM-je (balra) és ugyanazon terület DSM-je (jobbra)

1. 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,

Részletesebben

Gépi tanulás a gyakorlatban. Bevezetés

Gépi 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

Részletesebben

Képszerkesztés elméleti kérdések

Képszerkesztés elméleti kérdések Képszerkesztés elméleti kérdések 1. A... egyedi alkotó elemek, amelyek együttesen formálnak egy képet.(pixelek) a. Pixelek b. Paletták c. Grafikák d. Gammák 2. Az alábbiak közül melyik nem színmodell?

Részletesebben

Az INTRO projekt. Troposzféra modellek integritásvizsgálata. Rédey szeminárium Ambrus Bence

Az INTRO projekt. Troposzféra modellek integritásvizsgálata. Rédey szeminárium Ambrus Bence Az INTRO projekt Troposzféra modellek integritásvizsgálata Rédey szeminárium Ambrus Bence A projekt leírása Célkitűzés: troposzféra modellek maradék hibáinak modellezése, a modellek integritásának vizsgálata

Részletesebben

Multimédiás adatbázisok

Multimédiás adatbázisok Multimédiás adatbázisok Multimédiás adatbázis kezelő Olyan adatbázis kezelő, mely támogatja multimédiás adatok (dokumentum, kép, hang, videó) tárolását, módosítását és visszakeresését Minimális elvárás

Részletesebben

Képfeldolgozás Szegmentálás Osztályozás Képfelismerés Térbeli rekonstrukció

Képfeldolgozás 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

Részletesebben

Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.

Pontműveletek. 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

Részletesebben

Hibadetektáló rendszer légtechnikai berendezések számára

Hibadetektáló rendszer légtechnikai berendezések számára Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő

Részletesebben

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I. : Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3

Részletesebben

Strukturált Generátorrendszerek Online Tanulása és Alk-ai

Strukturált Generátorrendszerek Online Tanulása és Alk-ai Strukturált Generátorrendszerek Online Tanulása és Alkalmazásai Problémamegoldó Szeminárium 2010. nov. 5 Tartalomjegyzék Motiváció, példák Regressziós feladatok (generátorrendszer fix) Legkisebb négyzetes

Részletesebben

Pontfelhő létrehozás és használat Regard3D és CloudCompare nyílt forráskódú szoftverekkel. dr. Siki Zoltán

Pontfelhő létrehozás és használat Regard3D és CloudCompare nyílt forráskódú szoftverekkel. dr. Siki Zoltán Pontfelhő létrehozás és használat Regard3D és CloudCompare nyílt forráskódú szoftverekkel dr. Siki Zoltán siki.zoltan@epito.bme.hu Regard3D Nyílt forráskódú SfM (Structure from Motion) Fényképekből 3D

Részletesebben

MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR

MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR KÖZÚTI ADATBÁZISOK ÉS ADAT-NYILVÁNTARTÓ RENDSZEREK Lakatos András Tartalom Bevezetés Közútra vonatkozó adatgyűjtési rendszerek története Adatbázisok, adatgyűjtési rendszerek napjainkban Adatok hasznosítása

Részletesebben

Adatszerkezetek 7a. Dr. IványiPéter

Adatszerkezetek 7a. Dr. IványiPéter Adatszerkezetek 7a. Dr. IványiPéter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér () Nincsennek hurkok!!! 2 Bináris fák Azokat a

Részletesebben

Széladatok homogenizálása és korrekciója

Széladatok homogenizálása és korrekciója Széladatok homogenizálása és korrekciója Péliné Németh Csilla 1 Prof. Dr. Bartholy Judit 2 Dr. Pongrácz Rita 2 Dr. Radics Kornélia 3 1 MH Geoinformációs Szolgálat pelinenemeth.csilla@mhtehi.gov.hu 2 Eötvös

Részletesebben

Fotogrammetriai munkaállomások szoftvermoduljainak tervezése. Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar

Fotogrammetriai munkaállomások szoftvermoduljainak tervezése. Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar Fotogrammetriai munkaállomások szoftvermoduljainak tervezése Dr. habil. Jancsó Tamás Óbudai Egyetem, Alba Regia Műszaki Kar Témakörök DPW szoftvermodulok Szoftverek funkciói Pár példa Mi hiányzik gyakran?

Részletesebben

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,

Részletesebben

Útjelzések, akadályok felismerése valós időben

Útjelzések, akadályok felismerése valós időben Útjelzések, akadályok felismerése valós időben Dr. Hidvégi Timót Széchenyi István Egyetem Győr, 9026, Egyetem tér 1. hidvegi@sze.hu 1. Bevezető Sajnos a közúton a balesetek egy része abból adódik, hogy

Részletesebben

Sztereó képfeldolgozás mobilrobot platform tájékozódásához Önálló laboratórium 2007/2008. tavaszi félév

Sztereó képfeldolgozás mobilrobot platform tájékozódásához Önálló laboratórium 2007/2008. tavaszi félév Sztereó képfeldolgozás mobilrobot platform tájékozódásához Önálló laboratórium 007/008. tavaszi félév Józsa Csongor Konzulens: Dr. Vajda Ferenc 1/1 1. A probléma ismertetése Mobilis robotok ismeretlen

Részletesebben

Tipikus időbeli internetezői profilok nagyméretű webes naplóállományok alapján

Tipikus időbeli internetezői profilok nagyméretű webes naplóállományok alapján Tipikus időbeli internetezői profilok nagyméretű webes naplóállományok alapján Schrádi Tamás schraditamas@aut.bme.hu Automatizálási és Alkalmazott Informatikai Tanszék BME A feladat A webszerverek naplóállományainak

Részletesebben

A tervfeladat sorszáma: 1 A tervfeladat címe: ALU egység 8 regiszterrel és 8 utasítással

A tervfeladat sorszáma: 1 A tervfeladat címe: ALU egység 8 regiszterrel és 8 utasítással .. A tervfeladat sorszáma: 1 A ALU egység 8 regiszterrel és 8 utasítással Minimálisan az alábbi képességekkel rendelkezzen az ALU 8-bites operandusok Aritmetikai funkciók: összeadás, kivonás, shift, komparálás

Részletesebben

PONTFELHŐ REGISZTRÁCIÓ

PONTFELHŐ REGISZTRÁCIÓ PONTFELHŐ REGISZTRÁCIÓ ITERATIVE CLOSEST POINT Cserteg Tamás, URLGNI, 2018.11.22. TARTALOM Röviden Alakzatrekonstrukció áttekintés ICP algoritmusok Projektfeladat Demó FORRÁSOK Cikkek Efficient Variants

Részletesebben

Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA

Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA SZDT-03 p. 1/24 Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás

Részletesebben

Programozás alapjai. 6. gyakorlat Futásidő, rekurzió, feladatmegoldás

Programozás alapjai. 6. gyakorlat Futásidő, rekurzió, feladatmegoldás Programozás alapjai 6. gyakorlat Futásidő, rekurzió, feladatmegoldás Háziellenőrzés Egészítsd ki úgy a simplemaths.c programot, hogy megfelelően működjön. A program feladata az inputon soronként megadott

Részletesebben

Általános követelmények a kép tartalmával és minőségével kapcsolatban

Általános követelmények a kép tartalmával és minőségével kapcsolatban Általános követelmények a kép tartalmával és minőségével kapcsolatban A következő követelmények egyrészt azért fontosak, hogy megfelelően dokumentálják az eseményeket (bizonyítékként felhasználóak legyenek),

Részletesebben

Kódverifikáció gépi tanulással

Kódverifikáció gépi tanulással Kódverifikáció gépi tanulással Szoftver verifikáció és validáció kiselőadás Hidasi Balázs 2013. 12. 12. Áttekintés Gépi tanuló módszerek áttekintése Kódverifikáció Motiváció Néhány megközelítés Fault Invariant

Részletesebben

EEE Kutatólaboratórium MTA-SZTAKI Magyar Tudományos Akadémia

EEE Kutatólaboratórium MTA-SZTAKI Magyar Tudományos Akadémia DElosztott I S T R I B U T EEsemények D EV E N T S A NElemzé A L Y S I S se R E SKutatólaboratór E A R C H L A B O R A T Oium R Y L I D A R B a s e d S u r v e i l l a n c e Városi LIDAR adathalmaz szegmentációja

Részletesebben

Közösség detektálás gráfokban

Közösség detektálás gráfokban Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a

Részletesebben

Alter Róbert Báró Csaba Sensor Technologies Kft

Alter Róbert Báró Csaba Sensor Technologies Kft Közúti forgalomelemzés kamerával e_traffic Alter Róbert Báró Csaba Sensor Technologies Kft Előadás témái Cégbemutató Videó analitikai eljárások Forgalomszámláló eszközök összehasonlítása e_traffic forgalomelemző

Részletesebben

Gépi tanulás a gyakorlatban. Lineáris regresszió

Gépi tanulás a gyakorlatban. Lineáris regresszió Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják

Részletesebben

Számítógépes 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 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

Digitális képfeldolgozás gyakorlat, Nappali tagozat 2018/2019 őszi félév, Beadandó feladat

Digitális képfeldolgozás gyakorlat, Nappali tagozat 2018/2019 őszi félév, Beadandó feladat Digitális képfeldolgozás gyakorlat, Nappali tagozat 2018/2019 őszi félév, Beadandó feladat Készítsen egy Python programot a megfelelő csomagok (OpenCV, NumPy, stb.) segítségével, amely a következő feladatok

Részletesebben

Gépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés

Gépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük

Részletesebben

ÁR kulcsrakész ÁR lapraszerelt

ÁR kulcsrakész ÁR lapraszerelt Szélesség (cm) 90 Magasság (cm) 85 52 266 Ft 39 412 Ft 54 057 Ft 41 203 Ft 54 095 Ft 41 005 Ft 54 455 Ft 41 365 Ft 55 143 Ft 42 052 Ft 57 396 Ft 44 305 Ft 56 886 Ft 43 795 Ft 58 146 Ft 45 055 Ft 55 316

Részletesebben

Példák jellemzőkre: - minden pixelérték egy jellemző pl. neurális hálózat esetében csak kis képekre, nem invariáns sem a megvilágításra, sem a geom.

Példák 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?

Részletesebben

ELEMI BÁZISTRANSZFORMÁCIÓ LÉPÉSEI 1.EGYSZERŰSÍTETT VÁLTOZAT. 1.a) Paramétert nem tartalmazó eset

ELEMI BÁZISTRANSZFORMÁCIÓ LÉPÉSEI 1.EGYSZERŰSÍTETT VÁLTOZAT. 1.a) Paramétert nem tartalmazó eset ELEMI BÁZISTRANSZFORMÁCIÓ LÉPÉSEI 1.EGYSZERŰSÍTETT VÁLTOZAT 1.a) Paramétert nem tartalmazó eset A bázistranszformáció egyszerűsített változatában a bázison kívül elhelyezkedő vektorokból amennyit csak

Részletesebben

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés

Részletesebben

Képfeldolgozás. 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 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

Részletesebben

Inform Média Lapkiadó Kft. lokális piacvezető kiadóból multimédiás vállalat

Inform Média Lapkiadó Kft. lokális piacvezető kiadóból multimédiás vállalat MEGYEI NAPILAPOK / HÍRPORTÁLOK MÉDIAAJÁNLÓ 2019 Inform Média Lapkiadó Kft. lokális piacvezető kiadóból multimédiás vállalat Az Inform Média Lapkiadó Kft. 1991. óta Északkelet-Magyarország piacvezető médiavállalkozása

Részletesebben

Haszongépj. Németh. Huba. és s Fejlesztési Budapest. Kutatási. Knorr-Bremse. 2004. November 17. Knorr-Bremse 19.11.

Haszongépj. Németh. Huba. és s Fejlesztési Budapest. Kutatási. Knorr-Bremse. 2004. November 17. Knorr-Bremse 19.11. Haszongépj pjármű fékrendszer intelligens vezérl rlése Németh Huba Knorr-Bremse Kutatási és s Fejlesztési si Központ, Budapest 2004. November 17. Knorr-Bremse 19.11.2004 Huba Németh 1 Tartalom Motiváció

Részletesebben

Inform Média Lapkiadó boon.hu. Médiaajánlat

Inform Média Lapkiadó boon.hu. Médiaajánlat Inform Média Lapkiadó boon.hu Médiaajánlat 2017 Havi átlag Valós látogató Látogatás Oldalletöltés 634 806 4 358 809 29 472 811 Asztali 67% Heti átlag Napi átlag 216 551 726 468 4 879 224 141 186 79 717

Részletesebben

CSAPADÉK BEFOGADÓKÉPESSÉGÉNEK TÉRKÉPEZÉSE TÁVÉRZÉKELÉSI MÓDSZEREKKEL VÁROSI KÖRNYEZETBEN

CSAPADÉK 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.

Részletesebben

Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok

Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok Zrínyi Miklós Gimnázium Művészet és tudomány napja Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok 10/9/2009 Dr. Viharos Zsolt János Elsősorban volt Zrínyis diák Tudományos főmunkatárs

Részletesebben

III.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ

III.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ infokommunikációs technológiák III.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ KECSKEMÉTI ANNA KUN JEROMOS KÜRT Zrt. KUTATÁSI

Részletesebben

Adatelemzés és adatbányászat MSc

Adatelemzés 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.

Részletesebben

3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás

3D - 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

Részletesebben

Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017.

Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák

Részletesebben

Loványi István vizsgakérdései kidolgozva (béta)

Loványi István vizsgakérdései kidolgozva (béta) Loványi István vizsgakérdései kidolgozva (béta) 1. Morfológiai képfeldolgozás elmélete 1. Alapvető halmazműveletek, tulajdonságaik Műveletek: egyesítés (unió) metszet negált összetett műveletek... Tulajdonságok:

Részletesebben

Speciális szükségletű felhasználók navigációjának vizsgálata különböző multimédiás alkalmazásokban

Speciális szükségletű felhasználók navigációjának vizsgálata különböző multimédiás alkalmazásokban Speciális szükségletű felhasználók navigációjának vizsgálata különböző multimédiás alkalmazásokban MÁTRAI RITA1, KOSZTYÁN ZSOLT TIBOR2, SIKNÉ DR. LÁNYI CECÍLIA3 1,3 Veszprémi Egyetem, Képfeldolgozás és

Részletesebben

Ujjszámlálás Matlab segítségével

Ujjszámlálás 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,

Részletesebben

Képszerkesztés elméleti feladatainak kérdései és válaszai

Képszerkesztés elméleti feladatainak kérdései és válaszai Képszerkesztés elméleti feladatainak kérdései és válaszai 1. A... egyedi alkotóelemek, amelyek együttesen formálnak egy képet. Helyettesítse be a pixelek paletták grafikák gammák Helyes válasz: pixelek

Részletesebben

Követelmény a 8. évfolyamon félévkor matematikából

Követelmény a 8. évfolyamon félévkor matematikából Követelmény a 8. évfolyamon félévkor matematikából Gondolkodási és megismerési módszerek Halmazokkal kapcsolatos alapfogalmak ismerete, halmazok szemléltetése, halmazműveletek ismerete, eszköz jellegű

Részletesebben

Informatika tanterv nyelvi előkészítő osztály heti 2 óra

Informatika tanterv nyelvi előkészítő osztály heti 2 óra Informatika tanterv nyelvi előkészítő osztály heti Számítógép feladata és felépítése Az informatikai eszközök használata Operációs rendszer Bemeneti egységek Kijelző egységek Háttértárak Feldolgozás végző

Részletesebben

Távérzékelés, a jöv ígéretes eszköze

Távérzékelés, a jöv ígéretes eszköze Távérzékelés, a jöv ígéretes eszköze Ritvayné Szomolányi Mária Frombach Gabriella VITUKI CONSULT Zrt. A távérzékelés segítségével: különböz6 magasságból, tetsz6leges id6ben és a kívánt hullámhossz tartományokban

Részletesebben

Partíció probléma rekurzíómemorizálással

Partíció probléma rekurzíómemorizálással Partíció probléma rekurzíómemorizálással A partíciószám rekurzív algoritmusa Ω(2 n ) műveletet végez, pedig a megoldandó részfeladatatok száma sokkal kisebb O(n 2 ). A probléma, hogy bizonyos már megoldott

Részletesebben

Keresés 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 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)

Részletesebben

Digitális képek szegmentálása. 5. Textúra. Kató Zoltán.

Digitális 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

Részletesebben

Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével. MAJF21 Eisenberger András május 22. Konzulens: Dr.

Önálló 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

Részletesebben

Rónai Gergely. fejlesztési főmérnök BKK Közút Zrt.

Rónai Gergely. fejlesztési főmérnök BKK Közút Zrt. ITS fejlesztés Budapesten Rónai Gergely fejlesztési főmérnök BKK Közút Zrt. A fővárosi ITS kezdetei Nemzeti Közlekedési Napok 2013 - ITS fejlesztés Budapesten 2 ITS fejlesztések szervezeti háttere Budapest

Részletesebben

Adatszerkezetek I. 7. előadás. (Horváth Gyula anyagai felhasználásával)

Adatszerkezetek I. 7. előadás. (Horváth Gyula anyagai felhasználásával) Adatszerkezetek I. 7. előadás (Horváth Gyula anyagai felhasználásával) Bináris fa A fa (bináris fa) rekurzív adatszerkezet: BinFa:= Fa := ÜresFa Rekord(Elem,BinFa,BinFa) ÜresFa Rekord(Elem,Fák) 2/37 Bináris

Részletesebben

Kép mátrix. Feladat: Pap Gáborné-Zsakó László: Algoritmizálás, adatmodellezés 2/35

Kép mátrix. Feladat: Pap Gáborné-Zsakó László: Algoritmizálás, adatmodellezés 2/35 Grafika I. Kép mátrix Feladat: Egy N*M-es raszterképet nagyítsunk a két-szeresére pontsokszorozással: minden régi pont helyébe 2*2 azonos színű pontot rajzolunk a nagyított képen. Pap Gáborné-Zsakó László:

Részletesebben

Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9

Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9 ... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...

Részletesebben

A 2017/2018. tanévi Országos Középiskolai Tanulmányi Verseny döntő forduló FIZIKA II. KATEGÓRIA JAVÍTÁSI ÚTMUTATÓ. Pohár rezonanciája

A 2017/2018. tanévi Országos Középiskolai Tanulmányi Verseny döntő forduló FIZIKA II. KATEGÓRIA JAVÍTÁSI ÚTMUTATÓ. Pohár rezonanciája Oktatási Hivatal A 017/018. tanévi Országos Középiskolai Tanulmányi Verseny döntő forduló FIZIKA II. KATEGÓRIA JAVÍTÁSI ÚTMUTATÓ Pohár rezonanciája A mérőberendezés leírása: A mérőberendezés egy változtatható

Részletesebben

A szürke háttérrel jelölt fejezet/alfejezet szövege a CD-mellékleten található. A CD-melléklet használata. 1. Elméleti áttekintés 1

A szürke háttérrel jelölt fejezet/alfejezet szövege a CD-mellékleten található. A CD-melléklet használata. 1. Elméleti áttekintés 1 A szürke háttérrel jelölt fejezet/alfejezet szövege a CD-mellékleten található meg. A CD-melléklet használata Bevezetés xi xiii 1. Elméleti áttekintés 1 1.1. Adatmodellezés 3 1.2. Táblák, oszlopok és sorok

Részletesebben

Gráfalgoritmusok ismétlés ősz

Gráfalgoritmusok ismétlés ősz Gráfalgoritmusok ismétlés 2017. ősz Gráfok ábrázolása Egy G = (V, E) gráf ábrázolására alapvetően két módszert szoktak használni: szomszédsági listákat, illetve szomszédsági mátrixot. A G = (V, E) gráf

Részletesebben

Microsoft Virtual PC 2007

Microsoft Virtual PC 2007 Microsoft Virtual PC 2007 Beszerzés, telepítés 1 A Virtual PC 2007 beszerzése Beszerezhető innen: http://www.microsoft.com/downloads/detail s.aspx?familyid=04d26402-3199-48a3- AFA2-2DC0B40A73B6&displaylang=en

Részletesebben

Ügyeljen arra, hogy a programmodul sorszáma és megnevezése azonos legyen a I. A program általános tartalma fejezet 11. pontjában írtakkal!

Ügyeljen arra, hogy a programmodul sorszáma és megnevezése azonos legyen a I. A program általános tartalma fejezet 11. pontjában írtakkal! II. ADATLAP - Programmodul részletes bemutatása Valamennyi programmodulra külön-külön kitöltendő 1. A programmodul azonosító adatai Ügyeljen arra, hogy a programmodul sorszáma és megnevezése azonos legyen

Részletesebben

DIGITÁLIS TEREPMODELL A TÁJRENDEZÉSBEN

DIGITÁLIS 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,

Részletesebben

1. Gyakorlat képek megjelenítése és vizsgálata

1. Gyakorlat képek megjelenítése és vizsgálata 1. Gyakorlat képek megjelenítése és vizsgálata Hozzávalók: MultiSpec program (MultiSpecWin32.exe); ag020522_dpac_cd.lan állomány. A program és a gyakorlatokhoz szükséges állományok elérhetők ingyenesen

Részletesebben

Kovács Ernő 1, Füvesi Viktor 2

Kovács Ernő 1, Füvesi Viktor 2 Kovács Ernő 1, Füvesi Viktor 2 1 Miskolci Egyetem, Elektrotechnikai - Elektronikai Tanszék 2 Miskolci Egyetem, Alkalmazott Földtudományi Kutatóintézet 1 HU-3515 Miskolc-Egyetemváros 2 HU-3515 Miskolc-Egyetemváros,

Részletesebben

Dr. habil. Maróti György

Dr. habil. Maróti György infokommunikációs technológiák III.8. MÓDSZER KIDOLGOZÁSA ALGORITMUSOK ÁTÜLTETÉSÉRE KIS SZÁMÍTÁSI TELJESÍTMÉNYŰ ESZKÖZÖKBŐL ÁLLÓ NÉPES HETEROGÉN INFRASTRUKTÚRA Dr. habil. Maróti György maroti@dcs.uni-pannon.hu

Részletesebben

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának

Részletesebben

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói Intelligens Rendszerek Elmélete dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE07 IRE 5/ Természetes és mesterséges genetikus

Részletesebben

Szimuláció RICHARD M. KARP és AVI WIGDERSON. (Készítette: Domoszlai László)

Szimuláció RICHARD M. KARP és AVI WIGDERSON. (Készítette: Domoszlai László) Szimuláció RICHARD M. KARP és AVI WIGDERSON A Fast Parallel Algorithm for the Maximal Independent Set Problem című cikke alapján (Készítette: Domoszlai László) 1. Bevezetés A következőkben megadott algoritmus

Részletesebben

Számítógéppel segített modellezés és szimuláció a természettudományokban

Számítógéppel segített modellezés és szimuláció a természettudományokban Számítógéppel segített modellezés és szimuláció a természettudományokban Beszámoló előadás Németh Gábor 2008. 05. 08. A kurzusról Intenzív, 38 órás kurzus 2008. 03. 25. -2008. 03. 30-ig Három csoport:

Részletesebben

ACO mélyépítés ACO DRAIN. Faveremrácsok. Favédô rendszerek

ACO mélyépítés ACO DRAIN. Faveremrácsok. Favédô rendszerek ACO mélyépítés Faveremrácsok Favédô rendszerek Tartalomjegyzék Információk 92 WOTAN favédô rendszer 93 WOTAN favédô rendszer beépítési utasítás 95 Standard favédô rendszer 96 Standard favédô rendszer beépítési

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Valószínűségi hálók - következtetés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Következtetés

Részletesebben

HORVÁTH ZSÓFIA 1. Beadandó feladat (HOZSAAI.ELTE) ápr 7. 8-as csoport

HORVÁTH ZSÓFIA 1. Beadandó feladat (HOZSAAI.ELTE) ápr 7. 8-as csoport 10-es Keressünk egy egész számokat tartalmazó négyzetes mátrixban olyan oszlopot, ahol a főátló alatti elemek mind nullák! Megolda si terv: Specifika cio : A = (mat: Z n m,ind: N, l: L) Ef =(mat = mat`)

Részletesebben

HTML alapok. A HTML az Internetes oldalak nyelve.

HTML alapok. A HTML az Internetes oldalak nyelve. A HTML az Internetes oldalak nyelve. HTML alapok Karakteres szövegszerkesztővel (pl. Jegyzettömb) szerkeszthető. FONTOS, hogy az elkészült oldal kiterjesztése ne txt, hanem html legyen! Felépítése: Két

Részletesebben

OpenCL alapú eszközök verifikációja és validációja a gyakorlatban

OpenCL alapú eszközök verifikációja és validációja a gyakorlatban OpenCL alapú eszközök verifikációja és validációja a gyakorlatban Fekete Tamás 2015. December 3. Szoftver verifikáció és validáció tantárgy Áttekintés Miért és mennyire fontos a megfelelő validáció és

Részletesebben

Statisztikai programcsomagok gyakorlat Pót zárthelyi dolgozat megoldás

Statisztikai programcsomagok gyakorlat Pót zárthelyi dolgozat megoldás Statisztikai programcsomagok gyakorlat Pót zárthelyi dolgozat megoldás A feladatok megoldásához használandó adatállományok: potzh és potolando (weboldalon találhatók) Az állományok kiterjesztése sas7bdat,

Részletesebben

Termék modell. Definíció:

Termék modell. Definíció: Definíció: Termék modell Összetett, többfunkciós, integrált modell (számítógépes reprezentáció) amely leír egy műszaki objektumot annak különböző életfázis szakaszaiban: tervezés, gyártás, szerelés, szervízelés,

Részletesebben

Automatikus épület-felismerés ortofotókon objektum-alapú eljárással

Automatikus épület-felismerés ortofotókon objektum-alapú eljárással Automatikus épület-felismerés ortofotókon objektum-alapú eljárással Gera Dávid Ákos, Nádor Gizella, Surek György Földmérési és Távérzékelési Intézet Távérzékelési Igazgatóság 1. Bevezetés Napjainkban a

Részletesebben

A távérzékelt felvételek tematikus kiértékelésének lépései

A távérzékelt felvételek tematikus kiértékelésének lépései A távérzékelt felvételek tematikus kiértékelésének lépései Csornai Gábor László István Földmérési és Távérzékelési Intézet Mezőgazdasági és Vidékfejlesztési Igazgatóság Az előadás 2011-es átdolgozott változata

Részletesebben