Röntgen diagnosztikai eljárások:
|
|
- Imre Magyar
- 5 évvel ezelőtt
- Látták:
Átírás
1 Röntgen dagnosztka eljárások: Vázlatosan smertesse egy röntgen alapú képalkotó berendezés felépítését! ogyan keletkezk a röntgen foton, m határozza meg az energáját? Mt nevezünk kollmátornak? Mt mond k az nverz négyzetes törvény? Vázlatosan mből áll egy röntgen detektor? Értelmezze a lentebb összefüggést! Saját szavaval adj meg, hogy mt modellez? Monokromatkus röntgensugár esetén hogyan egyszerűsödk az összefüggés? ogy nevezzük azt az artfaktot, mely abból ered, hogy hbásan monokromatkusnak feltételezzük a röntgensugarat? x I I E exp s, E dsde M történk foto-elektromos kölcsönhatás, lletve Compton szóródás esetén? Mlyen fzka anyagok mlyen jellegű nterakcót írják le ezek a jelenségek? Értelmezze a lentebb megadott összefüggést. Ez az előbb felsorolt két hatás közül melyket írja le? Legnkább mely változótól függ ezen kölcsönhatás bekövetkezésének a valószínűsége? E f Ehe Eke M a szcntllácó lényege? Mlyen esetekben van rá szükség? Nevezzen meg egy konkrét lyen esetet! Dgtáls képek alkotása és tárolása: Mt jelent a fény kettős természete (hullámmozgás és kvantumelmélet megközelítés). A fénynek, mnt elektromágneses sugárzásnak mlyen tulajdonságat smer? Mtől függ egy foton energája? Ez mt befolyásol orvos képalkotás során? Ismertesse a fényérzékelés folyamatát! ogyan működnek a félvezetők? Mt jelentenek az alább fogalmak: vegyértéksáv, vezetés sáv, tltott sáv, lyuk, elektron, N típus, P típusú félvezető? ogyan épülnek fel és hogyan működnek a fényérzékeny MOS kapactások? ogyan épülnek fel és hogy működnek a CCD érzékelők? Mt nevezünk szcntllácónak és mkor van rá szükség? ogyan működnek és hogyan épülnek fel a látható fotonoknál nagyobb energájú fotonokra (pl. uv, röntgen, gamma sugarak) érzékeny detektorok? ogyan működk a Graphcs Interchange Format alapú képtárolás? Ismertesse a Portable Network Graphcs formátum során alkalmazott tömörítés eljárás főbb lépéset! Ismertesse a Jont Photographc Experts Group formátum tömörítő eljárásának főbb lépéset. Mlyen melléktermékeket okozhat ez a fajta tömörítő eljárás? Ismertesse a DICOM szabvány képtárolásának főbb jellemzőt, valamnt a szabvány általánosabb jellegét! Lneárs dőnvaráns rendszerek / képalkotás metrká: M a ht súlyfüggvényű LTI rendszer st gerjesztő jelre adott válasza (és a válaszfüggvény spektruma)? M az LTI rendszerek dentfkácója során a feladat és ennek megvalósítása mlyen módszerekkel lehetséges (adjon 3 példát az dentfkácó megvalalósítására, az egyes példák esetén térjen k az adott módszer realzálhatóságára s)? Mt defnál egy képalkotó rendszer esetén a Pont Spread Functon (PSF) és a Modulaton Transfer Functon (MTF), ezek mlyen kapcsolatban állnak a képalkotó rendszer súlyfüggvényével, lletve átvtel függvényével. Formálsan smertesse az általános képalkotás
2 (3D objektumból D projekcóba képző) megfgyelés modelljét (nterpretálja a modell tagjanak a jelentését)! Lneárs, eltolás nvaráns képalkotó rendszerek esetén defnálja az effektív felbontás fogalmát! ogyan mérhető a rendszer súlyfüggvényének (PSF) smeretében? Adjon példát foton fluxusának mérésén alapuló képalkotó rendszerek (pl. konvenconáls fényképezőgép, röntgen detektor, stb.) esetén az effektív felbontás meghatározására (mlyen fantomokkal / vzsgálóábrákkal történk a mérés)! M az effektív felbontáson, mnt metrkán alapuló mnősítés legjelentősebb hányossága? Defnálja a jel/zaj vszony (SNR) fogalmát (általános jelfeldolgozás szemszögből). Képek esetén m az SNR defnícója? Defnálja a kontraszt/ zaj arányt (CNR) és részletesen fejtse k, hogy képek esetén hogyan számítandó. Alkalmazható-e a CNR nemlneárs rendszerek mnősítésére (válaszát ndoklással támassza alá)? Mlyen valószínűség folyamattal modellezhető a foton sugárzás folyamata. Defnálja az nherens zaj fogalmát. Ideáls detektor által rögzített kép jel / zaj aránya (SNR) hogyan vszonyul a felületét érő sugárzás jel / zaj arányához (SNR), és m a pontos értéke, ha a detektor egy érzékelőelemébe átlagosan Q foton csapódk? Defnálja a zaj teljesítmény spektrum (NPS), a normalzált zaj teljesítmény spektrum (NNPS), lletve a zaj ekvvalens kvantum (NEQ) fogalmát mnd saját szavával, mnd formálsan! Ezen mérőszámok szernt összehasonlításnál mlyen megkötéssel kell élnünk a vzsgálósugárzás dózsára (fotonjanak számára)? M a Detektált kvantum hatékonyság (DQE) formáls defnícója és nterpretácója (ez utóbbt elég szövegesen megadn)? Fourer analízs: Származtassa az xt egyváltozós folytonos jel, végtelen pontban 1 t frekvencával mntavettjének DTFT spektrumát ( X s -t) X függvényeként. Segítségül a Drac fésű ( x x ) spektruma x, x az egymással szomszédos mntavételek x távolságát, míg a körfrekvencát jelöl). Mkor beszélünk alul-mntavételezésről, ez hogyan torzítja a mntavett kép spektrumát, lletve hogy nevezk az átlapolódásból keletkező fals mntázatot? ogyan lehet az átlapolást elkerüln? Mondja k a Nyqust-Shannon mntavétel törvényt! Defnálja formálsan a mntavételezett jel rekonstrukcójának a folyamatát (emlékeztetőül a DTFT spektrum perodkus). M a feltétele a mntavételezés előtt jel torzítás nélkül rekonstruálhatóságának. Mlyen követelménynek kell megfelelne az nterpolácós kernelnek, ha a mntavett jel szélétől eltekntve vssza akarjuk állítan a mntavételezés előtt folytonos jelet (tehát hba nélkül akarunk nterpoláln), és ennek lehetőségét a mntavételezés nem zárja k? Az alább ábrák a Nearest Neghbour (-ad rendű tartó) és a lneárs nterpolácós (első rendű nterpolácó) kernelek spektrumának ampltúdóját ábrázolják a síkfrekvenca függvényében. Ezek alapján az NN, lletve a lneárs kernellel történő nterpolácó alkalmazása a rekonstruált jel mlyen torzulását eredményez? (Segítség: Mndkét ábrára rajzolja be az deáls nterpolácós kernel spektrumának ampl.-ját)
3 1 1 Ampltudo.5-4*p -*p *p 4*p Síkfrekvenca Ampltudo.5-4*p -*p *p 4*p Síkfrekvenca M okozza a spektrumszvárgás jelenségét? Defnálja a véges hosszú (N elemű), mntavételezett xk jel megfgyelés ekvvalensét ( x k )! Mlyen kapcsolatban áll egymással xk DFT és k x DTFT spektruma? Mlyen módszert smer a spektrumszvárgás hatásának redukálására? Értelmezze az előbb kérdezett módszer működését dő / képtartományban. Képtérben hogy néz k az alább ábrán látható ampltúdó spektrumú kép (Folytonos Fourer transzformácót alkalmaztunk)? A baloldal ábra a folytonos spektrum ampltudójából képzett logartmkus skálájú ntenztáskép, mely főátlójának ntenztásproflját a jobboldal ábra mutatja. -p -p/ -5 1 p/ -1 p -15 -Inf -p -p/ p/ p [-p, -p][-p/, -p/] [, ] [p/, p/] [p, p] Ugyanezen kép D dszkrét Fourer Transzformáltjának az ampltúdója az alább két ábrán látható (az ábrák értelmezése megegyezk az előző két ábráéval). Mlyen jelenség fgyelhető meg az ábrán? ogyan kompenzálható az torzulás? -p -p/ p/ p -p -p/ p/ p Formálsan defnálja a D dszkrét Fourer Transzformácót. Adjon N komplextású algortmust a transzformált előállítására, amennyben N N méretű az nput ntenztáskép (segítségül nem az FFT-re gondolunk, és azt nem s fogadjuk el válaszként). M a half complex ábrázolás lényege, a Fourer transzformácó mely tulajdonságát használja k a spektrum ezen g k, f k két 1D, véges mntavételezett jel. Defnálja ábrázolás módja? Tegyük fel, hogy DFT 1 DFT g DFT k jelet dszkrét dőtartományban, az elemenként szorzást jelöl.
4 Közelítőleg helyesen ábrázolja az Alul-áteresztő, Felül-áteresztő, lletve Sáváteresztő szűrések súlyfüggvényet (dőtartományban), lletve átvtel függvényük ampltúdóját (frekvencatartományban)! M a Gbbs artfakt lényege? Defnáljon olyan esetet, mely során ez a jelenség torzítja a képeket. ogyan kerülhetjük el ezen műtermék megjelenését? Adja meg azon alul-áteresztő szűrő spektrumát, mely C vágás frekvenca mellett maxmalzálja a jelenség előfordulásának a valószínűségét (ha egy fehér teljesítmény sűrűség spektrumú eloszlás mntán alkalmazzuk). Melyk szűrőt defnálja az alább összefüggés: Bu, v 1 1 C u v kapcsolódk a Gbbs artfakt problémához a fentebb defnált szűrő? n? ogyan Inverz probléma: Értelmezze a D nverz probléma megfgyelés modelljét: g h f. Mt jelölnek az egyes változók, értékükre mlyen feltétel adható meg? Leírható-e a fent modellel pozícófüggő PSF (válaszát ndokolja)? Defnálja a drekt dekonvolúcó átvtel függvényét! M az eljárás által becsült kép spektruma, ha F jelöl a torzítatlan kép, jelöl a valód PSF, N a megfgyelés zaj, míg az általunk becsült PSF (mely alapján végezzük a dekonvolúcót) spektrumát? A becsült spektrum értelmezésével mondja k a drekt módszer alkalmazásának legfőbb hátrányát (feltehetjük, hogy ' mnden síkfrekvencán), adjon módszert a probléma korrekcójára! Defnálja azon statsztka becslést, mely optmáls megoldása a drekt dekonvolúcó eredménye! asonlítsa össze a csonkolt dekonvolúcót a drekt dekonvolúcóval! Mely problémákat képes a csonkolt dekonvolúcó kküszöböln és mely hányosságokat nem? Adja meg azon feltételes valószínűség defnícóját, melyet maxmalzál a csonkolt dekonvolúcó eredménye! asonlítsa össze formálsan (átvtel függvényük szernt) a Wener nverz szűrést a csonkolt dekonvolúcóval! ogyan nterpretálható az átvtel függvény prossal kemelt tagja? ogyan és hol jelenk meg a Wener nverz szűrés, és a csonkolt dekonvolúcó átvtel függvényében a zaj kezelése? Értelmezze az paraméter hatását. Segítségül a képtartománybel megfgyelés modell formálsa: g h f n, a két nverz szűrés átvtel függvénye: Wner u 1 u 1 E N E u u F u, Truncated u 1/ asonlítsa össze formálsan a maxmum lkelhood (ML) becslést a maxmum a posteror (MAP) becsléssel (a két becslés mely valószínűség sűrűségfüggvények maxmumhelyét keres)! Ismertesse a két eljárás büntetőfüggvényes nterpretácóját (hogyan származtatjuk a büntetőfüggvényeket a sűrűségfüggvényekből, azok mlyen tagokra bonthatóak, és m az egyes tagok nterpretácója)! Mlyen lehetőségek vannak a zaj kezelésére ML, lletve MAP becslés esetén? Poztvtás kényszeres ML becslést realzál a Rchardson Lucy algortmus. Az eljárás a lentebb közölt egyenletet oldja meg teratívan. M az egyes valószínűségek fzka értelmezése, és pontosan hogy történk egy-egy terácó során az eljárás által becsült valószínűség frssítése? Segítségül a torzítás megfgyelés modellje: g f h, ahol g a mért, torzított kép, f a u u u
5 torzító LTI rendszer bemenete, h a torzítás súlyfüggvénye (PSF), az addtív zaj). Az eljárás explcten kezel-e a zajos mérések problémáját, ha gen, hogyan? P f k g f f k g k g f P k j f j P P P Általános képfeldolgozás: j P Egy hsztogram módosítás karaktersztkája a lent ábrán látható. A bemenet kép függvényében hogyan defnálható a kmenet kép? Defnálja egy kép hsztogramját! Mt csnál egy hsztogram kegyenlítő eljárás? M a hsztogram kegyenlítés célja? Mlyen esetekben érdemes az adaptív változatát alkalmazn? Mt értünk adaptív hsztogram módosítás alatt? Mlyen jellegű képmódosítást eredményez a lentebb megadott mátrxú szűrővel történő képszűrés? Frekvencatartományban hogyan végezhető el a szűrés? Adja meg a kernel frekvencatartománybel reprezentácóját! M a homomorfkus szűrés lényege? Mlyen esetekben érdemes alkalmazn? Formálsan lássa be, hogy az előző kérdésre adott probléma valóban megoldható / kompenzálható a szűrés elvégzésével! M az ordered statstcs szűrések lényege? Lneárs ez szűréstípus? Mlyen jellegű torzulások esetén érdemes lyen szűréseket alkalmazn? M a medánszűrő, mlyen torzítások esetén célszerű alkalmazn? Formálsan defnálja azon 1d jeleket, melyek egy 3 ablak nagyságú medánszűrő root jelet (azon 1d jeleket, melyeket a szűrés nem módosít)! Mt jelent képfeldolgozás témakörében az adaptív szűrés kfejezés? A Lee szűrés összefüggéset a lentebb összefüggéssel adtuk meg. Értelmezze, hogy hogyan működk a szűrés, valamnt adja meg az összes olyan 3 3-as ntenztásképet, melyre alkalmazva a szűrést a (,) koordnátájú pxel ntenztása nem változk (az ablak méretétől eltekntve a szabad paraméterek értékétől függetlenül)! Mt szabályoz heursztkusa megfontolást rá!,, X X F X X, j, j 1 j x j 1 8 1, j1 X X, k, l, j k, l1, j / n megválasztása, adjon, j, x, j max x n,
6 Értelmezze a Walls operátor működését, nterpretálja a szabad paramétereket, analzálja a szűrés vselkedését! Értelmezze az alább összefüggéseket! Adja meg, hogy m mt jelöl, és adja meg a defnált változók szöveges nterpretácóját!,, ahol Mlyen lneárs eltolás nvaráns szűréseket / szűrőket smer képzaj redukálására, lletve élek kemelésére, rányuk meghatározására. Mben térnek el ezek a szűrők egymástól, és egyenként mlyen előnnyel, valamnt hátránnyal rendelkeznek? ogyan alkalmazható a KLT / PCA transzformácó képtömörítésre? Mlyen előnyökkel, és mlyen hátrányokkal bír a JPEG / GIF által alkalmazott tömörítésekhez (LZW, DCT és kvantálás) képest? Mért nem használják az smertebb képtároló formátumok? Mlyen megfontolásokat követve alkalmazható az EM eljárás küszöbölésre? M az EM eljárás (mnt statsztka becslés) alapötlete? ogy néz k az eljárás egy terácója (formálsan írja le általános esetben (nem smertek a konkrét eloszlások) annak lépéset)? Értelmezze az alább összefüggés változót: L X θ log P X θ P Z X,θ zz Mt értünk régó alapú szegmentálás alatt, mlyen követelményeknek kell, hogy egy lyen szegmentálás eleget tegyen? Ismertesse a régó növesztés, lletve a régó darabolás és egyesítés eljárásokat! Mlyen problémákat tud megemlíten ezen eljárások alkalmazása esetén? Írja körül, hogy mt értünk textúra alatt! ogyan lehet alkalmas az autokorrelácója egy adott régó ntenztásanak az adott régóban megfgyelhető textúra leírására? Durva, vagy fnom textúra esetén nformatívabb ezen leíró? Mt lehet kolvasn az értékéből? m, n I j, k I j m, k n I j, k j k j k Interpretálja lentebb összefüggéssel defnált ko-okkurenca mátrxot. Adjon egy olyan metrkát, mely ezt felhasználva számszerűsít a régó kontrasztját! és,,,,,, Cd a,b = x, y I x y a I v w b, v, w M M, x y v w d M N ab, = d C ab, d C a,b d a,b Mért nem adnak jó megoldást az él alapú szegmentáló eljárások általános képek esetén? Ezen a problémán hogyan tud javítan (adjon, vagy nevezzen meg egy konkrét módszert)! ogyan kapcsolódk ehhez a kérdéskörhöz a ough transfzormácó?
7 Értelmezze a ough transzformácó lentebb megadott változatat? Mely geometra alakzatok meghatározása válk egyszerűvé a ough tartománybel küszöböléssel, és mért? ; r x a y b Saját szavaval írja le a főkomponens analízs lényegét, adja meg formálsan annak kszámításának lépéset! Értelmezze a lentebb megadott formáls összefüggéseket, valamnt adja meg, hogy hogyan határozná meg M legksebb olyan értékét, melynél.1-nél nem nagyobb a vsszaállítás átlagos négyzetes hbája! M T x φ φ x, 1 N Cx,x φ φ, T E T M1 φ xx φ Deformálható modellek: Szövegesen adja meg az ASM eljárás főbb lépéset! Mlyen esetekben alkalmazható jól, és mkor nem az eljárás? Mben tér el egymástól az ASM és az AAM? Az ASM esetén mt értünk modell építés alatt? Mnek a modelljét építjük fel, és ehhez mely eljárást alkalmazzuk és mlyen célból? Mre kell ügyeln a modell építése során? ogyan generálhatunk mesterségesen hhető kontúrokat a modell felhasználásával? Mlyen megkötést érdemes alkalmazn ezen kontúrok generálása során és ennek m az oka? Mlyen szerepe lehet a multrezolúcós technkának a képszegmentálás eljárásoknál? Az ASM eljárás esetén konkrétan mért érdemes ezt alkalmazn, és mlyen hbákat lehet így elkerüln? Értelmezze az előadáson smertetett lentebb ASM összefüggést! ogyan relaxálja az a valóban megoldandó feladatunkat? Ezen relaxácó mlyen esetben jelent problémát? M a motvácója a feltétel alkalmazásának? max. I s.t. b 3 xb Mlyen célt szolgál az ortogonáls Prokrusztész analízs ASM esetén? Amennyben alkalmazása elkerülhetetlen, akkor hogyan módosul a szegmentálás ahhoz az esethez képest, amkor nem kell alkalmazn? Mlyen esetben kell ezt alkalmazn?
Mi a szcintilláció lényege? Milyen esetekben van rá szükség? Nevezzen meg egy konkrét ilyen esetet!
Röntgen dagnosztka eljárások: Vázlatosan smertesse egy röntgen alapú képalkotó berendezés felépítését! ogyan keletkezk a röntgen foton, m határozza meg az energáját? Mt nevezünk kollmátornak? Mt mond k
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
RészletesebbenIndirekt térfogat-vizualizáció. Fourier térfogat-vizualizáció. Tomográfiás rekonstrukció. Radon-transzformáció. A Fourier vetítő sík tétel
Vzualzácós algortmusok csoportosítása Indrekt térfogat-vzualzácó Csébfalv Balázs Budapest Műszak és Gazdaságtudomány Egyetem Irányítástechnka és Informatka Tanszék Drekt vzualzácó: Közvetlenül a dszkrét
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
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
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:
Részletesebben4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
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
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
Részletesebben7. Előadás tartalma. Lineáris szűrők: Inverz probléma dekonvolúció: Klasszikus szűrők súly és átviteli függvénye Gibbs jelenség
7. Előadás tartalma Lineáris szűrők: Klasszikus szűrők súly és átviteli üggvénye Gibbs jelenség Inverz probléma dekonvolúció: Inverz probléma ormális elírása Dekonvolúció nehézsége Közismert algoritmusok:
RészletesebbenFuzzy rendszerek. A fuzzy halmaz és a fuzzy logika
Fuzzy rendszerek A fuzzy halmaz és a fuzzy logka A hagyományos kétértékű logka, melyet évezredek óta alkalmazunk a tudományban, és amelyet George Boole (1815-1864) fogalmazott meg matematkalag, azon a
RészletesebbenFourier 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
RészletesebbenJelfeldolgozás bevezető. Témalaboratórium
Jelfeldolgozás bevezető Témalaboratórium Tartalom Jelfeldolgozás alapjai Lineáris rendszerelmélet Fourier transzformációk és kapcsolataik Spektrális képek értelmezése Képfeldolgozás alapjai Néhány nevezetesebb
Részletesebben10. Alakzatok és minták detektálása
0. Alakzatok és mnták detektálása Kató Zoltán Képfeldolgozás és Számítógépes Grafka tanszék SZTE http://www.nf.u-szeged.hu/~kato/teachng/ 2 Hough transzformácó Éldetektálás során csak élpontok halmazát
RészletesebbenMinősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
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
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
RészletesebbenSupport Vector Machines
Support Vector Machnes Ormánd Róbert MA-SZE Mest. Int. Kutatócsoport 2009. február 17. Előadás vázlata Rövd bevezetés a gép tanulásba Bevezetés az SVM tanuló módszerbe Alapötlet Nem szeparálható eset Kernel
RészletesebbenRégió alapú szegmentálás. Digitális képelemzés alapvető algoritmusai. 2. példa: Elfogadható eredmények. 1. példa: Jó eredmények. Csetverikov Dmitrij
Régó alapú szegmentálás Dgtáls képelemzés alapvető algortmusa Csetverkov Dmtrj Eötvös Lóránd Egyetem, Budapest csetverkov@sztak.hu http://vson.sztak.hu Informatka Kar 1 Küszöbölés példá és elemzése Küszöbölés
RészletesebbenStatisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
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
RészletesebbenMéréselmélet: 5. előadás,
5. Modellllesztés (folyt.) Méréselmélet: 5. előadás, 03.03.3. Út az adaptív elárásokhoz: (85) és (88) alapán: W P, ( ( P). Ez utóbb mndkét oldalát megszorozva az mátrxszal: W W ( ( n ). (9) Feltételezve,
RészletesebbenIDA ELŐADÁS I. Bolgár Bence október 17.
IDA ELŐADÁS I. Bolgár Bence 2014. október 17. I. Generatív és dszkrmnatív modellek Korábban megsmerkedtünk a felügyelt tanulással (supervsed learnng). Legyen adott a D = {, y } P =1 tanító halmaz, ahol
RészletesebbenKépfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika
Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés
RészletesebbenEM algoritmus. A feladat: egy valószínűség eloszlás valmilyen paraméterét(vektorát) akarjuk becsülni részlegesen megfigyelhető.
Szegmentálás Szegmentálás Hsztogram alapján, paraméteres hsztogram modell, EM algortmus Pontokra egyenes, lletve előre defnált alakú görbe llesztés, Hough transzformácó Modell alapú szegmentálás, ASM (AAM)
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
RészletesebbenTÉRBELI STATISZTIKAI VIZSGÁLATOK, ÁTLAGOS JELLEMZŐK ÉS TENDENCIÁK MAGYARORSZÁGON. Bihari Zita, OMSZ Éghajlati Elemző Osztály OMSZ
TÉRBELI STATISZTIKAI VIZSGÁLATOK, ÁTLAGOS JELLEMZŐK ÉS TENDENCIÁK MAGYARORSZÁGON Bhar Zta, OMSZ Éghajlat Elemző Osztály OMSZ Áttekntés Térbel vzsgálatok Alkalmazott módszer: MISH Eredmények Tervek A módszer
Részletesebben20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!
SPEC 2009-2010. II. félév Statsztka II HÁZI dolgozat Név:... Neptun kód: 20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek! 1. példa Egy üzemben tejport csomagolnak zacskókba,
RészletesebbenA multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege
A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése
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
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás 17. 3D Szegmentálás http://cg.t.bme.hu/portal/node/312 https://www.vk.bme.hu/kepzes/targyak/viiiav54 Dr. Várady Tamás, Dr. Salv Péter BME, Vllamosmérnök
RészletesebbenEllenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz
Ellenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz 1. Hogyan lehet osztályozni a jeleket időfüggvényük időtartama szerint? 2. Mi a periodikus jelek definiciója? (szöveg, képlet, 3. Milyen
RészletesebbenElektromos zajok. Átlagérték Időben változó jel átlagértéke alatt a jel idő szerinti integráljának és a közben eltelt időnek a hányadosát értik:
Elektromos zajok Átlagérték, négyzetes átlag, effektív érték Átlagérték dőben változó jel átlagértéke alatt a jel dő szernt ntegráljának és a közben eltelt dőnek a hányadosát értk: τ τ dt Négyzetes átlag
RészletesebbenAz entrópia statisztikus értelmezése
Az entrópa statsztkus értelmezése A tapasztalat azt mutatja hogy annak ellenére hogy egy gáz molekulá egyed mozgást végeznek vselkedésükben mégs szabályszerűségek vannak. Statsztka jellegű vselkedés szabályok
Részletesebbend(f(x), f(y)) q d(x, y), ahol 0 q < 1.
Fxponttétel Már a hétköznap életben s gyakran tapasztaltuk, hogy két pont között a távolságot nem feltétlenül a " kettő között egyenes szakasz hossza" adja Pl két település között a távolságot közlekedés
Részletesebben3D-s számítógépes geometria
3D-s számítógépes geometra 11. 3D szegmentálás http://cg.t.bme.hu/portal/node/31 https://www.vk.bme.hu/kepzes/targyak/viiiav01 Dr. Várady Tamás BME, Vllamosmérnök és Informatka Kar Irányítástechnka és
RészletesebbenTurbulens áramlás modellezése háromszög elrendezésű csőkötegben
Turbulens áramlás modellezése háromszög elrendezésű csőkötegben Mayer Gusztáv mayer@sunserv.kfk.hu 2005. 09. 27. CFD Workshop 1 Tartalom - Vzsgált geometra Motvácó Az áramlás jellemző Saját fejlesztésű
Részletesebben7. Regisztráció. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (
Kató Zoltán: Ipar Képfeldolgozás 7. Regsztrácó Kató Zoltán Képfeldolgozás és Számítógépes Grafka tanszék SZE (http://www.nf.u-szeged.hu/~kato/teachng/ Kató Zoltán: Ipar Képfeldolgozás Kép mozak agyobb
RészletesebbenLineáris regresszió. Statisztika I., 4. alkalom
Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı
RészletesebbenTáblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.
1. Az X valószínőség változó 1 várható értékő és 9 szórásnégyzető. Y tıle független várható értékkel és 1 szórásnégyzettel. a) Menny X + Y várható értéke? 13 1 b) Menny X -Y szórásnégyzete? 13 1 összesen
RészletesebbenA DÖNTÉSELMÉLET ALAPJAI
J 2 A DÖNTÉSELMÉLET ALAJAI óformán életünk mnden percében döntéseket kell hoznunk, és tesszük ezt mnden elmélet megalapozottság nélkül. Sajnos a mndennap életben felmerülő egyed döntésekre még nem skerült
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
Részletesebben4 205 044-2012/11 Változtatások joga fenntartva. Kezelési útmutató. UltraGas kondenzációs gázkazán. Az energia megőrzése környezetünk védelme
HU 4 205 044-2012/11 Változtatások joga fenntartva Kezelés útmutató UltraGas kondenzácós gázkazán Az energa megőrzése környezetünk védelme Tartalomjegyzék UltraGas 15-1000 4 205 044 1. Kezelés útmutató
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
RészletesebbenMolekuláris dinamika: elméleti potenciálfelületek
Molekulárs dnamka: elmélet potencálfelületek éhány szó a potencál felület meghatározásáról Szemempírkus és ab nto potencál felületek a teles felület meghatározása (pontos nem megy részletek: mndárt éhány
RészletesebbenMűszaki folyamatok közgazdasági elemzése. Kevert stratégiák és evolúciós játékok
Műszak folyamatok közgazdaság elemzése Kevert stratégák és evolúcós átékok Fogalmak: Példa: 1 szta stratéga Vegyes stratéga Ha m tszta stratéga létezk és a 1 m annak valószínűsége hogy az - edk átékos
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
RészletesebbenTömörítés, csomagolás, kicsomagolás. Letöltve: lenartpeter.uw.hu
Tömörítés, csomagolás, kicsomagolás Letöltve: lenartpeter.uw.hu Tömörítők Tömörítők kialakulásának főbb okai: - kis tárkapacitás - hálózaton továbbítandó adatok mérete nagy Tömörítés: olyan folyamat, mely
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
RészletesebbenKOMBINATORIKA ELŐADÁS osztatlan matematika tanár hallgatók számára. Szita formula
KOMBINATORIKA ELŐADÁS osztatlan matematka tanár hallgatók számára Szta formula Előadó: Hajnal Péter 2015. 1. Bevezető példák 1. Feladat. Hány olyan sorbaállítása van a a, b, c, d, e} halmaznak, amelyben
RészletesebbenDr. Ratkó István. Matematikai módszerek orvosi alkalmazásai. 2010.11.08. Magyar Tudomány Napja. Gábor Dénes Főiskola
Dr. Ratkó István Matematka módszerek orvos alkalmazása 200..08. Magyar Tudomány Napja Gábor Dénes Főskola A valószínűségszámítás és matematka statsztka főskola oktatásakor a hallgatók néha megkérdezk egy-egy
RészletesebbenDigitális képek. Zaj és tömörítés
Digitális képek Zaj és tömörítés Jelforrások Fény (elektromágneses sugárzás) Látható Röntgen (CT, Röntgen, Tomo) Gamma (PET) Mágneses tér + Rádió hullám (MRI) Hang Ultrahang Továbbiakban a fénnyel foglalkozunk
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY Dr. Soumelidis Alexandros 2018.10.25. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mintavételezés
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
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,
RészletesebbenALAKOS KÖRKÉS PONTOSSÁGI VIZSGÁLATA EXCEL ALAPÚ SZOFTVERREL OKTATÁSI SEGÉDLET. Összeállította: Dr. Szabó Sándor
MISKOLCI EGYETEM Gépgyártástechnológa Tanszék Mskolc - Egyetemváros ALAKOS KÖRKÉS PONTOSSÁGI VIZSGÁLATA EXCEL ALAPÚ SZOFTVERREL OKTATÁSI SEGÉDLET Összeállította: Dr. Szabó Sándor A orgácsoló megmunkálásokhoz
RészletesebbenI. A közlekedési hálózatok jellemzői II. A közlekedési szükségletek jellemzői III. Analitikus forgalom-előrebecslési modell
Budapest Műszak és Gazdaságtudomány Egyetem Közlekedésmérnök és Járműmérnök Kar Közlekedésüzem Tanszék HÁLÓZATTERVEZÉSI MESTERISKOLA BEVEZETÉS A KÖZLEKEDÉS MODELLEZÉSI FOLYAMATÁBA Dr. Csszár Csaba egyetem
RészletesebbenIntegrált rendszerek n é v; dátum
Integrált rendszerek n é v; dátum.) Az dentfkálás (folyamatdentfkácó) a.) elsődleges feladata absztrahált leírás fzka modell formában b.) legfőbb feladata a struktúradentfkálás (modellszerkezet felállítása)
RészletesebbenMETROLÓGIA ÉS HIBASZÁMíTÁS
METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.
RészletesebbenMŰSZAKI TUDOMÁNYI DOKTORI ISKOLA. Napkollektorok üzemi jellemzőinek modellezése
MŰSZAKI TUDOMÁNYI DOKTORI ISKOLA Napkollektorok üzem jellemzőnek modellezése Doktor (PhD) értekezés tézse Péter Szabó István Gödöllő 015 A doktor skola megnevezése: Műszak Tudomány Doktor Iskola tudományága:
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
Részletesebben,...,q 3N és 3N impulzuskoordinátával: p 1,
Louvlle tétele Egy tetszőleges klasszkus mechanka rendszer állapotát mnden t dőpllanatban megadja a kanónkus koordnáták összessége. Legyen a rendszerünk N anyag pontot tartalmazó. Ilyen esetben a rendszer
RészletesebbenJelgenerálás virtuális eszközökkel. LabVIEW 7.1
Jelgenerálás virtuális eszközökkel (mágneses hiszterézis mérése) LabVIEW 7.1 3. előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 EA-3/1 Folytonos idejű jelek diszkrét idejű mérése A mintavételezési
Részletesebben3. Előadás. Megyesi László: Lineáris algebra, oldal. 3. előadás Lineáris egyenletrendszerek
3. Előadás Megyesi László: Lineáris algebra, 47. 50. oldal. Gondolkodnivalók Determinánsok 1. Gondolkodnivaló Determinánselméleti tételek segítségével határozzuk meg a következő n n-es determinánst: 1
RészletesebbenAz elektromos kölcsönhatás
TÓTH.: lektrosztatka/ (kbővített óravázlat) z elektromos kölcsönhatás Rég tapasztalat, hogy megdörzsölt testek különös erőket tudnak kfejten. Így pl. megdörzsölt műanyagok (fésű), megdörzsölt üveg- vagy
Részletesebben1. Holtids folyamatok szabályozása
. oltds folyamatok szabályozása Az rányított folyamatok jelentés részét képezk a lassú folyamatok. Ilyenek például az par környezetben található nagy méret kemencék, desztllácós oszlopok, amelyekben valamlyen
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Korreláció-számítás. 1. előadás. Döntéselőkészítés módszertana. Dr.
Korrelácó-számítás 1. előadás Döntéselőkészítés módszertana Dr. Varga Beatr Két változó között kapcsolat Függetlenség: Az X smérv szernt hovatartozás smerete nem ad semmlen többletnformácót az Y szernt
RészletesebbenBevezetés a programozásba. 3. Előadás Algoritmusok, tételek
Bevezetés progrmozásb 3. Elődás Algortmusok, tételek ISMÉTLÉS Specfkácó Előfeltétel: mlyen körülmények között követelünk helyes működést Utófeltétel: mt várunk kmenettől, m z összefüggés kmenet és bemenet
Részletesebben3. Évközi ellenőrzés módja: 2 zárhelyi dolgozat íratása. 4. A tárgy előírt külső szakmai gyakorlatai: -
Tantárgy neve Halmazok és függvények Tantárgy kódja MTB00 Meghrdetés féléve Kredtpont Összóraszám (elm+gyak + Számonkérés módja G Előfeltétel (tantárgy kód - Tantárgyfelelős neve Rozgony Tbor Tantárgyfelelős
RészletesebbenPeriodikus figyelésű készletezési modell megoldása általános feltételek mellett
Tanulmánytár Ellátás/elosztás logsztka BME OMIKK LOGISZTIKA 9. k. 4. sz. 2004. júlus augusztus. p. 47 52. Tanulmánytár Ellátás/elosztás logsztka Perodkus fgyelésű készletezés modell megoldása általános
RészletesebbenSzárítás során kialakuló hővezetés számítása Excel VBA makróval
Szárítás során kalakuló hővezetés számítása Excel VBA makróval Rajkó Róbert 1 Eszes Ferenc 2 Szabó Gábor 1 1 Szeged Tudományegyetem, Szeged Élelmszerpar Főskola Kar Élelmszerpar Műveletek és Környezettechnka
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
RészletesebbenNKFP6-BKOMSZ05. Célzott mérőhálózat létrehozása a globális klímaváltozás magyarországi hatásainak nagypontosságú nyomon követésére. II.
NKFP6-BKOMSZ05 Célzott mérőhálózat létrehozása a globáls klímaváltozás magyarország hatásanak nagypontosságú nyomon követésére II. Munkaszakasz 2007.01.01. - 2008.01.02. Konzorcumvezető: Országos Meteorológa
RészletesebbenEgyenáramú szervomotor modellezése
Egyenáramú szervomotor modellezése. A gyakorlat élja: Az egyenáramú szervomotor mködését leíró modell meghatározása. A modell valdálása számításokkal és szotverejlesztéssel katalógsadatok alapján.. Elmélet
RészletesebbenFILMHANG RESTAURÁLÁS: A NEMLINEÁRIS KOMPENZÁLÁS
FILMHANG RESTAURÁLÁS: A NEMLINEÁRIS KOMPENZÁLÁS EGY GYAKORLATI ALKALMAZÁSA Bakó Tamás, dr. Dabócz Tamás Budapest Mszak és gazdaságtudomány Egyetem, Méréstechnka és Informácós Rendszerek Tanszék e-mal:
RészletesebbenJelek és rendszerek MEMO_03. Pletl. Belépő jelek. Jelek deriváltja MEMO_03
Jelek és rendszerek MEMO_03 Belépő jelek Jelek deriváltja MEMO_03 1 Jelek és rendszerek MEMO_03 8.ábra. MEMO_03 2 Jelek és rendszerek MEMO_03 9.ábra. MEMO_03 3 Ha a jelet méréssel kapjuk, akkor a jel következő
Részletesebben(eseményalgebra) (halmazalgebra) (kijelentéskalkulus)
Valószínűségszámítás Valószínűség (probablty) 0 és 1 között valós szám, amely egy esemény bekövetkezésének esélyét fejez k: 0 - (sznte) lehetetlen, 0.5 - azonos eséllyel gen vagy nem, 1 - (sznte) bztos
Részletesebben63/2004. (VII. 26.) ESzCsM rendelet
63/2004. (VII. 26.) ESzCsM rendelet a 0 Hz-300 GHz között frekvencatartományú elektromos, mágneses és elektromágneses terek lakosságra vonatkozó egészségügy határértékeről Az egészségügyről szóló 1997.
RészletesebbenAdatelemzés és adatbányászat MSc
Adatelemzés és adatbányászat MSc. téma Adatelemzés, statsztka elemek áttekntése Adatelemzés módszertana probléma felvetés módszer, adatok meghatározása nyers adatok adatforrás meghatározása adat tsztítás
RészletesebbenKvantum-tömörítés II.
LOGO Kvantum-tömörítés II. Gyöngyös László BME Vllamosmérnök és Informatka Kar A kvantumcsatorna kapactása Kommunkácó kvantumbtekkel Klasszkus btek előnye Könnyű kezelhetőség Stabl kommunkácó Dszkrét értékek
RészletesebbenVéletlenszám generátorok. 6. előadás
Véletlenszám generátorok 6. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes
RészletesebbenKépfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz
Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika 9. ea. 2015 ősz Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, hisztogram módosítás, zajszűrés, élkiemelés) Képelemzés
RészletesebbenTanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
RészletesebbenA Bevezetés a matematikába című tárgy 3. félévével kapcsolatos tudnivalók
A Bevezetés a matematkába című tárgy 3. félévével kapcsolatos tudnvalók A tárgy vzsgá két részből állnak, egy tesztjellegű írásbelből, valamnt egy szóbelből. Az írásbeln nncs osztályzat, a szóbel vzsga
RészletesebbenA sokaság/minta eloszlásának jellemzése
3. előadás A sokaság/mnta eloszlásának jellemzése tpkus értékek meghatározása; az adatok különbözőségének vzsgálata, a sokaság/mnta eloszlásgörbéjének elemzése. Eloszlásjellemzők Középértékek helyzet (Me,
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
RészletesebbenKompenzációs kör vizsgálata. LabVIEW 7.1 4. előadás
Kompenzációs kör vizsgálata LabVIEW 7.1 4. előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 EA-4/1 Mágneses hiszterézis mérése előírt kimeneti jel mellett DAQ Rn Un etalon ellenállás etalon ellenállás
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
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
RészletesebbenA Planck-eloszlásokról és a fényforrások ekvivalens színhőmérséklet -eiről Erbeszkorn Lajos
A Planck-eloszlásokról és a fényforrások ekvivalens színhőmérséklet -eiről Erbeszkorn Lajos VTT Szeminárium, Budapest, 2017-10-10 Bevezetés Néhány szó a fényről A fényforrások csoportosítása Az emberi
RészletesebbenHurokegyenlet alakja, ha az áram irányával megegyező feszültségeséseket tekintjük pozitívnak:
Első gyakorlat A gyakorlat célja, hogy megismerkedjünk Matlab-SIMULINK szoftverrel és annak segítségével sajátítsuk el az Automatika c. tantárgy gyakorlati tananyagát. Ezen a gyakorlaton ismertetésre kerül
RészletesebbenA kvantummechanika kísérleti előzményei A részecske hullám kettősségről
A kvantummechanika kísérleti előzményei A részecske hullám kettősségről Utolsó módosítás: 2016. május 4. 1 Előzmények Franck-Hertz-kísérlet (1) A Franck-Hertz-kísérlet vázlatos elrendezése: http://hyperphysics.phy-astr.gsu.edu/hbase/frhz.html
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
RészletesebbenBUDAPESTI MŰ SZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR VASÚTI JÁRMŰVEK ÉS JÁRMŰRENDSZERANALÍZIS TANSZÉK
BUDAPESTI MŰ SZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR VASÚTI JÁRMŰVEK ÉS JÁRMŰRENDSZERANALÍZIS TANSZÉK MÉRNÖKI MATAMATIKA Segédlet a Bessel-függvények témaköréhez a Közlekedésmérnök
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
RészletesebbenTartalomjegyzék. Emlékeztetõ. Emlékeztetõ. Spektroszkópia. Fényelnyelés híg oldatokban A fény; Abszorpciós spektroszkópia
Tartalomjegyzék PÉCS TUDOMÁNYEGYETEM ÁLTALÁNOS ORVOSTUDOMÁNY KAR A fény; Abszorpciós spektroszkópia Elektromágneses hullám kölcsönhatása anyaggal; (Nyitrai Miklós; 2015 január 27.) Az abszorpció mérése;
RészletesebbenKépfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008
Képfeldolgozás 1. el adás. A képfeldolgozás m veletei Mechatronikai mérnök szak BME, 2008 1 / 61 Alapfogalmak transzformációk Deníció Deníció Geometriai korrekciókra akkor van szükség, ha a képr l valódi
RészletesebbenWavelet transzformáció
1 Wavelet transzformáció Más felbontás: Walsh, Haar, wavelet alapok! Eddig: amplitúdó vagy frekvencia leírás: Pl. egy rövid, Dirac-delta jellegű impulzus Fourier-transzformált: nagyon sok, kb. ugyanolyan
Részletesebben