7. Előadás tartalma. Lineáris szűrők: Inverz probléma dekonvolúció: Klasszikus szűrők súly és átviteli függvénye Gibbs jelenség
|
|
- Ferenc Bertalan Kelemen
- 5 évvel ezelőtt
- Látták:
Átírás
1 7. Előadás tartalma Lineáris szűrők: Klasszikus szűrők súly és átviteli üggvénye Gibbs jelenség Inverz probléma dekonvolúció: Inverz probléma ormális elírása Dekonvolúció nehézsége Közismert algoritmusok: Wiener inverz szűrés, RLA/ ML-EM, MAP becslés, és ezek kapcsolataik
2 Szűrők idő és rekvencia tartományban Ampl. spektrum Időbeli jel
3 Ideális szűrők Amplitúdó éles vágásánál Gibbs jelenség:
4 Gibbs gyűrű eektus Gibbs jelenség elkerülhető sima átmenetű szűrőkkel: Butterworth szűrő: adott sávkorlát mellett a legsimább ampl. spektrumú lineáris szűrő Gauss szűrő: alkalmazásával nincs Gibbs arteekt
5 Gibbs gyűrű eektus
6 Inverz probléma Megigyelési modell (zajos LTI): h-t (avagy a PSF-t) mi beolyásolhatja? Páciens bemozdulása a elvételek készítése alatt Out-o-ocus elrendezés Szóródó otonok képek rögzítése során Jelen előadás során, g és R : R a vizsgált 3D objektum projekciója Alapötlet direkt módszer: Dekonvolúció rekvenciatérben: F g h G / H u u
7 Inverz probléma statisztikai Cél megbecsülni interpretációja -et: Maximum likelihood módszer: ML P arg maxpg Gyakorlatban majdnem mindig P g P g h és az arg min log P g -t szoktuk keresni ML Maximum a posterior (MAP) becslés: arg max arg max MAP P g P g P Gyakorlatban ezeket a szélsőérték keresési problémákat is negatív logaritmálás után oldjuk meg.
8 Direkt dekonvolúció zajérzékenysége Problémák a direkt módszerrel: PSF-et nem ismerjük pontosan H H F G / H F H / H N / H F a PSF általában alul-áteresztő jellegű magas rekvenciákon N. / H dominál (~0-val osztás) a: elmosott kép b: direkt dekonvolúció eredménye, ha nincs additív zaj c: eredmény ha van additív zaj
9 Csonkolt dekonvolúció Azon rekvenciákon, melyeken az MTF alacsony 0 legyen az eredmény F u G. / H u u Hu 0 egyébként Direkt dekonvolúció eredménye Csonkolt dekonvolúció eredménye
10 Wiener inverz-szűrés Várható értékben legpontosabb szűrő: W iener W iener F H G u u u Wiener arg min E Wiener valódi A matematikai levezetést hanyagolva: H Winer u Interpretáció: H Winer u H u E E H N F u u u 1/ H SNR 1 u u 0 SNR 1 u SNR u H u E E F u N u
11 Wiener inverz szűrés Az eredmény ( Wiener ) gyakran nem realisztikus: Negatív intenzitások is előordulnak (negatív luxus?) Nagyrekvencián a hirtelen romló SNR Gibbs arteektet generál SNR gyakran nem mérhető ki Wiener szűrés eredménye: jobb részletgazdagság, de a gyűrűk egy része megmaradt
12 Eljárások illusztrálása -0-
13 Eljárások illusztrálása -1- Csonkolt dekonvolúció Wiener inverz szűrés
14 Kényszermentes ML becslés 1 Additív Gauss zaj esete ( 0,W ): Ha rendszer torzításának mátrixa, tehát: h H Minimalizáljuk a negatív log likelihood üggvényt: T L g H W g H Mivel pozitív szemideinit, ezért L konvex. Tehát L ML 0 kényszer deiniálja az optimum helyet T T H W H H W g ún. súlyozott LS becslés T arg max K exp g H W g H ML ML H ' T W H 1
15 Kényszermentes ML becslés példa Stacionárius, 0 várható értékű Gauss megigyelési zaj esete : Cov g I, tehát W I ML Vizsgáljuk meg T 1 T T 1 T H W H H W g H H H g ML spektrumát: H G H G G u u u u u FML G H u u H H u u H Hu u Konzekvencia: ML eljárással nem lehet a rosszul kondícionált inverz problémát megoldani.
16 ML becslés pozitivitási kényszerrel Nem negativitási kényszer: R Jó esetben konvex optimalizálási probléma: P g - log max. s.t. 0 min. s.t. Konvex a probléma, ha log-konkáv. Nem adható rá analitikus megoldás Milyen eloszlású lehet valójában az additív zaj: Poisson: otonok inherens zaja Gauss: termikus zaj Uniorm: kvantálási zaj (A/D átalakítás) Pr g Lg 0
17 Richardson Lucy algoritmus (+) Interpretáljuk a képpontok intenzitását otonok becsapódási valószínűségeivel: P i : P( egy otonon a detektor i-edik érzékelőelemébe csapódik, ha nincs zaj és torzítás ) P gk : P( egy otonon a detektor k-adik érzékelőelemébe csapódott a megigyelt kép rögzítése során ) P g k i : P( ideális esetben az i-edik érzékelőelembe csapódó oton a k-adik érzékelőelembe csapódik bele a képalkotó LTI rendszer torzítása miatt )
18 Richardson Lucy algoritmus Lényegében egy Bayes-i becslés: Bayes szabály: P i g k j P g P k i i Pg P k j j Dekomponálás: Tehát: P i P P g P g i i k k P k j k g P g i Pg P k j j P k i k
19 Richardson Lucy algoritmus Bevett gyakorlat: iteráljunk a célváltozó elett: P 1 P g P g k i k g P k j r j P Oldjuk el a valószínűségi értelmezést: P T T 1 ; P g i i g g 1 i i P g k i h i k T T T T..h h 1 1; h 0 ezekből következik: g 1 1 P r i r i k j
20 Richardson Lucy algoritmus (+) T P 1 i i : dekonvolvált kép i-edik pixelének normált intenzitása T P g g g 1 i i : képalkotó rendszer (LTI + zaj) által torzított kép i-edik pixelének relatív intenzitása P g h : csak az LTI rendszerrel leírható torzítást k modellezzük i k i h 11 T : minden olyan oton, mely a torzítatlan rendszer esetén a detektorba csapódna be a torzított rendszer esetén is a detektorba csapódik be (maximum más érzékelőelembe) Végig monokróm spektrumú otonokat eltételezve a detektált intenzitás (luxus) egyenesen arányos a becsapódó otonok számával
21 Richardson Lucy algoritmus Végezzük el a behelyettesítést: h g h g r k k j j r r 1 k i k r k i k r i i i h k h j k 0 Érdemes észrevenni, hogy ha 0, akkor r minden iterációban 0, tehát teljesül a nemnegativitási kényszer Eljárás konvergenciája bizonyítható. Ekvivalens a pozitivitási kényszeres ML becsléssel, Poisson zaj modell esetén.
22 Eljárások illusztrálása --
23 ML becslések összegzése Jelentősen elerősítik a zajt: A probléma rosszul kondícionált jellegét nem képesek megelelően kezelni. Kivétel az iteratív algoritmusok köre, ha elegendően sima, és konvergencia előtt leállunk! Explicit regularizáció szükséges: 0 Deiniáljuk a-priori eloszlását, és azt rögzítsük a minimalizálandó célüggvényünkben Megj.: RLA-nál szerepelt prior, de annak más a szerepe, értelmezése 0
24 MAP becslések Bayes becsléselmélet: max. g g P P P Másképpen : min. log P g ML prior K ML log P g : bünteti a mérések és a zaj nélkül becsült, torzított kép eltérését: g g g h log P prior : meghatározza, hogy milyen dekonvolvált képet preerálunk (pl. zajmentesség, pozitivitás, simaság, stb.). Analitikai értelmezés: regularizált becslés
25 MAP becslés példa stacionárius Gauss zaj, rekvenciatérbeli prior Prior rekvenciatartományban: Gauss, stacionárius zaj: 1 g H j 1 Parseval tétel szerint: ML F G H F u u u N u 1 F G H F W F N u u opt Mivel konvex, ezért F, tehát: Összegezve: F W F prior u u u ML j j u u u u u 0 F opt u u H u G u H N W u
26 MAP becslés példa stacionárius Gauss zaj, simasági prior W E N E F N esetén: F opt u Tehát a Wiener dekonvolúció is egy MAP becslés gyakorlatban nem határozható meg E Gyakran ehér zaj, és u u u N E F u u H G u u E E H N F u u u u értéke szabályozza, hogy mennyire domináljon a prior (magas rekvenciás komponensekért mennyire büntetünk). u W 1 E F u
27 Eljárások illusztrálása -3-
28 Ismertetett módszerek csoportosítása ML becslés: - Csak a megigyelési zaj osztályát ismerjük - Zajérzékenység jelentős probléma, csak a konzisztenciára igyel Példák: - Direkt dekonvolúció (additív Gauss zajos ML becslés) - Richardson Lucy (additív Poisson zajos, pozitivitási kényszeres ML becslés) MAP becslés: - Explicit módon deiniáljuk, hogy milyen jellegű képet akarunk - Ha jól regularizálunk, akkor a zajérzékenység redukálódik, de az eredmény kevésbé konzisztens Példák: - Csonkolt dekonvolúció - Wiener dekonvolúció (additív Gaussz zaj + rekvencia üggő energia minimalizáció) - Egyéb, regularizált dekonvolúciók
29 MAP és ML becslés összehasonlítása Stabilitás: MAP-nál a regularizáció célja ennek kikényszerítése (pl. sima, kevésbé zajos, stb. dekonvolvált kép előállítása) ML becslésnél ez legeljebb impliciten kényszeríthető ki (pl. iteratív becsléseknél konvergencia előtti leállás). Becslés inkonzisztenciája ( g h ): Likelihood tag minimalizálásával redukálható ML becsléseknél ennek az értéke kisebb ez viszont a zajos input képhez ( g) a becsült torzítatlan kép túlilleszkedést vonja maga után (rosszabb képminőség)
Fourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 5-7. ea. 2017 ősz 6. Előadás tartalma Spektrumszivárgás Képfeldolgozás frekvencia tartományban: 2D Spektrum gépi ábrázolása Szűrések frekvenciatartományban
RészletesebbenFourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 6-8. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 6-8. ea. 2016 ősz 6. előadás tartalma Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Spektrumszivárgás
RészletesebbenFourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 7-8. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 7-8. ea. 2015 ősz 7. előadás tartalma Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Frekvenciaszivárgás
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenKépalkotó diagnosztikai eljárások:
Képalkotó diagnosztikai eljárások: Soroljon fel néhány orvosi képalkotáson alapuló diagnosztikai eljárást, mely o Transzmissziós o Indukciós o Emissziós elv alkalmazásán alapul. Mire szolgálnak az egyes
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika 2017 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 2017 ősz Pozitron emissziós tomográfia alapelve Szervezetbe pozitron kibocsátására képes radioaktív izotópot tartalmazó anyagot visznek cukoroldatban. Sejtek
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
RészletesebbenACM Snake. Orvosi képdiagnosztika 11. előadás első fele
ACM Snake Orvosi képdiagnosztika 11. előadás első fele ACM Snake (ismétlés) A szegmentáló kontúr egy paraméteres görbe: x Zs s X s, Y s,, s A szegmentáció energia funkcionál minimalizálása: E x Eint x
RészletesebbenKéprestauráció Képhelyreállítás
Képrestauráció Képhelyreállítás Képrestauráció - A képrestauráció az a folyamat mellyel a sérült képből eltávolítjuk a degradációt, eredményképpen pedig az eredetihez minél közelebbi képet szeretnénk kapni
RészletesebbenAdatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika 2017 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 2017 ősz Előadások témája Röntgen tomográfia fizikai és matematikai alapjai 2D Radon transzformáció, szűrt visszavetítés: Fan beam / Cone beam felvételi
RészletesebbenDekonvolúció a mikroszkópiában. Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ
Dekonvolúció a mikroszkópiában Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ 2015 Fourier-Sorok Minden 2π szerint periodikus függvény előállítható f x ~ a 0 2 + (a
RészletesebbenKépalkotás modellezése, metrikái. Orvosi képdiagnosztika 6. ea ősz
Képalkotás modellezése, metrikái Orvosi képdiagnosztika 6. ea. 2015 ősz Jelölésjegyzék Rendszer válasza f gerjesztésre: Dirac-delta: x ; egységugrás: 0 idejű Dirac-delta gerjesztése a rendszer válasza:
RészletesebbenFourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 5-7. ea. 2017 ősz 5. Előadás témái Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Folytonos
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenKépalkotás modellezése, metrikái. Orvosi képdiagnosztika 2017 ősz
Képalkotás modellezése, metrikái Orvosi képdiagnosztika 2017 ősz Jelölésjegyzék Rendszer válasza f gerjesztésre: Dirac-delta: x ; egységugrás: 0 idejű Dirac-delta gerjesztése a rendszer válasza: h x x
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
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika 2017 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 2017 ősz Élet a konvex optimalizáción túl CT-s szimuláció, 10 projekcióból (ΔΘ=18 ): Konvex: L2-TV Valóban ritkasági priorral Lineáris tomoszintézis Speciális
RészletesebbenJelfeldolgozás bevezető. Témalaboratórium
Jelfeldolgozás bevezető Témalaboratórium Tartalom Jelfeldolgozás alapjai Lineáris rendszerelmélet Fourier transzformációk és kapcsolataik Spektrális képek értelmezése Képfeldolgozás alapjai Néhány nevezetesebb
RészletesebbenKéprekonstrukció 3. előadás
Képrekonstrukció 3. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Computed Tomography (CT) Elv: Röntgen-sugarak áthatolása 3D objektum 3D térfogati kép Mérések
Részletesebben3. Szűrés képtérben. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
3. Szűrés képtérben Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE http://www.inf.u-szeged.hu/~kato/teaching/ 2 Kép transzformációk típusai Kép értékkészletének radiometriai információ
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika előadás 2016 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 14.-15. előadás 2016 ősz Előadások témája Röntgen tomográfia fizikai és matematikai alapjai 2D Radon transzformáció, szűrt visszavetítés: Fan beam / Cone
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenElektronikus műszerek Spektrum analizátorok
1 Spektrumanalizátorok 1. Alapogalmak Az energia jellegű ill. teljesítmény jellegű spektrumokat tehát a teljesítmény-, az energiasűrűség-, a teljesítménysűrűség- és a kereszt-teljesítménysűrűség-spektrumot,
RészletesebbenHíradástechikai jelfeldolgozás
Híradástechikai jelfeldolgozás 13. Előadás 015. 04. 4. Jeldigitalizálás és rekonstrukció 015. április 7. Budapest Dr. Gaál József docens BME Hálózati Rendszerek és SzolgáltatásokTanszék gaal@hit.bme.hu
RészletesebbenKépalkotó diagnosztikai eljárások:
Képalkotó diagnosztikai eljárások: Soroljon fel néhány orvosi képalkotáson alapuló diagnosztikai eljárást, mely o Transzmissziós o Indukciós o Emissziós alkalmazásán alapul. Mire szolgálnak az egyes diagnosztikai
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika előadás 2015 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 14.-15. előadás 2015 ősz Előadások témája Röntgen tomográfia fizikai és matematikai alapjai 2D Radon transzformáció, szűrt visszavetítés: Fan beam / Cone
RészletesebbenGeofizikai kutatómódszerek I.
Geofizikai kutatómódszerek I. A gravitációs és mágneses kutatómódszer Dr. Szabó Norbert Péter egyetemi docens Miskolci Egyetem Geofizikai Intézeti Tanszék e-mail: norbert.szabo.phd@gmail.com 1. A gravitációs
RészletesebbenMesterséges Intelligencia I.
Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a
RészletesebbenKépalkotó diagnosztikai eljárások
Képalkotó diagnosztikai eljárások Soroljon fel néhány orvosi képalkotáson alapuló diagnosztikai eljárást, mely o transzmissziós o reflexiós o emissziós elv alkalmazásán alapul. Mire szolgálnak az egyes
RészletesebbenLineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika 2018 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 2018 ősz Előadások témája Röntgen tomográfia fizikai és matematikai alapjai 2D Radon transzformáció, szűrt visszavetítés: Fan beam / Cone beam felvételi
RészletesebbenSzcintillációs gamma spektrumok gyors és hatékony kiértékelésére alkalmazható numerikus módszerek továbbfejlesztése
ZRÍNYI MIKLÓS NEMZETVÉDELMI EGYETEM BOLYAI JÁNOS KATONAI MŰSZAKI KAR KATONAI MŰSZAKI DOKTORI ISKOLA Hanka László Szcintillációs gamma spektrumok gyors és hatékony kiértékelésére alkalmazható numerikus
RészletesebbenA médiatechnológia alapjai
A médiatechnológia alapjai Úgy döntöttem, hogy a Szirányi oktatta előadások számonkérhetőnek tűnő lényegét kiemelem, az alapján, amit a ZH-ról mondott: rövid kérdések. A rész és az egész: összefüggések
RészletesebbenDigitális mérőműszerek. Kaltenecker Zsolt Hiradástechnikai Villamosmérnök Szinusz Hullám Bt.
Digitális mérőműszerek Digitális jelek mérése Kaltenecker Zsolt Hiradástechnikai Villamosmérnök Szinusz Hullám Bt. MIRŐL LESZ SZÓ? Mit mérjünk? Hogyan jelentkezik a minőségromlás digitális jel esetében?
RészletesebbenIrányításelmélet és technika II.
Irányításelmélet és technika II. Modell-prediktív szabályozás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 2010 november
RészletesebbenMesterséges 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
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
RészletesebbenPasszív és aktív aluláteresztő szűrők
7. Laboratóriumi gyakorlat Passzív és aktív aluláteresztő szűrők. A gyakorlat célja: A Micro-Cap és Filterlab programok segítségével tanulmányozzuk a passzív és aktív aluláteresztő szűrők elépítését, jelátvitelét.
RészletesebbenAdatmodellez es, f uggv enyilleszt es m arcius 12.
Adatmodellezés, függvényillesztés 2018. március 12. Adatmodellezés Fizikai törvény: Egy elmélet, valamilyen idea a világról Matematikai összefüggéseket adunk a mennyiségek között Az összefüggések konstansokat,
RészletesebbenKépfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika
Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenDigitális jelfeldolgozás
Digitális jelfeldolgozás Átviteli függvények Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. október 13. Digitális
RészletesebbenNem roncsoló tesztelés diszkrét tomográfiával
Nem roncsoló tesztelés diszkrét tomográfiával Dr. Balázs Péter, adjunktus Képfeldolgozás és Számítógépes Grafika Tanszék SZTE TTIK, Informatikai Tanszékcsoport A teszteléshez használt CT berendezés lapdetektor
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
RészletesebbenDigitális jelfeldolgozás
Digitális jelfeldolgozás Kvantálás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010. szeptember 15. Áttekintés
RészletesebbenNorma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei
Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:
RészletesebbenFehérzajhoz a konstans érték kell - megoldás a digitális szűrő Összegezési súlyok sin x/x szerint (ez akár analóg is lehet!!!)
DSP processzorok: 1 2 3 HP zajgenerátor: 4 Shift regiszter + XOR kapu: 2 n állapot Autókorrelációs függvény: l. pénzdobálás: (sin x/x) 2 burkoló! Fehérzajhoz a konstans érték kell - megoldás a digitális
RészletesebbenSTATISZTIKA. Mit nevezünk idősornak? Az idősorok elemzésének módszertana. Az idősorelemzés célja. Determinisztikus idősorelemzés
Mit nevezünk idősornak? STATISZTIKA 10. Előadás Idősorok analízise Egyenlő időközökben végzett megfigyelések A sorrend kötött, y 1, y 2 y t y N N= időpontok száma Minden időponthoz egy adat, reprodukálhatatlanság
RészletesebbenDIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG:
DIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG: kisszandi@mailbox.unideb.hu ImageJ (Fiji) Nyílt forrás kódú, java alapú képelemző szoftver https://fiji.sc/ Számos képformátumhoz megfelelő
RészletesebbenShift regiszter + XOR kapu: 2 n állapot
DSP processzorok: 1 2 HP zajgenerátor: 3 Shift regiszter + XOR kapu: 2 n állapot Autókorrelációs függvény: l. pénzdobálás: (sin x/x) 2 burkoló! 4 Fehérzajhoz a konstans érték kell - megoldás a digitális
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
Részletesebben2. gyakorlat Mintavételezés, kvantálás
2. gyakorlat Mintavételezés, kvantálás x(t) x[k]= =x(k T) Q x[k] ^ D/A x(t) ~ ampl. FOLYTONOS idı FOLYTONOS ANALÓG DISZKRÉT MINTAVÉTELEZETT DISZKRÉT KVANTÁLT DIGITÁLIS Jelek visszaállítása egyenköző mintáinak
RészletesebbenPontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
Részletesebben10. tétel Függvények lokális és globális tulajdonságai. A differenciálszámítás alkalmazása
. tétel Függvények lokális és globális tulajdonságai. A dierenciálszámítás alkalmazása FÜGGVÉNY De: A üggvény egyértelmű hozzárendelés két halmaz elemei között. A halmaz minden eleméhez B halmaz legeljebb
RészletesebbenSzepesvári Csaba. 2005 ápr. 11
Gépi tanulás III. Szepesvári Csaba MTA SZTAKI 2005 ápr. 11 Szepesvári Csaba (SZTAKI) Gépi tanulás III. 2005 ápr. 11 1 / 37 1 Döntési fák 2 Felügyelet nélküli tanulás Klaszter-anaĺızis EM algoritmus Gauss
RészletesebbenA Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában
A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés
RészletesebbenDinamikus rendszerek paramétereinek BAYES BECSLÉSE. Hangos Katalin VE Számítástudomány Alkalmazása Tanszék
Dinamikus rendszerek paramétereinek BAYES BECSLÉSE Hangos Katalin VE Számítástudomány Alkalmazása Tanszék 1 Bayes-becslések 1. A véletlen Bayes féle fogalma A "véletlen" Bayes féle értelmezése a megfigyelést
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat
RészletesebbenKéprekonstrukció 6. előadás
Képrekonstrukció 6. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Diszkrét tomográfia (DT) A CT-hez több száz vetület szükséges időigényes költséges károsíthatja
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenInferencia. ADOTTAK:! generatív modell: például: DAG + prior(ok) + likelihood(ok) P(X 1,X 2,,X n ) megfigyelések: D = {X i = x i, X j = x j, }
Street1931 Falk1975 Falk1975 Inferencia ADOTTAK:! generatív modell: például: DAG + prior(ok) + likelihood(ok) P(X 1,X 2,,X n ) megfigyelések: D = {X i = x i, X j = x j, }! KISZÁMOLANDÓK:! normalizáció
RészletesebbenGauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
RészletesebbenNemlineáris programozás 2.
Optimumszámítás Nemlineáris programozás 2. Többváltozós optimalizálás feltételek mellett. Lagrange-feladatok. Nemlineáris programozás. A Kuhn-Tucker feltételek. Konvex programozás. Sydsaeter-Hammond: 18.1-5,
RészletesebbenHadházi Dániel.
Hadházi Dániel hadhazi@mit.bme.hu Orvosi képdiagnosztika: Szerepe napjaink orvoslásában Képszegmentálás orvosi kontextusban Elvárások az adekvát szegmentálásokkal szemben Verifikáció és validáció lehetséges
RészletesebbenAz Orvosi Fizika Szigorlat menete a 2012/2. tanévtől
Az Orvosi Fizika Szigorlat menete a 2012/2. tanévtől 1. A szigorlat menete A szigorlatot a Fizikus MSc orvosi fizika szakirányos hallgatók a második vagy harmadik szemeszterük folyamán tehetik le. A szigorlat
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
RészletesebbenIrányításelmélet és technika II.
Irányításelmélet és technika II. Legkisebb négyzetek módszere Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 200 november
RészletesebbenNeurális hálók tanítása során alkalmazott optimalizáció
Neurális hálók tanítása során alkalmazott optimalizáció Háló paramétereinek tanulása Lényegében egy szélsőérték keresési feladat: θ: háló paramétereinek vektora X: tanító minták bemeneteiből képzett mátrix
RészletesebbenAbszorpciós spektroszkópia
Tartalomjegyzék Abszorpciós spektroszkópia (Nyitrai Miklós; 2011 február 1.) Dolgozat: május 3. 18:00-20:00. Egész éves anyag. Korábbi dolgozatok nem számítanak bele. Felmentés 80% felett. A fény; Elektromágneses
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
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
Részletesebben2. témakör. Sztochasztikus, stacionárius és ergodikus jelek leírása idő és frekvenciatartományban
2. témakör Sztochasztikus, stacionárius és ergodikus jelek leírása idő és frekvenciatartományban Bevezetés Egy összetett jel, amely nem feltétlen periodikus, de stabil amplitúdójó és frekvenciájú diszkrét
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás
RészletesebbenKépfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz
Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika 9. ea. 2015 ősz Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás,
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan
RészletesebbenPanorámakép készítése
Panorámakép készítése Képregisztráció, 2009. Hantos Norbert Blaskovics Viktor Összefoglalás Panoráma (image stitching, planar mosaicing): átfedő képek összeillesztése Lépések: Előfeldolgozás (pl. intenzitáskorrekciók)
RészletesebbenInjektív függvények ( inverz függvény ).
04 október 6 3 Függvényábrázolások, Függvények kompozíciója ( összetett üggvény ), Bev Mat BME Injektív üggvények ( inverz üggvény ) 0 0 0 0 ( ) ( ) 5 5 5 5 Ábrázolás Függvénytranszormációval : 3 y y 5
RészletesebbenSearching in an Unsorted Database
Searching in an Unsorted Database "Man - a being in search of meaning." Plato History of data base searching v1 2018.04.20. 2 History of data base searching v2 2018.04.20. 3 History of data base searching
RészletesebbenA keveredési réteg magasságának detektálása visszaszóródási idősorok alapján
ORSZÁGOS METEOROLÓGIAI SZOLGÁLAT A keveredési réteg magasságának detektálása visszaszóródási idősorok alapján Timár Ágnes Alapítva: 1870 A planetáris határréteg (PHR) Mechanikus és termikus turbulencia
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenModern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt
Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak
RészletesebbenHatvány gyök logaritmus
Szent István Egyetem Gépészmérnöki Kar Matematika Tanszék 1 Hatvány gyök logaritmus Hatványozás azonosságai 1. Döntse el az alábbi állításról, hogy igaz-e vagy hamis! Ha két szám négyzete egyenl, akkor
RészletesebbenMit lássunk élnek? Hol van az él? Milyen vastag legyen? Hol
Textúra Könnyű az élt megtalálni? Mi lássunk élnek? Mit lássunk élnek? Hol van az él? Milyen vastag legyen? Mit lássunk élnek? Zaj A zajpontokat nem szabad az élpontokkal összekeverni Egy vagy két él?
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 324/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenHa ismert (A,b,c T ), akkor
Az eddigiekben feltételeztük, hogy a rendszer állapotát mérni tudjuk. Az állapot ismerete szükséges az állapot-visszacsatolt szabályzó tervezéséhez. Ha nem ismerjük az x(t) állapotvektort, akkor egy olyan
RészletesebbenAkusztikai tervezés a geometriai akusztika módszereivel
Akusztikai tervezés a geometriai akusztika módszereivel Fürjes Andor Tamás BME Híradástechnikai Tanszék Kép- és Hangtechnikai Laborcsoport, Rezgésakusztika Laboratórium 1 Tartalom A geometriai akusztika
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
RészletesebbenHelymeghatározási alapelvek és módszerek
Helymeghatározási alapelvek és módszerek Helymeghatározás alapjai, 2. rész Hollósi Gergely 1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai Tanszék 2015 Hollósi Gergely
RészletesebbenSergyán Szabolcs szeptember 21.
Éldetektálás Sergyán Szabolcs Budapesti Műszaki Főiskola Neumann János Informatikai Kar 2009. szeptember 21. Sergyán Sz. (BMF NIK) Éldetektálás 2009. szeptember 21. 1 / 28 Mit nevezünk élnek? Intuitív
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 9. előadás: Paraméteres iterációk, relaxációs módszerek Lócsi Levente ELTE IK Tartalomjegyzék 1 A Richardson-iteráció 2 Relaxált Jacobi-iteráció 3 Relaxált Gauss Seidel-iteráció
RészletesebbenMérési struktúrák
Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést
RészletesebbenKépfeldolgozási módszerek a geoinformatikában
Képfeldolgozási módszerek a geoinformatikában Elek István Klinghammer István Eötvös Loránd Tudományegyetem, Informatikai Kar, Térképtudományi és Geoinformatikai Tanszék, MTA Térképészeti és Geoinformatikai
RészletesebbenAz agyi jelek adaptív feldolgozása MENTÁ LIS FÁ R A DT S ÁG MÉRÉSE
Az agyi jelek adaptív feldolgozása MENTÁ LIS FÁ R A DT S ÁG MÉRÉSE Bevezetés I. A fáradtság lehet fizikai: a normál testi funkciók hiánya mentális: csökkent agyi aktivitás vagy kognitív funkciók. Megjelenhet
Részletesebben