Obraz matematický objekt. Spojitý obraz f c : (Ω c R 2 ) R
|
|
- Bohumír Konečný
- před 5 lety
- Počet zobrazení:
Transkript
1 Obraz matematický objekt Spojitý obraz f c : (Ω c R 2 ) R
2 Obraz matematický objekt Spojitý obraz f c : (Ω c R 2 ) R Diskrétní obraz f d : (Ω {0... n 1 } {0... n 2 }) {0... f max }
3 Obraz matematický objekt Spojitý obraz f c : (Ω c R 2 ) R Diskrétní obraz f d : (Ω {0... n 1 } {0... n 2 }) {0... f max } Další rozšíření: Okrajové podmínky Vektorové obrazy
4 Digitalizace Vzorkování & kvantizace hodnoty obrazové funkce (též intenzity). Digitální obraz se obvykle reprezentuje maticí. Pixel = akronym, angl. picture element.
5 Distribuce Operátor u, ϕ R
6 Distribuce Operátor u, ϕ R 1D Dirac δ (bod): δ, f (x) x = f (0) δ(x) = lim ξ ξ rect(ξx)
7 Distribuce Operátor u, ϕ R 1D Dirac δ (bod): δ, f (x) x = f (0) Vlastnosti: Linearita, Nezávislost na posunutí Spojitost δ(x) = lim ξ ξ rect(ξx) Testovací funkce husté např. v L 2 Dirac δ je identitou konvoluce.
8 Distribuce Operátor u, ϕ R 1D Dirac δ (bod): δ, f (x) x = f (0) Vlastnosti: Linearita, Nezávislost na posunutí Spojitost δ(x) = lim ξ ξ rect(ξx) Testovací funkce husté např. v L 2 Dirac δ je identitou konvoluce. Na co si dát pozor: Nelze je vyhodnocovat v bodech (δ(0) =?) Nelze je násobit (δδ =?) Derivace ( δ, ϕ = δ, ϕ ) Změna měřítka ( δ(αx), ϕ = ϕ(0)/α) Fourierova transformace jen pro temperované distribuce, ( kompaktní ϕ). (F(δ) = 1)
9 2D Dirac 2D Dirac (bod): δ, f (x, y) (x,y) = f (0, 0) δ(x, y) = lim ξ ξ2 rect(ξx, ξy) δ(x, y) = δ(x)δ(y)
10 2D Dirac 2D Dirac (bod): δ, f (x, y) (x,y) = f (0, 0) δ(x, y) = lim ξ ξ2 rect(ξx, ξy) δ(x, y) = δ(x)δ(y) Ve 2D lze definovat mnoho 1D Diraců (např. přímka, kruh,...)
11 Vzorkování Vzorkovací rastr (a) (b)
12 Vzorkování Vzorkovací rastr (a) Vzorkovací funkce (pro uniformní pravoúhlou síť) (b) f ij = φ(x h x i, y h y j), f (x,y) φ(x, y) = δ(x, y) ideální vzorkování f ij = f (h x i, h y j)
13 Vzorkování Vzorkovací rastr (a) Vzorkovací funkce (pro uniformní pravoúhlou síť) (b) f ij = φ(x h x i, y h y j), f (x,y) φ(x, y) = δ(x, y) ideální vzorkování f ij = f (h x i, h y j) Hustota vzorkování h (Shannonova věta o vzorkování).
14 První scanner obrazu, 1956 R. Kirsch, SEAC and the start of image processing at the National Bureau of Standards. In: Annals of the history of computing, IEEE, vol. 20 (1998), p 7-13.)
15 Vzorkování, příklad Originál
16 Vzorkování, příklad Originál
17 Vzorkování, příklad Originál
18 Vzorkování, příklad Originál
19 Vzorkování a interpolace Spojitý obraz vzorkování interpolace Diskrétní obraz
20 Vzorkování a interpolace Spojitý obraz vzorkování interpolace Diskrétní obraz Po částech konstantní interpolace (P0, nearest neighbor) rychlé, špatná kvalita
21 Vzorkování a interpolace Spojitý obraz vzorkování interpolace Diskrétní obraz Po částech konstantní interpolace (P0, nearest neighbor) rychlé, špatná kvalita lineární, kvadratická, kubická,...
22 Vzorkování a interpolace Spojitý obraz vzorkování interpolace Diskrétní obraz Po částech konstantní interpolace (P0, nearest neighbor) rychlé, špatná kvalita lineární, kvadratická, kubická,... souhra vzorkování a interpolace
23 Vzorkování a interpolace Spojitý obraz vzorkování interpolace Diskrétní obraz Po částech konstantní interpolace (P0, nearest neighbor) rychlé, špatná kvalita lineární, kvadratická, kubická,... souhra vzorkování a interpolace (o interpolaci více později)
24 Kvantování, příklad Originál 256 jasových úrovní 256 jasových úrovní
25 Kvantování, příklad Originál 256 jasových úrovní 64 jasových úrovní
26 Kvantování, příklad Originál 256 jasových úrovní 16 jasových úrovní
27 Kvantování, příklad Originál 256 jasových úrovní 4 jasové úrovně
28 Kvantování, příklad Originál 256 jasových úrovní 2 jasové úrovně
29 Histogram hodnot jasu Histogram hodnot jasu je odhadem hustoty pravděpodobnosti jevu, že pixel bude mít určitou jasovou hodnotu výchozí obraz histogram hodnot jasu
30 Histogram (2) Spojitý diskrétní
31 Histogram (2) Spojitý diskrétní Výpočet histogramu
32 Histogram (2) Spojitý diskrétní Výpočet histogramu Volba počtu binů
33 Histogram (2) Spojitý diskrétní Výpočet histogramu Volba počtu binů Dodatečné vyhlazování
34 Histogram (2) Spojitý diskrétní Výpočet histogramu Volba počtu binů Dodatečné vyhlazování Váhovací jádro
35 Histogram (2) Spojitý diskrétní Výpočet histogramu Volba počtu binů Dodatečné vyhlazování Váhovací jádro Problémy ve vyšších dimenzích
36 Kvantizace (2) u u q : t k u < t k+1 u q (u) = r k Rovnoměrná (uniformní)
37 Kvantizace (2) u u q : t k u < t k+1 u q (u) = r k Rovnoměrná (uniformní) Optimální
38 Kvantizace (2) u u q : t k u < t k+1 u q (u) = r k Rovnoměrná (uniformní) Optimální Minimalizujeme střední kvadratickou chybu (MSE) J = E { (u u q ) 2}
39 Kvantizace (2) u u q : t k u < t k+1 u q (u) = r k Rovnoměrná (uniformní) Optimální Minimalizujeme střední kvadratickou chybu (MSE) J = E { (u u q ) 2} Známe p(u)
40 Kvantizace (2) u u q : t k u < t k+1 u q (u) = r k Rovnoměrná (uniformní) Optimální Minimalizujeme střední kvadratickou chybu (MSE) J = E { (u u q ) 2} Známe p(u) J = i+1 i (u r i ) 2 p(u) du i
41 Kvantizace (2) u u q : t k u < t k+1 u q (u) = r k Rovnoměrná (uniformní) Optimální Minimalizujeme střední kvadratickou chybu (MSE) J = E { (u u q ) 2} Známe p(u) J = i+1 i (u r i ) 2 p(u) du i Podmínky optimality: t k = (r k + r k+1 )/2 r k = E { u t k u < t k+1 }
42 Kvantizace (2) u u q : t k u < t k+1 u q (u) = r k Rovnoměrná (uniformní) Optimální Minimalizujeme střední kvadratickou chybu (MSE) J = E { (u u q ) 2} Známe p(u) J = i+1 i (u r i ) 2 p(u) du i Podmínky optimality: t k = (r k + r k+1 )/2 r k = E { u t k u < t k+1 } Nemá přímé řešení, iterační postupy.
Počítačové vidění vs. digitální zpracování obrazu Digitální obraz a jeho vlastnosti
Počítačové vidění vs. digitální zpracování obrazu Digitální obraz a jeho vlastnosti 1/32 Václav Hlaváč Fakulta elektrotechnická ČVUT, katedra kybernetiky Centrum strojového vnímání, Praha hlavac@fel.cvut.cz
VíceDigitální obraz, základní pojmy
Digitální obraz, základní pojmy Václav Hlaváč České vysoké učení technické v Praze Centrum strojového vnímání (přemosťuje skupiny z) Český institut informatiky, robotiky a kybernetiky Fakulta elektrotechnická,
VíceGeometrické transformace
1/15 Předzpracování v prostoru obrazů Geometrické transformace Václav Hlaváč, Jan Kybic Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/
VíceGrafika na počítači. Bc. Veronika Tomsová
Grafika na počítači Bc. Veronika Tomsová Proces zpracování obrazu Proces zpracování obrazu 1. Snímání obrazu 2. Digitalizace obrazu převod spojitého signálu na matici čísel reprezentující obraz 3. Předzpracování
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceMultimediální systémy
Multimediální systémy Jan Outrata KATEDRA INFORMATIKY UNIVERZITA PALACKÉHO V OLOMOUCI přednášky Získání obsahu Jan Outrata (Univerzita Palackého v Olomouci) Multimediální systémy Olomouc, září prosinec
Více22 Základní vlastnosti distribucí
M. Rokyta, MFF UK: Aplikovaná matematika IV kap. 22: Základní vlastnosti distribucí 5 22 Základní vlastnosti distribucí 22.1 Temperované distribuce Definice. O funkci ϕ C (R m ) řekneme, že je rychle klesající
VíceZPRACOVÁNÍ OBRAZU přednáška 4
ZPRACOVÁNÍ OBRAZU přednáška 4 Vít Lédl vit.ledl@tul.cz TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Tento materiál vznikl v rámci projektu ESF CZ.1.07/2.2.00/07.0247,
VíceOmezení barevného prostoru
Úpravy obrazu Omezení barevného prostoru Omezení počtu barev v obraze při zachování obrazového vjemu z obrazu Vytváření barevné palety v některých souborových formátech Různé filtry v grafických programech
VíceKOMPRESE OBRAZŮ. Václav Hlaváč, Jan Kybic. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.
1/25 KOMPRESE OBRAZŮ Václav Hlaváč, Jan Kybic Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD
VíceJasové a geometrické transformace
Jasové a geometrické transformace Václav Hlaváč České vysoké učení technické v Praze Český institut informatiky, robotiky a kybernetiky 166 36 Praha 6, Jugoslávských partyzánů 1580/3 http://people.ciirc.cvut.cz/hlavac,
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
VíceDIGITÁLNÍ OBRAZ. Obrázky (popř. slajdy) převzaty od
DIGITÁLNÍ OBRAZ JANA ŠTANCLOVÁ jana.stanclova@ruk.cuni.cz Obrázky (popř. slajdy) převzaty od RNDr. Josef Pelikán, CSc., KSVI MFF UK Obsah fáze zpracování obrazu reprezentace obrazu digitalizace obrazu
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
Více3. Přednáška: Line search
Úloha: 3. Přednáška: Line search min f(x), x R n kde x R n, n 1 a f : R n R je dvakrát spojitě diferencovatelná. Iterační algoritmy: Začínám v x 0 a vytvářím posloupnost iterací {x k } k=0, tak, aby minimum
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
VíceZS: 2018/2019 NMAF063 F/3 Josef MÁLEK. Matematika pro fyziky III
ZS: 2018/2019 NMAF063 F/3 Josef MÁLEK Matematika pro fyziky III OBECNÉ INFORMACE A SYLABUS Přednášející: Cvičící: Josef Málek Tomáš Los, Michal Pavelka, Michal Pavelka, Vít Průša Termíny přednášek: čtvrtek
VíceParciální diferenciální rovnice
Parciální diferenciální rovnice Obsah kurzu Co bude obsahovat... úvod do PDR odvození některých PDR klasická teorie lineárních PDR 1. a 2. řádu řešení poč. a okraj. úloh vlastnosti řešení souvislost s
VíceAnalýza a zpracování digitálního obrazu
Analýza a zpracování digitálního obrazu Úlohy strojového vidění lze přibližně rozdělit do sekvence čtyř funkčních bloků: Předzpracování veškerých obrazových dat pomocí filtrací (tj. transformací obrazové
VíceKatedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze Příjmení a jméno ➊ ➋ ➌ ➍ ➎ ➏ Bonus
Zkoušková písemná práce č 1 z předmětu 1RMF čtvrtek 16 ledna 214, 9: 11: ➊ 11 bodů) Ve třídě zobecněných funkcí vypočítejte itu x ) n n2 sin 2 P 1 n x) ➋ 6 bodů) Aplikací Laplaceovy transformace vypočtěte
VíceKOMPRESE OBRAZŮ. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání. hlavac@fel.cvut.
1/24 KOMPRESE OBRAZŮ Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD 2/24 Cíl:
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
VíceModelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček. 8. přednáška 11MSP pondělí 20. dubna 2015
Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 8. přednáška 11MSP pondělí 20. dubna 2015 verze: 2015-04-14 12:31
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
VíceKomprese dat Obsah. Komprese videa. Radim Farana. Podklady pro výuku. Komprese videa a zvuku. Komprese MPEG. Komprese MP3.
Komprese dat Radim Farana Podklady pro výuku Obsah Komprese videa a zvuku. Komprese MPEG. Komprese MP3. Komprese videa Velký objem přenášených dat Typický televizní signál - běžná evropská norma pracuje
VíceTeorie měření a regulace
Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace 22.z-3.tr ZS 2015/2016 2015 - Ing. Václav Rada, CSc. TEORIE ŘÍZENÍ druhá část tématu předmětu pokračuje. oblastí matematických pomůcek
Vícekteré charakterizují danou fyzikální situaci. souvislostí). Může být formulován jako soustava rovnic a nerovnic.
1. Přednáška Obsah: Úvod do tvorby matematických modelů jako okrajové úlohy pro diferenciální rovnici. Příklad 1D vedení tepla a lineární pružnost. Diferenciální, variační, energetická formulace úloh.
VíceLineární a adaptivní zpracování dat. 3. SYSTÉMY a jejich popis ve frekvenční oblasti
Lineární a adaptivní zpracování dat 3. SYSTÉMY a jejich popis ve frekvenční oblasti Daniel Schwarz Osnova Opakování: systémy a jejich popis v časové oblasti Fourierovy řady Frekvenční charakteristika systémů
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VíceSIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY
SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY TEMATICKÉ OKRUHY Signály se spojitým časem Základní signály se spojitým časem (základní spojité signály) Jednotkový skok σ (t), jednotkový impuls (Diracův impuls)
VíceDiskrétní 2D konvoluce
ČVUT FEL v Praze 6ACS. prosince 2006 Martin BruXy Bruchanov bruxy@regnet.cz Diracův impuls jednotkový impulz, δ-impulz, δ-funkce; speciální signál s nulovou šířkou impulzu a nekonečnou amplitudou; platí
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
VíceKompresní metody první generace
Kompresní metody první generace 998-20 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Stillg 20 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca / 32 Základní pojmy komprese
VíceNMAF063 Matematika pro fyziky III Zápočtová písemná práce B Termín pro odevzdání 4. ledna 2019
Jméno: Příklad 2 3 4 5 Celkem bodů Bodů 20 20 20 20 20 00 Získáno Zápočtová písemná práce určená k domácímu vypracování. Nutnou podmínkou pro získání zápočtu je zisk více jak 50 bodů. Pravidla jsou následující:.
Více2010 Josef Pelikán, CGG MFF UK Praha
Filtrace obrazu 21 Josef Pelikán, CGG MFF UK Praha http://cgg.mff.cuni.cz/~pepca/ 1 / 32 Histogram obrázku tabulka četností jednotlivých jasových (barevných) hodnot spojitý případ hustota pravděpodobnosti
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VíceKomprese obrazu. Verze: 1.5, ze dne: 1. června Václav Hlaváč a Tomáš Svoboda
Komprese obrazu Verze: 1.5, ze dne: 1. června 2006 Václav Hlaváč a Tomáš Svoboda Czech Technical University, Faculty of Electrical Engineering Center for Machine Perception, Prague, Czech Republic svoboda@cmp.felk.cvut.cz
VíceDodatky k FT: 1. (2D digitalizace) 2. Více o FT 3. Více k užití filtrů. 7. přednáška předmětu Zpracování obrazů
Dodatky k FT:. (D digitalizace. Více o FT 3. Více k užití filtrů 7. přednáška předmětu Zpracování obrazů Martina Mudrová 4 Pořízení digitálního obrazu Obvykle: Proces transformace spojité předlohy (reality
VíceNOVÉ METODY HODNOCENÍ OBRAZOVÉ KVALITY
NOVÉ METODY HODNOCENÍ OBRAZOVÉ KVALITY Stanislav Vítek, Petr Páta, Jiří Hozman Katedra radioelektroniky, ČVUT FEL Praha, Technická 2, 166 27 Praha 6 E-mail: svitek@feld.cvut.cz, pata@feld.cvut.cz, hozman@feld.cvut.cz
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
VíceTransformace obrazu Josef Pelikán KSVI MFF UK Praha
Transformace obrazu 99725 Josef Pelikán KSVI MFF UK Praha email: Josef.Pelikan@mff.cuni.cz WWW: http://cgg.ms.mff.cuni.cz/~pepca/ Transformace 2D obrazu dekorelace dat potlačení závislosti jednotlivých
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
VíceDigitalizace převod AS DS (analogový diskrétní signál )
Digitalizace signálu v čase Digitalizace převod AS DS (analogový diskrétní signál ) v amplitudě Obvykle převod spojité předlohy (reality) f 1 (t/x,...), f 2 ()... připomenutí Digitalizace: 1. vzorkování
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály Systémy: definice, několik příkladů Vlastnosti systémů
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VíceNeparametrické odhady hustoty pravděpodobnosti
Neparametrické odhady hustoty pravděpodobnosti Václav Hlaváč Elektrotechnická fakulta ČVUT Katedra kybernetiky Centrum strojového vnímání 121 35 Praha 2, Karlovo nám. 13 hlavac@fel.cvut.cz Statistické
VíceOperace s obrazem. Biofyzikální ústav LF MU. Projekt FRVŠ 911/2013
Operace s obrazem Biofyzikální ústav LF MU Obraz definujeme jako zrakový vjem, který vzniká po dopadu světla na sítnici oka. Matematicky lze obraz chápat jako vícerozměrný signál (tzv. obrazová funkce)
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
VíceDeformace rastrových obrázků
Deformace rastrových obrázků 1997-2011 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Warping 2011 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca 1 / 22 Deformace obrázků
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady, vlastnosti Vzorkovací
VíceOdhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
Více2. Určte hromadné body, limitu superior a limitu inferior posloupností: 2, b n = n. n n n.
Písemka matematika 3 s řešením 1. Vypočtěte lim n( 1 + n 2 n), n lim n (( 1 + 1 n e ) n ) n. 1/2, 1/ e 2. Určte hromadné body, limitu superior a limitu inferior posloupností: a n = sin nπ ( 2, b n = n
VíceRastrové digitální modely terénu
Rastrové digitální modely terénu Rastr je tvořen maticí buněk (pixelů), které obsahují určitou informaci. Stejně, jako mohou touto informací být typ vegetace, poloha sídel nebo kvalita ovzduší, může každá
VíceÚpravy rastrového obrazu
Přednáška 11 Úpravy rastrového obrazu Geometrické trasformace Pro geometrické transformace rastrového obrazu se používá mapování dopředné prochází se pixely původního rastru a určuje se barva a poloha
VíceÚvod do parciálních diferenciálních rovnic. 2 Kanonický tvar lineárních PDR 2. řádu pro funkce
Příklady na cvičení k přednášce NMMA334 Úvod do parciálních diferenciálních rovnic 1 Kanonický tvar lineárních PDR 2. řádu pro funkce dvou proměnných 1. Určete typ parciální diferenciální rovnice u xx
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VíceDefinice 28 (Ortogonální doplněk vektorového podprostoru). V k V n ; V k V. (Pech:AGLÚ/str D.5.1)
14.3 Kolmost podprostorů 14.3.1 Ortogonální doplněk vektorového prostou Ve vektorovém prostoru dimenze 3 je ortogonálním doplňkem roviny (přesněji vektorového prostoru dimenze ) přímka na ní kolmá (vektorový
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VíceReprezentace bodu, zobrazení
Reprezentace bodu, zobrazení Ing. Jan Buriánek VOŠ a SŠSE P9 Jan.Burianek@gmail.com Obsah Témata Základní dělení grafických elementů Rastrový vs. vektorový obraz Rozlišení Interpolace Aliasing, moiré Zdroje
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VícePožadavky ke zkoušce
Požadavky ke zkoušce Zkouška z předmětu MATEMATIKA 2 má dvě části Písemná část: Písemná část se ještě dále rozděluje na praktickou část písemku a teoretickou část test. Písemka trvá 90 minut a je v ní
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
Vícepro obory Fyzioterapie a Optometrie jarní semestr 2011
Biosignál pro obory Fyzioterapie a Optometrie MUDr. Jaromír Šrámek Biofyzikální ústav Lékařská fakulta Masarykovy univerzity Brno jarní semestr 2011 MUDr. Jaromír Šrámek (BFÚ LF MU) Biosignál jarní semestr
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
Více1 Rozptyl a kovariance
Rozptyl a kovariance Nechť X je náhodná veličina s konečnou střední hodnotou EX Potom rozptyl náhodné veličiny X definujeme jako: DX E(X EX, pokud střední hodnota na pravé straně existuje Podobně jako
VíceIng. Jan Buriánek. Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze Jan Buriánek, 2010
Ing. Jan Buriánek (ČVUT FIT) Reprezentace bodu a zobrazení BI-MGA, 2010, Přednáška 2 1/33 Ing. Jan Buriánek Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VíceDigitalizace a zpracování obrazu
Digitalizace a zpracování obrazu Jaroslav Fiřt a), Radek Holota b) a) Nové technologie výzkumné centrum Sedláčkova 15 306 14 Plzeň tel. (+420) 377236881, kl. 237 e-mail: firt@kae.zcu.cz b) Nové technologie
VíceDiplomová práce Automatické hodnocení geometrické přesnosti skenerů
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Diplomová práce Automatické hodnocení geometrické přesnosti skenerů Plzeň, 2013 Petra Vraná Vložené zadání Prohlášení Předkládám
VícePožadavky ke zkoušce. Ukázková písemka
Požadavky ke zkoušce Zkouška z předmětu MATEMATIKA 1 má dvě části Písemná část: Písemná část se ještě dále rozděluje na praktickou část písemku a teoretickou část test. Písemka trvá 90 minut a je v ní
VíceKomprese obrazu. Úvod. Rozdělení metod komprese obrazů. Verze: 1.5, ze dne: 1. června Václav Hlaváč a Tomáš Svoboda
Komprese obrazu Verze:., ze dne:. června 6 Václav Hlaváč a Tomáš Svoboda Czech Technical University, Faculty of Electrical Engineering Center for Machine Perception, Prague, Czech Republic svoboda@cmp.felk.cvut.cz
VíceTexty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech
Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení
Více13 Barvy a úpravy rastrového
13 Barvy a úpravy rastrového Studijní cíl Tento blok je věnován základním metodám pro úpravu rastrového obrazu, jako je např. otočení, horizontální a vertikální překlopení. Dále budo vysvětleny různé metody
VíceNumerické metody a programování. Lekce 7
Numerické metody a programování Lekce 7 Řešení nelineárních rovnic hledáme řešení x problému f x = 0 strategie: odhad řešení iterační proces postupného zpřesňování řešení výpočet skončen pokud je splněno
Více1. Přednáška: Obecné Inf. + Signály a jejich reprezentace
1. Přednáška: Obecné Inf. + Signály a jejich reprezentace 1 Obecné informace Změna rozvrhů Docházka na cvičení 2 Literatura a podklady Základní učební texty : Prchal J., Šimák B.: Digitální zpracování
VíceDZDDPZ3 Digitální zpracování obrazových dat DPZ. Doc. Dr. Ing. Jiří Horák Institut geoinformatiky VŠB-TU Ostrava
DZDDPZ3 Digitální zpracování obrazových dat DPZ Doc. Dr. Ing. Jiří Horák Institut geoinformatiky VŠB-TU Ostrava Digitální zpracování obrazových dat DPZ Předzpracování (rektifikace a restaurace) Geometrické
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceFILTRACE VE FOURIEROVSKÉM SPEKTRU
1/18 FILTRACE VE FOURIEROVSKÉM SPEKTRU (patří do lineárních integrálních transformací) Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz
VíceGlobální matice konstrukce
Globální matice konstrukce Z matic tuhosti a hmotnosti jednotlivých prvků lze sestavit globální matici tuhosti a globální matici hmotnosti konstrukce, které se využijí v řešení základní rovnice MKP: [m]{
VíceLaplaceova transformace
Laplaceova transformace Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 5. přednáška 11MSP pondělí 23. března
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady,
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceZPRACOVÁNÍ SIGNÁLŮ Z MECHANICKÝCH. Jiří Tůma
ZPRACOVÁNÍ SIGNÁLŮ Z MECHANICKÝCH SYSTÉMŮ UŽITÍM FFT Jiří Tůma Štramberk 1997 ii Anotace Cílem této knihy je systematicky popsat metody analýzy signálů z mechanických systémů a strojních zařízení. Obsahem
VíceDZDDPZ2 Pořizování dat. Doc. Dr. Ing. Jiří Horák - Ing. Tomáš Peňáz, PhD. Institut geoinformatiky VŠB-TU Ostrava
DZDDPZ2 Pořizování dat Doc. Dr. Ing. Jiří Horák - Ing. Tomáš Peňáz, PhD. Institut geoinformatiky VŠB-TU Ostrava Pořizujeme data, která popisují množství zářivé energie odražené nebo emitované od zemského
VíceSimulace (nejen) fyzikálních jevů na počítači
Simulace (nejen) fyzikálních jevů na počítači V. Kučera Katedra numerické matematiky, MFFUK Praha 7.2.2013 Aerodynamický flutter Tacoma bridge, 1940 Fyzikální model Realita je komplikovaná Navier-Stokesovy
VíceZáznam o ústní zkou²ce z p edm tu 01RMF (akademický ²kolní rok 2015/2016) P íjmení a jméno Datum Hodnocení Písemka Celkové hodnocení Podpis studenta
báze v Hilbertov prostoru obory excentricity parciální diferenciální rovnice (a metoda jejich detekce pro PDR druhého ádu pro funkci dvou prom nných) fundamentální e²ení operátoru 1. ➋ Dokaºte: f( x),
VíceFOURIEROVA TRANSFORMACE FOURIEROVA VĚTA
FOURIEROVA TRANSFORMACE FOURIEROVA VĚTA V kapitole o Fourierových řadách byla dokázána Fourierova věta (připomeňte si, že f(x = (f(x + + f(x /2: VĚTA Necht f je po částech hladká na R a R f konverguje
VíceInterpolace pomocí splajnu
Interpolace pomocí splajnu Interpolace pomocí splajnu Připomenutí U interpolace požadujeme, aby graf aproximující funkce procházel všemi uzlovými body. Interpolační polynom aproximující funkce je polynom
VíceOperace s obrazem I. Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno. prezentace je součástí projektu FRVŠ č.
Operace s obrazem I Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 Osnova 1 Filtrování obrazu 2 Lineární a nelineární filtry 3 Fourierova
VíceMATEMATIKA IV - PARCIÁLNÍ DIFERENCIÁLNÍ ROVNICE - ZÁPISKY Z. Obsah. 1. Parciální diferenciální rovnice obecně. 2. Kvaazilineární rovnice prvního řádu
MATEMATIKA IV - PARCIÁLNÍ DIFERENCIÁLNÍ ROVNICE - ZÁPISKY Z PŘEDNÁŠEK JAN MALÝ Obsah 1. Parciální diferenciální rovnice obecně 1. Kvaazilineární rovnice prvního řádu 1 3. Lineární rovnice druhého řádu
VíceRovinná úloha v MKP. (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v. prostorové úlohy: u, v, w
Rovinná úloha v MKP Hledané deformační veličiny viz klasická teorie pružnosti (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v desky: w, ϕ x, ϕ y prostorové úlohy: u,
VíceMatematické modely a způsoby jejich řešení. Kateřina Růžičková
Matematické modely a způsoby jejich řešení Kateřina Růžičková Rovnice matematické fyziky Přednáška převzata od Doc. Rapanta Parciální diferencíální rovnice Diferencialní rovnice obsahujcí parcialní derivace
VíceFiltrace obrazu ve frekvenční oblasti
Filtrace obrazu ve frekvenční oblasti Václav Hlaváč České vysoké učení technické v Praze Český institut informatiky, robotiky a kybernetiky 166 36 Praha 6, Jugoslávských partyzánů 1580/3 http://people.ciirc.cvut.cz/hlavac,
VíceFlexibilita jednoduché naprogramování a přeprogramování řídícího systému
Téma 40 Jiří Cigler Zadání Číslicové řízení. Digitalizace a tvarování. Diskrétní systémy a jejich vlastnosti. Řízení diskrétních systémů. Diskrétní popis spojité soustavy. Návrh emulací. Nelineární řízení.
VíceFOURIEROVA TRANSFORMACE
FOURIEROVA TRANSFORMACE FOURIEROVA VĚTA V kapitole o Fourierových řadách byla dokázána (připomeňte si, že f(x) = (f(x + ) + f(x ))/2): VĚTA. Necht f je po částech hladká na R a R f konverguje. Potom f(x)
VíceZáklady zpracování obrazů
Základy zpracování obrazů Martin Bruchanov BruXy bruxy@regnet.cz http://bruxy.regnet.cz 23. března 29 1 Jasové korekce........................................................... 1 1.1 Histogram........................................................
VíceZáklady počtu pravděpodobnosti a metod matematické statistiky
Errata ke skriptu Základy počtu pravděpodobnosti a metod matematické statistiky K. Hron a P. Kunderová Autoři prosí čtenáře uvedeného studijního textu, aby případné další odhalené chyby nad rámec tohoto
Více