Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével. MAJF21 Eisenberger András május 22. Konzulens: Dr.
|
|
- Veronika Fülöp
- 4 évvel ezelőtt
- Látták:
Átírás
1 Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével május 22. Konzulens: Dr. Pataki Béla
2 Tartalomjegyzék 1. Bevezetés 2 2. Források 2 3. Kiértékelő szoftver 3 4. A képek feldolgozása 5 5. További teendők 6 A. Kép készlet 8 1. Bevezetés A textúra analízis a képfeldolgozás egyik aspektusa, más tulajdonságok mellett ez is segíthet a képek osztályozásában, szegmentálásában, amikor alapvetőbb módszerek (éles kontúrok keresés, vagy fényesség-beli eltérés) sikertelenek. A textúra analízis a kép mintázatát veszi figyelembe, ennek a konkrét megvalósítására az évek folyamán sok különböző, többé vagy kevésbé hatékony módszer alakult ki a textúrák jellemzésére, pl. ko-okkurencia mátrix, Laws szűrők, SRDM, futási hossz elemzés, stb. Azonban ezeket a módszereket a legtöbbször egy konkrét célra alakították ki, és általában bonyolult paraméterezésük van, amelyek beállítása egy adott alkalmazáshoz nagy szakértelmet igényel. Ezért a cél egy olyan eszköz kialakítása lenne, amely ezeket a beállításokat a képtől függően automatikusan elvégzi. Ennek első lépéseként az egyik legelterjettebb módszert, a ko-okkurencia mátrixot vizsgáltam, hogy a kép valamilyen előfeldolgozásával tudok-e a képből olyan információt kinyerni, ami sikeresen használható a módszer beállításához. A teszteket egy, a Berkeley egyetemen kialakított kép készleten végeztem, amelyhez szolgáltattak emberek által végzett szegmentációkat, ami sokat segített abban, hogy az algoritmus képességét a különböző felületek megkülönböztetésére teszteljem. 2. Források Az algoritmust egy a Berkeley egyetemen kialakított kép készlet egy részhalmazán végeztem. Ennek a képhalmaznak az a specialitása, hogy minden 2
3 képhez megadott több emberek által elvégzet szegmentálás is, így van mihez hasonlítani az algoritmust. Például a egy kép és a szementálása látható a 1. ábrán. A teljes készlet elérhető a Research/Projects/CS/vision/bsds/ címen. 1. ábra. Egy kép, és az ember által végzett szegmentálása Ott arra használják a halmazt, hogy különböző szegmentálási algoritmusokat teszteljenek vele. Ezért hozzáférhető a honlapon egy kiértékelő szoftver is, amivel ki lehet próbálni saját szegmentálási algoritmusokat, azonban mivel az Önálló labor keretein belül én még szegmentáló algoritmust nem hozok létre, ezért ezt nem használom. Ez az oka hogy szét vannak választva a képek egy 200 képes tanuló, és egy 100 képes tesztelő halmazra, azzal az utasítással, hogy a tanuló halmazt használjuk csak esetleg az algoritmusunk finomhangolására, ezért én is csak a tanuló halmazból választottam képeket az én tesztelésemhez. Viszont ez a kép készlet általánosan a képszegmentálás minden fajtájának kipróbálására készült, azonban én csak textúra analízist végzek, ezért kiválasztottam a képek közül 14-et, amelyeken viszonylag nagy, konzisztens textúrájú részek vannak. Például a 2. ábrán egy emberi arc van, és az alapján van szegmentálva, így nem lenne jó mércéje a textúra jellemzők hatékonyságának. Emellett a képekből van színes, és fekete-fehér változat is, ebből most én a fekete-fehéret használom, mert az általam most tesztelt módszer fekete-fehér képekre működik, de ez a program színesekre is ugyanilyen jól 3
4 működne. 2. ábra. Bizonyos képek nem alkalmasak a textúrajellemzők tesztelésére A teljes általam kiválasztott képhalmaz megtalálható az A függelékben. 3. Kiértékelő szoftver A különböző, megalkotandó textúra tulajdonságok kiértékelésére készítettem egy szoftvert, C++ nyelven, a Qt keretrendszer segítségével. A program kezelőfelülete a 3. ábrán látható. Ezzel a programmal be lehet tölteni egy képet, egy hozzá tartozó szegmentálást, majd egy vagy több tulajdonságot. A tulajdonságnak úgy kell kinéznie, hogy a kép minden pixeléhez rendel egy számértéket, és lehet képfájlban, vagy az értékek sorfolytonosan egy szövegfájlban. A kiértékelésnél azt csinálja a program, hogy minden szegmensre megnézi az arra eső értékek átlagát, és szórását (ha több tulajdonságot betöltöttem, akkor ez többdimenziós átlag ill. szórás). Ezután minden seg1, seg2 szegmens párra kiszámol egy ( ) Szoras[seg1] + Szoras[seg2] arctan 2/π Atlag[seg1] Atlag[seg2] értéket, ami azt jellemzi hogy mennyire rosszul elválasztható az adott szegmens pár, egy 0 és 1 közötti számmal. (Az arctan segítségével visszük a 0 4
5 3. ábra. A kiértékelő program és végtelen közötti értéket 0 és 1 közé.) Ezután ezt az értéket átlagoljuk az összes párra, és ez a kimenet. Ezt az értéket szeretnénk minél jobb jellemzők megtalálásával minimalizálni a kiválasztott képekre. A program kezelhető a kezelőfelületen keresztül, amit például a működés kipróbálására lehetett használni, és így egyesével lehet kiértékelni a képeket. Vagy van egy parancssoros változat, ami egy szövegfájlt vár, amiből olvassa be a kép-, szegmentálás- és tulajdonságfájlok helyét, így akár több tulajdonság feldolgozása is végezhető egy körben. 4. A képek feldolgozása A képek feldolgozására a ko-okkurancia mátrixot használtam, azonban mivel ez egyben tud egy nagyobb területet vizsgálni, ezért a használata előtt a képet négyzet alakú részekre bontottam. A ko-okkurancia mátrixnál úgy próbáljuk jellemezni a textúrát, hogy valamilyen eltolási vektort választunk, és azt vizsgáljuk, hogy milyen világosság szintről milyenre hányszor megy a kép az adott vektor mentén. Így a létrejött mátrix n n-es, ha n világossági szint van a képen, így érdemes a képet kevesebb szintre kvantálni a feldolgozás előtt, hogy gyorsítsuk a számítást. Egy egyszerű példát lehet látni a 4. ábrán. A Matlab szoftvercsomag az Image Processing Toolbox-ában tartalmaz a ko-okkurancia mátrix kezelésére függvényeket. Képes a ko-okkurancia mátrix 5
6 4. ábra. Egy egyszerű példa 8 szintű ko-okkurencia mátrixra Kontraszt Korreláció Energia Homogenitás i,j i j 2 p(i, j) (i µi)(j µj)p(i,j) i,j σ i σ j i,j p(i, j)2 p(i,j) i,j 1+ i j 1. táblázat. A Matlab által ismert ko-okkurancia mátrix tulajdonságok kiszámolására, és különböző tulajdonságainak kinyerésére beépített függvényeivel. A 1. táblázatban láthatóak az általa ismert ko-okkurancia mátrix tulajdonságok. Létrehoztam egy függvényt Matlabban, ami egyben elvégzi a kép beolvasását, felvágását kisebb négyzetekre, azokon a ko-okkurancia mátrix létrehozását, majd a tulajdonság kinyerését, és elmenti a kimenetet egy kép, vagy szövegfájlba. Ez paraméterül kapja azt, hogy mekkorák legyenek a felbontás négyzetei, hogy melyik tulajdonságot nyerje ki a ko-okkurancia mátrixból, hogy mekkora legyen a ko-okkurancia mátrix offset-je és hogy hány szintre kvantálja az eredeti képet a mátrix létrehozása előtt. A lehetséges tulajdonságok jelenleg azok, amiket a Matlab nyújt. Ezek lesznek azok a tulajdonságok, amiket a késöbbiekben majd minél optimálisabb értékre szeretnénk beállítani. Kétféle paraméterezéssel feldolgozott változata a képnek látható a 2. táblázatban. 6
7 Kontraszt Blokkméret: 20 Eltolás: (0, 5) Érték: Kontraszt Blokkméret: 20 Eltolás: (5, 0) Érték: Homogenitás Blokkméret: 20 Eltolás: (0, 5) Érték: Homogenitás Blokkméret: 15 Eltolás: (0, 5) Érték: táblázat. Néhány teszt és az eredménye 7
8 5. További teendők Az önálló labor tárgy alatt létrehoztam egy keretet, amivel képes leszek kutatásokat végezni a ko-okkurancia mátrix paraméterezésével, vagy akár más textúra jellemzőkkel. Már mindkét oldalról (feldolgozás, kiértékelés) automatizálható a folyamat, még valamilyen módot kéne kialakítani a kettő összekötésére. Az lenne a cél, hogy a feldolgozás eredményét automatikusan továbbadja a kiértékelőnek, azokkal az adatokkal együtt, hogy milyen paraméterezéssel dolgozta éppen fel, így majd valamelyik oldal össze tudja foglalni az eredményeket. Ezek után lehet nagyobb szabású teszteket végezni, amikben a különböző paraméterezéseket, esetleg több tulajdonság együttes használatát kipróbálom hatékonyság szempontból. Megvizsgálhatom, hogy melyik tulajdonságok működnek jól, illetve hogy melyik kombinációk. A tényleges cél pedig az lenne, hogy valamilyen módon automatikusan beállítsuk az értékeket. Több lehetőség is felmerül, például a teljesítményspektrum, vagy az autokorreláció alapján lehet az eltolási vektort és a blokk méretét próbálni beállítani. Az lenne siker, ha a teljes képhalmazon jobb eredményt tudna elérni automatikus beállítással, mint bármelyik fix paraméterrel. A. Kép készlet 8
9 9
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
RészletesebbenGépi 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
RészletesebbenDigitális képek szegmentálása. 5. Textúra. Kató Zoltán.
Digitális képek szegmentálása 5. Textúra Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Textúra fogalma Sklansky: Egy képen egy területnek állandó textúrája van ha a lokális statisztikák vagy
RészletesebbenGPU Lab. 14. fejezet. OpenCL textúra használat. Grafikus Processzorok Tudományos Célú Programozása. Berényi Dániel Nagy-Egri Máté Ferenc
14. fejezet OpenCL textúra használat Grafikus Processzorok Tudományos Célú Programozása Textúrák A textúrák 1, 2, vagy 3D-s tömbök kifejezetten szín információk tárolására Főbb különbségek a bufferekhez
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
Részletesebben1. Olvassuk be két pont koordinátáit: (x1, y1) és (x2, y2). Határozzuk meg a két pont távolságát és nyomtassuk ki.
Számítás:. Olvassuk be két pont koordinátáit: (, y) és (2, y2). Határozzuk meg a két pont távolságát és nyomtassuk ki. 2. Olvassuk be két darab két dimenziós vektor komponenseit: (a, ay) és (b, by). Határozzuk
RészletesebbenKépfeldolgozás 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
RészletesebbenKÉPFELDOLGOZÁS. 10. gyakorlat: Morfológiai műveletek, alakjellemzők
KÉPFELDOLGOZÁS 10. gyakorlat: Morfológiai műveletek, alakjellemzők Min-max szűrők MATLAB-ban SE = strel(alak, paraméter(ek)); szerkesztőelem generálása strel( square, w): négyzet alakú, w méretű strel(
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
RészletesebbenGauss elimináció, LU felbontás
Közelítő és szimbolikus számítások 3. gyakorlat Gauss elimináció, LU felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 EGYENLETRENDSZEREK 1. Egyenletrendszerek
RészletesebbenMatematika kisérettségi I. rész 45 perc NÉV:...
Matematika kisérettségi I. rész 45 perc NÉV:... 1. Az A halmaz elemei a háromnál nagyobb egyjegyű számok, a B halmaz elemei pedig a húsznál kisebb pozitív páratlan számok. Sorolja fel az halmaz elemeit!
RészletesebbenGPK M1 (BME) Interpoláció / 16
Interpoláció Matematika M1 gépészmérnököknek 2017. március 13. GPK M1 (BME) Interpoláció 2017 1 / 16 Az interpoláció alapfeladata - Példa Tegyük fel, hogy egy ipari termék - pl. autó - előzetes konstrukciójának
RészletesebbenTávérzékelés a precíziós gazdálkodás szolgálatában : látvány vagy tudomány. Verőné Dr. Wojtaszek Malgorzata
Távérzékelés a precíziós gazdálkodás szolgálatában : látvány vagy tudomány Verőné Dr. Wojtaszek Malgorzata Az előadás felépítése Trendek a Föld megfigyelésében (hol kezdődött, merre tart ) Távérzékelés
RészletesebbenMegyei matematikaverseny évfolyam 2. forduló
Megyei matematikaverseny 0. 9. évfolyam. forduló. Mennyi a tizenkilencedik prím és a tizenkilencedik összetett szám szorzata? (A) 00 (B) 0 (C) 0 (D) 04 (E) Az előző válaszok egyike sem helyes.. Az 000
Részletesebben4. Használati útmutatás
megbízható(másnéven: robusztus): mert a programozási hibák egy részét megakadályozza,a másik részét pedig futás közben kisz ri és támogatja a fejleszt t azok professzionális kezelésében. biztonságos: megakadályozza
RészletesebbenUjjszámlálás 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,
Részletesebben11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
RészletesebbenFeladatok MATEMATIKÁBÓL II.
Feladatok MATEMATIKÁBÓL a 12. évfolyam számára II. 1. Alakítsuk át a következő kifejezéseket úgy, hogy teljes négyzetek jelenjenek meg: a) x 2 2x + b) x 2 6x + 10 c) x 2 + x + 1 d) x 2 12x + 11 e) 2x 2
RészletesebbenMÁV-START Tudáspróba Felhasználói kéziköny
MÁV-START Tudáspróba Felhasználói kéziköny Tartalomjegyzék Bejelentkezés a tudáspróbára... 3 Kijelentkezés... 3 Megkezdett tudáspróba folytatása... 4 Tudáspróba kiválasztása... 5 Tudáspróba kiválasztása...
RészletesebbenImage Processor BarCode Service. Felhasználói és üzemeltetői kézikönyv
Image Processor BarCode Service Áttekintés CIP-BarCode alkalmazás a Canon Image Processor programcsomag egyik tagja. A program feladata, hogy sokoldalú eszközt biztosítson képállományok dokumentumkezelési
RészletesebbenVisszalépéses keresés
Visszalépéses keresés Backtracking előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar Alapvető működése Továbbfejlesztési
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
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
RészletesebbenFeladatok MATEMATIKÁBÓL II.
Feladatok MATEMATIKÁBÓL a 12. évfolyam számára II. 1. Alakítsuk át a következő kifejezéseket úgy, hogy teljes négyzetek jelenjenek meg: a) x 2 2x + b) x 2 6x + 10 c) x 2 + x + 1 d) x 2 12x + 11 e) 2x 2
RészletesebbenPanorámakép készítése
Panorámakép készítése Képregisztráció, 2009. Hantos Norbert Blaskovics Viktor Összefoglalás Panoráma (image stitching, planar mosaicing): átfedő képek összeillesztése Lépések: Előfeldolgozás (pl. intenzitáskorrekciók)
Részletesebben1. Gauss-eloszlás, természetes szórás
1. Gauss-eloszlás, természetes szórás A Gauss-eloszlásnak megfelelő függvény: amely egy σ szélességű, µ középpontú, 1-re normált (azaz a teljes görbe alatti terület 1) görbét ír le. A természetben a centrális
RészletesebbenHORVÁTH 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`)
RészletesebbenFüggvények Megoldások
Függvények Megoldások ) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) x x b) x x + c) x ( x + ) b) Az x függvény
RészletesebbenÁRAMKÖRÖK SZIMULÁCIÓJA
ÁRAMKÖRÖK SZIMULÁCIÓJA Az áramkörök szimulációja révén betekintést nyerünk azok működésébe. Meg tudjuk határozni az áramkörök válaszát különböző gerjesztésekre, különböző üzemmódokra. Végezhetők analóg
RészletesebbenAz egyenes egyenlete: 2 pont. Az összevont alak: 1 pont. Melyik ábrán látható e függvény grafikonjának egy részlete?
1. Írja fel annak az egyenesnek az egyenletét, amely áthalad az (1; 3) ponton, és egyik normálvektora a (8; 1) vektor! Az egyenes egyenlete: 2. Végezze el a következő műveleteket, és vonja össze az egynemű
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
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
RészletesebbenIonogram releváns területeinek meghatározása és elemzésének automatikus megvalósítása
Ionogram releváns területeinek meghatározása és elemzésének automatikus megvalósítása Előadó: Pieler Gergely, MSc hallgató, Nyugat-magyarországi Egyetem Konzulens: Bencsik Gergely, PhD hallgató, Nyugat-magyarországi
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
Részletesebbenb) Ábrázolja ugyanabban a koordinátarendszerben a g függvényt! (2 pont) c) Oldja meg az ( x ) 2
1) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) b) c) ( ) ) Határozza meg az 1. feladatban megadott, ; intervallumon
RészletesebbenAlkalmazott modul: Programozás 4. előadás. Procedurális programozás: iteratív és rekurzív alprogramok. Alprogramok. Alprogramok.
Eötvös Loránd Tudományegyetem Informatikai Kar Alkalmazott modul: Programozás 4. előadás Procedurális programozás: iteratív és rekurzív alprogramok Giachetta Roberto groberto@inf.elte.hu http://people.inf.elte.hu/groberto
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenAz objektum leírására szolgálnak. Mire jók? Sokszor maga a jellemző az érdekes: Tömörítés. Objektumok csoportosítására
Az objektum leírására szolgálnak Mire jók? Sokszor maga a jellemző az érdekes: pl.: átlagosan mekkora egy szitakötő szárnyfesztávolsága? Tömörítés pl.: ha körszerű objektumokat tartalmaz a kép, elegendő
RészletesebbenGyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi
Gyakorló feladatok Agbeko Kwami Nutefe és Nagy Noémi 25 Tartalomjegyzék. Klasszikus hibaszámítás 3 2. Lineáris egyenletrendszerek 3 3. Interpoláció 4 4. Sajátérték, sajátvektor 6 5. Lineáris és nemlineáris
RészletesebbenGépi tanulás a Rapidminer programmal. Stubendek Attila
Gépi tanulás a Rapidminer programmal Stubendek Attila Rapidminer letöltése Google: download rapidminer Rendszer kiválasztása (iskolai gépeken Other Systems java) Kicsomagolás lib/rapidminer.jar elindítása
RészletesebbenFelvételi tematika INFORMATIKA
Felvételi tematika INFORMATIKA 2016 FEJEZETEK 1. Természetes számok feldolgozása számjegyenként. 2. Számsorozatok feldolgozása elemenként. Egydimenziós tömbök. 3. Mátrixok feldolgozása elemenként/soronként/oszloponként.
RészletesebbenÉldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea
Éldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea Geometrikus deformálható modellek Görbe evolúció Level set módszer A görbe evolúció parametrizálástól független mindössze geometriai
RészletesebbenProgramozás. (GKxB_INTM021) Dr. Hatwágner F. Miklós március 31. Széchenyi István Egyetem, Gy r
Programozás (GKxB_INTM021) Széchenyi István Egyetem, Gy r 2018. március 31. Városok közötti távolság Feladat: két város nevének beolvasása, városok közötti távolság megjelenítése. Kilépés azonos városok
Részletesebben2. Adott a valós számok halmazán értelmezett f ( x) 3. Oldja meg a [ π; π] zárt intervallumon a. A \ B = { } 2 pont. függvény.
1. Az A halmaz elemei a ( 5)-nél nagyobb, de 2-nél kisebb egész számok. B a pozitív egész számok halmaza. Elemeinek felsorolásával adja meg az A \ B halmazt! A \ B = { } 2. Adott a valós számok halmazán
RészletesebbenInfobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében
Infobionika ROBOTIKA X. Előadás Robot manipulátorok II. Direkt és inverz kinematika Készült a HEFOP-3.3.1-P.-2004-06-0018/1.0 projekt keretében Tartalom Direkt kinematikai probléma Denavit-Hartenberg konvenció
RészletesebbenMikroszkóp vizsgálata Folyadék törésmutatójának mérése
KLASSZIKUS FIZIKA LABORATÓRIUM 8. MÉRÉS Mikroszkóp vizsgálata Folyadék törésmutatójának mérése Mérést végezte: Enyingi Vera Atala ENVSAAT.ELTE Mérés időpontja: 2011. október 12. Szerda délelőtti csoport
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
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenMásodfokú egyenletek. 2. Ábrázoljuk és jellemezzük a következő,a valós számok halmazán értelmezett függvényeket!
Másodfokú egyenletek 1. Alakítsuk teljes négyzetté a következő kifejezéseket! a.) - 4 + 4 b.) - 6 + 8 c.) + 8 - d.) - 4 + 9 e.) - + 8 - f.) - - 4 + 3 g.) + 8-5 h.) - 4 + 3 i.) -3 + 6 + 1. Ábrázoljuk és
Részletesebben[1000 ; 0] 7 [1000 ; 3000]
Gépi tanulás (vimim36) Gyakorló feladatok 04 tavaszi félév Ahol lehet, ott konkrét számértékeket várok nem puszta egyenleteket. (Azok egy részét amúgyis megadom.). Egy bináris osztályozási feladatra tanított
RészletesebbenKutatási beszámoló. 2015. február. Tangens delta mérésére alkalmas mérési összeállítás elkészítése
Kutatási beszámoló 2015. február Gyüre Balázs BME Fizika tanszék Dr. Simon Ferenc csoportja Tangens delta mérésére alkalmas mérési összeállítás elkészítése A TKI-Ferrit Fejlsztő és Gyártó Kft.-nek munkája
RészletesebbenA PiFast program használata. Nagy Lajos
A PiFast program használata Nagy Lajos Tartalomjegyzék 1. Bevezetés 3 2. Bináris kimenet létrehozása. 3 2.1. Beépített konstans esete.............................. 3 2.2. Felhasználói konstans esete............................
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenTartalom. Előszó... 13. 1. feladat: Fordítás a megszokott eszközökkel... 17 A számítógép hatékony használatáról... 18
Előszó... 13 1. feladat: Fordítás a megszokott eszközökkel... 17 A számítógép hatékony használatáról... 18 1.1. Előkészítés... 21 A munka fogadása... 21 Az elektronikus levelezés technikája és etikája...
Részletesebbeny ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek megoldásához!
Részletesebben2. Egy mértani sorozat második tagja 6, harmadik tagja 18. Adja meg a sorozat ötödik tagját!
1. Egy 27 fős osztályban mindenki tesz érettségi vizsgát angolból vagy németből. 23 diák vizsgázik angolból, 12 diák pedig németből. Hány olyan diák van az osztályban, aki angolból és németből is tesz
RészletesebbenA programozás alapjai 1 Rekurzió
A programozás alapjai Rekurzió. előadás Híradástechnikai Tanszék - preorder (gyökér bal gyerek jobb gyerek) mentés - visszaállítás - inorder (bal gyerek gyökér jobb gyerek) rendezés 4 5 6 4 6 7 5 7 - posztorder
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenA KLT (Kanade Lucas Tomasi) Feature Tracker Működése (jellegzetes pontok választása és követése)
A KL (Kanade Lucas omasi) Feature racker Működése (jellegzetes pontok választása és követése) Készítette: Hajder Levente 008.11.18. 1. Feladat A rendelkezésre álló videó egy adott képkockájából minél több
RészletesebbenKépfeldolgozáson alapuló orvosi diagnosztikai eljárások kidolgozása
Önálló laboratórium beszámoló Képfeldolgozáson alapuló orvosi diagnosztikai eljárások kidolgozása Készítette: Forró Márton Miklós Konzulens: Horváth Gábor 2012-13 2. félév Bevezetés A félév során a cél
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenGibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén
Matematikai modellek, I. kisprojekt Gibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén Unger amás István B.Sc. szakos matematikus hallgató ungert@maxwell.sze.hu, http://maxwell.sze.hu/~ungert
RészletesebbenAromo Szöveges értékelés kódolt tantárggyal
Aromo Szöveges értékelés kódolt tantárggyal AROMO Iskolaadminisztrációs Szoftver - Felhasználói kézikönyv - Szöveges értékelés 1 Tartalomjegyzék Aromo Szöveges értékelés kódolt tantárggyal 1 Bevezetés
RészletesebbenKisérettségi feladatsorok matematikából
Kisérettségi feladatsorok matematikából. feladatsor I. rész. Döntse el, hogy a következő állítások közül melyik igaz és melyik hamis! a) Ha két egész szám összege páratlan, akkor a szorzatuk páros. b)
RészletesebbenA digitális analóg és az analóg digitális átalakító áramkör
A digitális analóg és az analóg digitális átalakító áramkör I. rész Bevezetésként tisztázzuk a címben szereplő két fogalmat. A számítástechnikai kislexikon a következőképpen fogalmaz: digitális jel: olyan
RészletesebbenAlgoritmuselmélet. Bonyolultságelmélet. Katona Gyula Y.
Algoritmuselmélet Bonyolultságelmélet Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 12. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenAlgoritmuselmélet. Legrövidebb utak, Bellmann-Ford, Dijkstra. Katona Gyula Y.
Algoritmuselmélet Legrövidebb utak, Bellmann-Ford, Dijkstra Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 3. előadás Katona Gyula Y. (BME
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
RészletesebbenA fotogrammetria ismeretek és a szakmai tudás fontossága
Óbudai Egyetem Alba Regia Műszaki Kar Geoinformatikai Intézet A fotogrammetria ismeretek és a szakmai tudás fontossága 3. Légifotó Nap, Székesfehérvár, 2018. február 7. A fotogrammetria fogalma A fotogrammetria
RészletesebbenMatlab Fuzzy Logic Toolbox
Matlab Fuzzy Logic Toolbox The Future looks Fuzzy Newsweek, May, 28, 1990. A fuzzy irányítási rendszerek vizsgálatára Windows alatt futó Matlab programcsomag szimulációs eszközeit és a Matlab-ra ráépülő
RészletesebbenMultimédiás adatbázisok
Multimédiás adatbázisok Multimédiás adatbázis kezelő Olyan adatbázis kezelő, mely támogatja multimédiás adatok (dokumentum, kép, hang, videó) tárolását, módosítását és visszakeresését Minimális elvárás
Részletesebben1. gyakorlat. Mesterséges Intelligencia 2.
1. gyakorlat Mesterséges Intelligencia. Elérhetőségek web: www.inf.u-szeged.hu/~gulyasg mail: gulyasg@inf.u-szeged.hu Követelmények (nem teljes) gyakorlat látogatása kötelező ZH írása a gyakorlaton elhangzott
RészletesebbenAz IDRISI szoftver fejlesztésének új eredményei. Az IDRISI Taiga eszköztára: Új fejlesztések. Image Processing: Szegmentálás SEGMENTATION
Az IDRISI szoftver fejlesztésének új eredményei Az IDRISI Taiga eszköztára: térinformatikai elemzés (GIS analysis) képfeldolgozás (image processing) térbeli elemzések (surface analysis) változás és idősoros
RészletesebbenVBA makrók aláírása Office 2007 esetén
VBA makrók aláírása Office 2007 esetén Windows tanúsítványtárban és/vagy kriptográfia eszközökön található tanúsítványok esetén Office 2007 alkalmazással 1(10) 1. Tartalomjegyzék 1. Tartalomjegyzék...
RészletesebbenStruktúra nélküli adatszerkezetek
Struktúra nélküli adatszerkezetek Homogén adatszerkezetek (minden adatelem azonos típusú) osztályozása Struktúra nélküli (Nincs kapcsolat az adatelemek között.) Halmaz Multihalmaz Asszociatív 20:24 1 A
RészletesebbenRobotok inverz geometriája
Robotok inverz geometriája. A gyakorlat célja Inverz geometriai feladatot megvalósító függvények implementálása. A megvalósított függvénycsomag tesztelése egy kétszabadságfokú kar előírt végberendezés
RészletesebbenANOVA összefoglaló. Min múlik?
ANOVA összefoglaló Min múlik? Kereszt vagy beágyazott? Rögzített vagy véletlen? BIOMETRIA_ANOVA5 1 I. Kereszt vagy beágyazott Két faktor viszonyát mondja meg. Ha több, mint két faktor van, akkor bármely
RészletesebbenMély neuronhálók alkalmazása és optimalizálása
magyar nyelv beszédfelismerési feladatokhoz 2015. január 10. Konzulens: Dr. Mihajlik Péter A megvalósítandó feladatok Irodalomkutatás Nyílt kutatási eszközök keresése, beszédfelismer rendszerek tervezése
Részletesebben} számtani sorozat első tagja és differenciája is 4. Adja meg a sorozat 26. tagját! A = { } 1 pont. B = { } 1 pont. x =
. Az { a n } számtani sorozat első tagja és differenciája is 4. Adja meg a sorozat 26. tagját! a = 26 2. Az A és B halmazokról tudjuk, hogy A B = {;2;3;4;5;6}, A \ B = {;4} és A B = {2;5}. Sorolja fel
RészletesebbenMinta 2. MATEMATIKA KÖZÉPSZINTŰ ÍRÁSBELI FELADATSOR. I. rész
2. MATEMATIKA KÖZÉPSZINTŰ ÍRÁSBELI FELADATSOR I. rész A feladatok megoldására 45 perc fordítható, az idő leteltével a munkát be kell fejeznie. A feladatok megoldási sorrendje tetszőleges. A feladatok megoldásához
RészletesebbenMinták automatikus osztályba sorolása a mintát leíró jellemzők alapján. Típusok: felügyelt és felügyelet nélküli tanuló eljárások
Minták automatikus osztályba sorolása a mintát leíró jellemzők alapján Típusok: felügyelt és felügyelet nélküli tanuló eljárások Különbség: előbbinél szükséges egy olyan tanulóhalmaz, ahol ismert a minták
RészletesebbenTisztelt Ügyfelünk. Az internet beállítások kinézete. Itt a Speciális fülre kell kattintani.
Tisztelt Ügyfelünk. Október 8-án reggeltől a KÖKIR kapcsolat nem mindenhol működik. Jelenleg a hatóság is vizsgálja a jelenséget. A hibaüzenet amit KÖKIR adatbázistól visszakapunk a következő: Az alapprobléma
RészletesebbenA 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
RészletesebbenSegédlet: Főfeszültségek meghatározása Mohr-féle feszültségi körök alkalmazásával
Segédlet: Főfeszültségek meghatározása Mohr-féle feszültségi körök alkalmazásával Készítette: Dr. Kossa Attila (kossa@mm.bme.hu) BME, Műszaki Mechanikai Tanszék 212. október 16. Frissítve: 215. január
RészletesebbenAz MS Excel táblázatkezelés modul részletes tematika listája
Az MS Excel táblázatkezelés modul részletes tematika listája A táblázatkezelés alapjai A táblázat szerkesztése A táblázat formázása A táblázat formázása Számítások a táblázatban Oldalbeállítás és nyomtatás
RészletesebbenProgramozás I. házi feladat
Programozás I. házi feladat 2013. 6. hét, 1. rész A feladatsor 4 feladatot tartalmaz, amelyeket egy közös forráskódban kell megvalósítani. Annak érdekében, hogy a tesztelő egymástól függetlenül tudja tesztelni
RészletesebbenDigitális képek feldolgozása Előfeldolgozás Radiometriai korrekció Geometriai korrekció Képjavítás Szűrők Sávok közötti műveletek Képosztályozás Utófe
Távérzékelés Digitális felvételek előfeldolgozása (EENAFOTOTV, ETNATAVERV) Erdőmérnöki szak, Környezettudós szak Király Géza NyME, Erdőmérnöki Kar Geomatikai, Erdőfeltárási és Vízgazdálkodási Intézet Földmérési
RészletesebbenA digitális televíziótechnika áramkörei II.
A digitális televíziótechnika áramkörei II. Életmódunk, szokásaink hatása a készülékek konstrukciójára Készítette: Zigó József Készült: 2012. május Visszatekintő az egy évvel korábbi előadásra 2010 végén
RészletesebbenDiákhitel igénylés folyamata
1 Diákhitel igénylés folyamata Beállítások A DHK-tól kapott éles vagy teszt tanúsítványokat telepíteni kell a megfelelő szerveren, szervereken (ld. Neptun üzemeltetési dokumentáció). A tesztelési folyamat
RészletesebbenI. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
RészletesebbenSZOFTVER AJÁNLATOK. A) Építőmérnöki szoftverek. B) AutoCAD programok védelme. C) MÉRNÖK SZÓTÁR rendszer. Érvényes 2014.
SZOFTVER AJÁNLATOK A) Építőmérnöki szoftverek B) AutoCAD programok védelme C) MÉRNÖK SZÓTÁR rendszer Érvényes 2014.december 31-ig További információk: engsoft.atw.hu A szoftvereinket több mint 20 éve több
RészletesebbenBevezetés a programozásba. 5. Előadás: Tömbök
Bevezetés a programozásba 5. Előadás: Tömbök ISMÉTLÉS Specifikáció Előfeltétel: milyen körülmények között követelünk helyes működést Utófeltétel: mit várunk a kimenettől, mi az összefüggés a kimenet és
RészletesebbenIsmétlő feladatsor: 10.A/I.
Ismétlő feladatsor: 0.A/I. Harasztos Barnabás 205. január. Feladat Mekkora az alábbi ábrán (szürkével) jelölt síkidom összterülete? A terület egységének a négyzetrács egy négyzetének területét tekintjük!
RészletesebbenSAPINTIA ERDÉLYI MAGYAR TUDOMÁNYEGYETEM M SZAKI ÉS HUMÁNTUDOMÁNYOK KAR MATEMATIKA - INFORMATIKA TANSZÉK. TDK Dolgozat. Hibrid képleírás.
SAPINTIA ERDÉLYI MAGYAR TUDOMÁNYEGYETEM M SZAKI ÉS HUMÁNTUDOMÁNYOK KAR MATEMATIKA - INFORMATIKA TANSZÉK TDK Dolgozat Hibrid képleírás TÉMAVEZETŽ: Egyed-Zsigmond El d SZERZŽ: Madaras Hunór 2014 Április
RészletesebbenPRÓBAÉRETTSÉGI FELADATSOR : MATEMATIKA, EMELT SZINT
1. FELADATSOR Felhasználható idő: 40 perc I. rész 1.1.) Oldja meg grafikusan az alábbi egyenlőtlenséget! x + 1 + 1 x + x + 11 1..) Mekkora legyen az x valós szám értéke, hogy az alábbi három mennyiség
Részletesebben