Integrální transformace obrazu
|
|
- Aleš Bohuslav Pospíšil
- před 5 lety
- Počet zobrazení:
Transkript
1 Integrální transformace obrazu David Bařina 26. února 2013 David Bařina Integrální transformace obrazu 26. února / 74
2 Obsah 1 Zpracování signálu 2 Časově-frekvenční rozklad 3 Diskrétní Fourierova transformace 4 Diskrétní kosinová transformace 5 Gaborova transformace 6 Vlnková transformace Diskrétní vlnková transformace Dvourozměrná diskrétní vlnková transformace Používané vlnky Aplikace David Bařina Integrální transformace obrazu 26. února / 74
3 Motivace Cíle dekorelace dat, rozklad signálu na stavební kameny získat časově frekvenční popis signálu Aplikace zjištění polohy a trvání daného jevu detekce hran komprese odstranění šumu vodoznaky (watermarking) doplnění chybějících částí (inpainting) David Bařina Integrální transformace obrazu 26. února / 74
4 Značení a zkratky f (t) spojitý signál f [n] diskrétní signál ˆf (ω), ˆf [k] Fourierova transformace z komplexní sdružení k z ψ vlnka FT, DFT (diskrétní) Fourierova transformace CT, DCT (diskrétní) kosinová transformace WT, DWT (diskrétní) vlnková transformace David Bařina Integrální transformace obrazu 26. února / 74
5 Signál veličina závislá na čase (t), frekvenci (f ), poloze (x, y) stacionární vs. nestacionární signál filtrace: potlačuje/zesiluje komponenty signálu lineární vs. nelineární filtrace David Bařina Integrální transformace obrazu 26. února / 74
6 Lineární filtrace filtr H(z) impulsní charakteristika, frekvenční charakteristika filtr FIR, IIR x[n] b[0] + y[n] z 1 z 1 x[n 1] b[1] a[1] y[n 1] z 1 z 1 x[n 2] b[2] a[2] y[n 2] konvoluce podle účelu: dolní/horní/pásmová propust David Bařina Integrální transformace obrazu 26. února / 74
7 Konvoluce odezva LTI systému (f g)(t) = = f (τ) g(t τ) dτ f (t τ) g(τ) dτ (f g)[n] = m = m f [m] g[n m] f [n m] g[m] David Bařina Integrální transformace obrazu 26. února / 74
8 Vzájemná korelace (cross korelace) podobnost tvarů signálů, odpovídá skalárnímu součinu (f g)(t) = = f (τ) g(t + τ) dτ f (τ t) g(τ) dτ (f g)[n] = m = m f [m] g[n + m] f [m n] g[m] David Bařina Integrální transformace obrazu 26. února / 74
9 Konvoluční jádra David Bařina Integrální transformace obrazu 26. února / 74
10 Integrální transformace jednotící koncept F (n) = f (t) ψ(t, n) dt ψ... jádro transformace f (t) = F (n) ψ 1 (n, t) dn ψ 1... inverzní jádro (nemusí existovat) David Bařina Integrální transformace obrazu 26. února / 74
11 Fourierova transformace převod mezi časovou a frekvenční oblastí ˆf (ω) = + f (t) e iωt dt frekvence spektrum f (t) = 1 2π + ˆf (ω) e iωt dω David Bařina Integrální transformace obrazu 26. února / 74
12 Časově-frekvenční rovina David Bařina Integrální transformace obrazu 26. února / 74
13 Časová oblast Diracův nebo jednotkový impulz David Bařina Integrální transformace obrazu 26. února / 74
14 Frekvenční analýza Fourierova transformace David Bařina Integrální transformace obrazu 26. února / 74
15 Časově-frekvenční analýza Krátkodobá Fourierova transformace (STFT) reálné symetrické okno g u,ω (t) = e iωt g(t u) spektrogram S f (u, ω) = Gaborova transformace g(x) = + f (t) g(t u) e iωt dt S f (u, ω) 2 α/πe αt2 α R + David Bařina Integrální transformace obrazu 26. února / 74
16 Časově-frekvenční analýza krátkodobá Fourierova transformace David Bařina Integrální transformace obrazu 26. února / 74
17 Časově-frekvenční analýza vlnková transformace David Bařina Integrální transformace obrazu 26. února / 74
18 Diskrétní Fourierova transformace (DFT) diskrétního (komplexního) signálu délky N ˆf [k] = pro 0 k < N, ˆf komplexní f [n] = 1 N N 1 n=0 N 1 k=0 stejnosměrná složka (DC) pro k = 0 složitost O(N 2 ), FFT O(N log 2 N) f [n] e i 2π N kn ˆf [k] e i 2π N kn David Bařina Integrální transformace obrazu 26. února / 74
19 2D DFT separabilní David Bařina Integrální transformace obrazu 26. února / 74
20 2D DFT modul, logaritmicky David Bařina Integrální transformace obrazu 26. února / 74
21 Diskrétní kosinová transformace (DCT) DFT tvoří pro reálný signál komplexní koeficienty, symetrická pro 0 k < N, kde c[k] = f [n] = N 1 n=0 N 1 k=0 f [n] g k [n] c[k] g k [n] [ 2 kπ g k [n] = λ k N cos N λ k = { 1/ 2 : k = 0 1 : k 0 ( n + 1 )] 2 David Bařina Integrální transformace obrazu 26. února / 74
22 2D DCT separabilní JPEG David Bařina Integrální transformace obrazu 26. února / 74
23 Báze 2D DCT David Bařina Integrální transformace obrazu 26. února / 74
24 2D DCT David Bařina Integrální transformace obrazu 26. února / 74
25 2D DCT 8 8 David Bařina Integrální transformace obrazu 26. února / 74
26 2D Gaborova transformace extrakce příznaků, segmentace, detekce hran 1D g α,ξ (x) = α/π e αx 2 e iξx α R +, ξ, x R, kde α = (2σ 2 ) 1, σ 2 je rozptyl, ξ je frekvence 2D separabilní ξ = (ξ 0, ξ 1 ), x = (x 0, x 1 ) g α,ξ (x) = g α,ξ0 (x 0 ) g α,ξ1 (x 1 ) David Bařina Integrální transformace obrazu 26. února / 74
27 2D Gaborova transformace jádro David Bařina Integrální transformace obrazu 26. února / 74
28 2D Gaborova transformace směry 17, 77 a 137 stupňů David Bařina Integrální transformace obrazu 26. února / 74
29 2D Gaborova transformace David Bařina Integrální transformace obrazu 26. února / 74
30 Vlnka angl. wavelet, fr. ondelette ψ L 2 (R) David Bařina Integrální transformace obrazu 26. února / 74
31 Vlnka Podmínky přípustnost nulový průměr jednotková plocha C ψ = ˆψ(ω) 2 dω < + ω ψ(t) dt = 0 ψ = 1 David Bařina Integrální transformace obrazu 26. února / 74
32 Vlnka Vlastnosti existence nosiče nulové momenty hladkost (regularita) m(k) = t k ψ(t) dt f = + + j= n= f, ψ j,n ψ j,n symetrie David Bařina Integrální transformace obrazu 26. února / 74
33 Vlnka Atomy roztažené a posunuté vlnky báze ψ u,s (t) = 1 ( ) t u ψ s s David Bařina Integrální transformace obrazu 26. února / 74
34 Vlnková transformace spojitá vlnková transformace W f (u, s) = f, ψ u,s = = + + = f ψ s (u) f (t) ψ u,s dt f (t) 1 ( ) t u ψ dt s s ψ s (u) = 1 s ψ u R, s R + ( ) t s David Bařina Integrální transformace obrazu 26. února / 74
35 Vlnková transformace škálogram inverzní W f (u, s) 2 f (t) = W f (u, s) 1 ψ C ψ 0 s ( ) t u s du ds s 2 David Bařina Integrální transformace obrazu 26. února / 74
36 Vlnková transformace David Bařina Integrální transformace obrazu 26. února / 74
37 Vlnková transformace Měřítková funkce (škálovací funkce) známe W f (u, s) pro s < s 0 potřebujeme zbytek informace pro s > s 0 zavedeme φ ˆφ(ω) 2 = + 1 ˆψ(sω) 2 ds s L f (u, s) = f, φ u,s φ = 1 David Bařina Integrální transformace obrazu 26. února / 74
38 Vlnková transformace Vlnkové rámce (wavelet frames) diskrétní parametry u, s s = s0 m, u = nu 0 s0 m m Z, n Z, s 0 > 1, u 0 > 0 Vlnkové řady (wavelet series) odstraněna nadbytečná informace dyadické vzorkování s 0 = 2, u 0 = 1 s = 2 m, u = n2 m m Z, n Z David Bařina Integrální transformace obrazu 26. února / 74
39 Diskrétní vlnková transformace Multirozklad (Multiresolution analysis) f (t) L 2 (R) rozložit do hierarchických podprostorů V m multirozklad L 2 {0} V 2 V 1 V 0 V 1 V 2... L 2 (R) {φ j,n } n Z je báze V j ortogonální doplněk V j 1 = V j W j {ψ j,n } n Z je báze W j David Bařina Integrální transformace obrazu 26. února / 74
40 Diskrétní vlnková transformace Multirozklad (Multiresolution analysis) {ψ j,n } j,n Z 2 je báze L 2 (R) L 2 (R) = + j= W j W 1 L 2 (R) = W }{{ 2 } W 0 W 1 W 2... } V 1 {{} V 0 David Bařina Integrální transformace obrazu 26. února / 74
41 Diskrétní vlnková transformace Multirozklad (Multiresolution analysis) reprezentace signálu ve WS reprezentace signálu v DWT vstup diskrétního signálu při výpočtu DWT projekce spojitého signálu při výpočtu WS dilatační rovnice φ(t) = 2 n h(n)φ(2t n) ψ(t) = 2 n g(n)φ(2t n) David Bařina Integrální transformace obrazu 26. února / 74
42 Diskrétní vlnková transformace Diskrétní vlnková transformace (DWT) reprezentace signálu ve WS reprezentace signálu v DWT vstup diskrétního signálu při výpočtu DWT projekce spojitého signálu při výpočtu WS projekce do V u (přibližné koeficienty) c u (s) = f, φ u,s projekce do W u (podrobné koeficienty) d u (s) = f, ψ u,s David Bařina Integrální transformace obrazu 26. února / 74
43 Diskrétní vlnková transformace Rychlá vlnková transformace (FWT) c u+1 (s) = k h(k 2s)c u (k) d u+1 (s) = k g(k 2s)c u (k) Složitost FFT N log N DWT N lifting David Bařina Integrální transformace obrazu 26. února / 74
44 Diskrétní vlnková transformace c 1 [s] = (x h)[s] 2 d 1 [s] = (x g)[s] 2 h 2 přibližné koeficienty x g 2 podrobné koeficienty h 2 koeficienty h 2 g 2 3. úrovně h 2 g 2 koeficienty 2. úrovně x g 2 koeficienty 1. úrovně David Bařina Integrální transformace obrazu 26. února / 74
45 Dvourozměrná DWT jeden stupeň David Bařina Integrální transformace obrazu 26. února / 74
46 Dvourozměrná DWT příklad David Bařina Integrální transformace obrazu 26. února / 74
47 Dvourozměrná DWT příklad David Bařina Integrální transformace obrazu 26. února / 74
48 Dvourozměrná DWT příklad David Bařina Integrální transformace obrazu 26. února / 74
49 Dvourozměrná DWT strom DC DC David Bařina Integrální transformace obrazu 26. února / 74
50 Používané vlnky Haarova a Daubechiesové vlnky diskrétní (ortogonální), derivátory ψ(t) = { 1 0 t < 1/2 1 1/2 t < 1 David Bařina Integrální transformace obrazu 26. února / 74
51 Používané vlnky CDF / Biortogonální spline vlnky diskrétní (biortogonální), komprese (JPEG 2000) David Bařina Integrální transformace obrazu 26. února / 74
52 Používané vlnky Mexický klobouk a Morletova nebo Gaborova vlnka ψ(t) = c (t 2 1)e t2 /2 David Bařina Integrální transformace obrazu 26. února / 74
53 Používané vlnky 2D Gaborova vlnka David Bařina Integrální transformace obrazu 26. února / 74
54 Stacionární vlnková transformace redundantní forma DWT vynecháno podvzorkování signálu, namísto toho nadvzorkování filtrů h2 h3 g 3 koeficienty 3. úrovně h1 g 2 koeficienty 2. úrovně x g 1 koeficienty 1. úrovně hj 2 hj+1 g j 2 g j+1 David Bařina Integrální transformace obrazu 26. února / 74
55 Výběr vlnky obecně: podobnost tvaru vlnky s charakteristickými úseky signálu komplexní vlnky: dobře detekují oscilace reálné vlnky: s málo oscilacemi dobře detekují špičky a singularity antisymetrické vlnky: jsou vhodné k detekci změn gradientu symetrické vlnky: nezpůsobují fázový posun krátký nosič: nižší výpočetní náročnost, přesnější lokalizace v čase (špatná ve frekvenci), nedochází k rozmazání signálu (měřítková funkce) dlouhý nosič: větší odezva koeficientů pro přechodové jevy David Bařina Integrální transformace obrazu 26. února / 74
56 Detekce hran David Bařina Integrální transformace obrazu 26. února / 74
57 Odstranění šumu prahování vlnkových koeficientů tvrdé (hard) měkké (soft) volba prahu λ ρ hard λ (x) = ρ soft λ (x) = { x x λ 0 x < λ x λ x λ x + λ x λ 0 x < λ pro normální No(0, σ 2 ) šumu se používá λ = σ 2 ln M pro No(0, σ 2 ) odvozeno σ = median( d 1 )/0,6745 David Bařina Integrální transformace obrazu 26. února / 74
58 Odstranění šumu David Bařina Integrální transformace obrazu 26. února / 74
59 Odstranění šumu obraz David Bařina Integrální transformace obrazu 26. února / 74
60 Srovnání s JPEG (113:1, ImageMagick) David Bařina Integrální transformace obrazu 26. února / 74
61 Možnosti a výhody ztrátová i bezeztrátová komprese kvalita progresivní přenos rozlišení kvalita prostorové umístění oblast zájmu (ROI) odolnost vůči chybám výpočetní složitost David Bařina Integrální transformace obrazu 26. února / 74
62 Odolnost vůči chybám Obrázek : JPEG, JPEG 2000 David Bařina Integrální transformace obrazu 26. února / 74
63 Oblast zájmu David Bařina Integrální transformace obrazu 26. února / 74
64 Progresivní přenos (rozlišení) David Bařina Integrální transformace obrazu 26. února / 74
65 Progresivní přenos (kvalita) David Bařina Integrální transformace obrazu 26. února / 74
66 Progresivní přenos (pozice) David Bařina Integrální transformace obrazu 26. února / 74
67 Korelace David Bařina Integrální transformace obrazu 26. února / 74
68 Embedded coder vkládání bitů v pořadí podle významnosti 2 n, kódování bitových rovin (bitplane coding) algoritmus 1 inicializace 2 kódování významnosti 3 kódování znaménka 4 upřesnění 5 další krok David Bařina Integrální transformace obrazu 26. února / 74
69 Strom koeficientů, korelace c 1 c 2 c DC c 4 c 5 c 6 c David Bařina Integrální transformace obrazu 26. února / 74
70 EZW DC David Bařina Integrální transformace obrazu 26. února / 74
71 EZW korelace mezi měřítky zerotree Mortonův rozklad algoritmus 1 inicializace 2 hlavní průchod if( abs(c) > T ) { output(p) or output(n); } else { if( zerotree_root(c) ) output(t); else output(z); } 3 upřesňující průchod 4 další krok David Bařina Integrální transformace obrazu 26. února / 74
72 X-lety curvelety, contourlety, shearlety,... David Bařina Integrální transformace obrazu 26. února / 74
73 Shrnutí Fourierova transformace komplexní exponenciály Gaborova transformace exponenciály modulované Gaussovým oknem kosinová transformace kosinusoidy vlnková transformace vlnky detekce hran odstranění šumu komprese David Bařina Integrální transformace obrazu 26. února / 74
74 Zdroje MALLAT, Stéphane. A Wavelet Tour of Signal Processing: The Sparse Way. With contributions from Gabriel Peyré. 3rd edition. Academic Press, ISBN David Bařina Integrální transformace obrazu 26. února / 74
SIGNÁLY 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)
VíceWaveletová transformace a její použití při zpracování signálů
Waveletová transformace a její použití při zpracování signálů BÍLOVSKÝ, Petr 1 1 Katedra elektrických měření, VŠB-TU Ostrava, 17. listopadu, Ostrava - Poruba, 708 33, petr.bilovsky@vsb.cz Abstrakt: Wavelet
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
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
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
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
VíceVlnková transformace
Vlnková transformace Václav Hlaváč České vysoké učení technické v Praze Centrum strojového vnímání (přemosťuje skupiny z) Český institut informatiky, robotiky a kybernetiky Fakulta elektrotechnická, katedra
VíceSignál v čase a jeho spektrum
Signál v čase a jeho spektrum Signály v časovém průběhu (tak jak je vidíme na osciloskopu) můžeme dělit na periodické a neperiodické. V obou případech je lze popsat spektrálně určit jaké kmitočty v sobě
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
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
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
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY KOMPRESE OBRAZU POMOCÍ VLNKOVÉ TRANSFORMACE IMAGE COMPRESSION USING THE WAVELET TRANSFORM
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VíceKTE/TEVS - Rychlá Fourierova transformace. Pavel Karban. Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni
KTE/TEVS - Rychlá Fourierova transformace Pavel Karban Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni 10.11.011 Outline 1 Motivace FT Fourierova transformace
VíceZpracování obrazů. Honza Černocký, ÚPGM
Zpracování obrazů Honza Černocký, ÚPGM 1D signál 2 Obrázky 2D šedotónový obrázek (grayscale) Několikrát 2D barevné foto 3D lékařské zobrazování, vektorová grafika, point-clouds (hloubková mapa, Kinect)
VíceP6 Časově frekvenční analýza signálů
P6 Časově frekvenční analýza signálů Je vhodné podotknout, že převážná většina reálných technických signálů je zařazována do oblasti nestacionárních signálů. Fourierova transformace, případně její modifikace
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
VíceLineární a adpativní zpracování dat. 3. Lineární filtrace I: Z-transformace, stabilita
Lineární a adpativní zpracování dat 3. Lineární filtrace I: Z-transformace, stabilita Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály, systémy, jejich vlastnosti a popis v časové
VíceRoman Juránek. Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 30
Extrakce obrazových příznaků Roman Juránek Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 30 Motivace Účelem extrakce
VíceVYUŽITÍ VÝPOČETNÍHO SYSTÉMU MATLAB PŘI NEDESTRUKTIVNÍ KONTROLE STAVEBNÍCH MATERIÁLŮ A DÍLCŮ ROZBOREM AKUSTICKÉ ODEZVY GENEROVANÉ MECHANICKÝM IMPULSEM
VYUŽITÍ VÝPOČETNÍHO SYSTÉMU MATLAB PŘI NEDESTRUKTIVNÍ KONTROLE STAVEBNÍCH MATERIÁLŮ A DÍLCŮ ROZBOREM AKUSTICKÉ ODEZVY GENEROVANÉ MECHANICKÝM IMPULSEM Jaroslav Smutný, Luboš Pazdera Vysoké učení technické
VícePoznámky k Fourierově transformaci
Poznámky k Fourierově transformaci V těchto poznámkách jsou uvedeny základní vlastnosti jednorozměrné Fourierovy transformace a její aplikace na jednoduché modelové případy. Pro určitost jsou sdružené
VíceAPLIKACE DWT PRO POTLAČENÍ ŠUMU V OBRAZE
APLIKACE DWT PRO POTLAČENÍ ŠUMU V OBRAZE J.Švihlík ČVUT v Praze Fakulta elektrotechnická Katedra radioelektroniky Abstrakt Šum je v obraze prakticky vždy přítomen což způsobuje degradaci obrazu. Existuje
Více31ZZS 9. PŘEDNÁŠKA 24. listopadu 2014
3ZZS 9. PŘEDNÁŠKA 24. listopadu 24 SPEKTRÁLNÍ ANALÝZA Fourierovy řady Diskrétní Fourierovy řady Fourierova transformace Diskrétní Fourierova transformace Spektrální analýza Zobrazení signálu ve frekvenční
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
VícePokroky matematiky, fyziky a astronomie
Pokroky matematiky, fyziky a astronomie Vratislava Mošová O matematice v mobilu Pokroky matematiky, fyziky a astronomie, Vol. 60 (2015), No. 1, 50--57 Persistent URL: http://dml.cz/dmlcz/144336 Terms of
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
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
VíceKomprese dat s použitím wavelet transformace
XXVI. ASR '2001 Seminar, Instruments and Control, Ostrava, April 26-27, 2001 Paper 59 Komprese dat s použitím wavelet transformace PIECHOTA, Hynek Ing, Katedra ATŘ-352, VŠB-TU Ostrava, 17. listopadu, Ostrava
VíceZákladní metody číslicového zpracování signálu část I.
A4M38AVS Aplikace vestavěných systémů Základní metody číslicového zpracování signálu část I. Radek Sedláček, katedra měření, ČVUT v Praze FEL, 2015 Obsah přednášky Úvod, motivace do problematiky číslicového
VíceSpektrální analýza a diskrétní Fourierova transformace. Honza Černocký, ÚPGM
Spektrální analýza a diskrétní Fourierova transformace Honza Černocký, ÚPGM Povídání o cosinusovce 2 Argument cosinusovky 0 2p a pak každé 2p perioda 3 Cosinusovka s diskrétním časem Úkol č. 1: vyrobit
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,
Víceteorie elektronických obvodů Jiří Petržela obvodové funkce
Jiří Petržela obvod jako dvojbran dvojbranem rozumíme elektronický obvod mající dvě brány (vstupní a výstupní) dvojbranem může být zesilovač, pasivní i aktivní filtr, tranzistor v některém zapojení, přenosový
VíceAnalýza signálů technikou Waveletů
Analýza signálů tecnikou Waveletů Piecota, Hynek 1 1 Ing., Katedra ATŘ-352, VŠB-TU Ostrava, 17. listopadu, Ostrava - Poruba, 708 33 ynek.piecota@vsb.cz, ttp://www.fs.vsb.cz 1 Abstrakt Teorie analýzy signálů
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,
VíceVlnková transformace a její aplikace ve zpracování obrazu
Vlnková transformace a její aplikace ve zpracování obrazu Jan Švihlík svihlj1@fel.cvut.cz +40 4 35 113 České vysoké učení technické v Praze Fakulta elektrotechnická Katedra radioelektroniky Obsah Proč
VíceWavelet transformace v metodách zvýrazňování řeči
Wavelet transformace v metodách zvýrazňování řeči Petr Opršal 1 1 Katedra elektrických měření, FEI, VŠB Technická Univerzita Ostrava, 17. listopadu 15, 708 33, Ostrava-Poruba oprsal@tiscali.cz Abstrakt.
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
Vícezákladní vlastnosti, používané struktury návrhové prostředky MATLAB problém kvantování koeficientů
A0M38SPP - Signálové procesory v praxi - přednáška 4 2 Číslicové filtry typu FIR a IIR definice operace filtrace základní rozdělení FIR, IIR základní vlastnosti, používané struktury filtrů návrhové prostředky
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
VíceREALIZACE HRANOVÉHO DETEKTORU S VYUŽITÍM VLNKOVÉ TRANSFORMACE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
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
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
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz, Kamenice 3, 4. patro, dv.č.424 INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. FREKVENČNÍ TRASFORMACE SPOJITÉ
VícePři návrhu FIR filtru řešíme obvykle následující problémy:
Návrh FIR filtrů Při návrhu FIR filtru řešíme obvykle následující problémy: volba frekvenční odezvy požadovaného filtru; nejčastěji volíme ideální charakteristiku normovanou k Nyquistově frekvenci, popř.
VíceX31EO2 - Elektrické obvody 2. Kmitočtové charakteristiky
X3EO - Elektrické obvody Kmitočtové charakteristiky Doc. Ing. Petr Pollák, CSc. Letní semestr 5/6!!! Volné šíření není povoleno!!! Fázory a spektra Fázor harmonického průběhu Û m = U m e jϕ ut) = U m sinωt
VíceČíslicová filtrace. FIR filtry IIR filtry. ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Ing. Radek Sedláček, Ph.D., katedra měření K13138 Číslicová filtrace FIR filtry IIR filtry Tyto materiály vznikly za podpory Fondu rozvoje
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
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
Více1. Úvod Cíl práce Fourierova transformace a řada Vlnková transformace...4
Obsah 1. Úvod...3 1.1 Cíl práce...3 1.2 Fourierova transformace a řada...3 2. Vlnková transformace...4 3. Vlnková transformace se spojitým časem (CWT)...5 4. Dyadická vlnková transformace (DWT)...5 4.1
VíceAplikace waveletové transformace v. The Application of the Wavelet Transform in Digital Image Processing
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky Aplikace waveletové transformace v digitálním zpracování obrazu The Application of the Wavelet Transform
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
VícePříloha č. 1. amplitudová charakteristika filtru fázová charakteristika filtru / frekvence / Hz. 1. Určení proudové hustoty
Příloha č. 1 Při hodnocení expozice nízkofrekvenčnímu elektromagnetickému poli (0 Hz 10 MHz) je určující veličinou modifikovaná proudová hustota J mod indukovaná v tělesné tkáni. Jak je uvedeno v nařízení
VíceTajemství skalárního součinu
Tajemství skalárního součinu Jan Hamhalter http://math.feld.cvut.cz/hamhalte katedra matematiky, FEL ČVUT Otevřené Elektronické Systémy 28. února 2013 Jan Hamhalter http://math.feld.cvut.cz/hamhalte Tajemství
VíceZákladní metody číslicového zpracování signálu a obrazu část II.
A4M38AVS Aplikace vestavěných systémů Přednáška č. 8 Základní metody číslicového zpracování signálu a obrazu část II. Radek Sedláček, katedra měření, ČVUT FEL, 2015 Obsah přednášky Převzorkování decimace,
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)
VíceÚPGM FIT VUT Brno,
Systémy s diskrétním časem Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz 1 LTI systémy v tomto kursu budeme pracovat pouze se systémy lineárními a časově invariantními. Úvod k nim jsme viděli již
VíceČíslicové zpracování signálů a Fourierova analýza.
Číslicové zpracování signálů a Fourierova analýza www.kme.zcu.cz/kmet/exm 1 Obsah prezentace 1. Úvod a motivace 2. Data v časové a frekvenční oblasti 3. Fourierova analýza teoreticky 4. Fourierova analýza
VíceČíslicové filtry. Honza Černocký, ÚPGM
Číslicové filtry Honza Černocký, ÚPGM Aliasy Digitální filtry Diskrétní systémy Systémy s diskrétním časem atd. 2 Na co? Úprava signálů Zdůraznění Potlačení Detekce 3 Zdůraznění basy 4 Zdůraznění výšky
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.
VíceUltrazvuková defektoskopie. M. Kreidl, R. Šmíd, V. Matz, S. Štarman
Ultrazvuková defektoskopie M. Kreidl, R. Šmíd, V. Matz, S. Štarman Praha 2011 ISBN 978-80-254-6606-3 2 OBSAH 1. Předmluva 7 2. Základní pojmy 9 2.1. Fyzikální základy ultrazvuku a akustické veličiny 9
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
VíceRekurentní filtry. Matlab
Rekurentní filtry IIR filtry filtry se zpětnou vazbou a nekonečnou impulsní odezvou Výstupní signál je závislý na vstupu a minulém výstupu. Existují různé konvence zápisu, pozor na to! Někde je záporná
VíceSrovnání metod pro ztrátovou kompresi obrazu
Srovnání metod pro ztrátovou kompresi obrazu Ing. Jan Malý Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií, Ústav telekomunikací, Purkyňova 118, 612 00 Brno, Česká republika
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
VíceKomplexní analýza. Laplaceova transformace. Martin Bohata. Katedra matematiky FEL ČVUT v Praze
Komplexní analýza Laplaceova transformace Martin Bohata Katedra matematiky FEL ČVUT v Praze bohata@math.feld.cvut.cz Martin Bohata Komplexní analýza Laplaceova transformace 1 / 18 Definice Definice Laplaceovou
VíceFOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth
FOURIEROVA ANALÝZA 2D TERÉNNÍCH DAT Karel Segeth Motto: The faster the computer, the more important the speed of algorithms. přírodní jev fyzikální model matematický model numerický model řešení numerického
VíceHodnocení parametrů signálu AE při únavovém zatěžování tří typů konstrukčních materiálů. Vypracoval: Kolář Lukáš
Hodnocení parametrů signálu AE při únavovém zatěžování tří typů konstrukčních materiálů Vypracoval: Kolář Lukáš Cíl práce: Analýza současného stavu testování metodou AE Návrh experimentálního zajištění
VíceP7: Základy zpracování signálu
P7: Základy zpracování signálu Úvodem - Signál (lat. signum) bychom mohli definovat jako záměrný fyzikální jev, nesoucí informaci o nějaké události. - Signálem je rovněž funkce, která převádí nezávislou
VíceHLEDÁNÍ HRAN. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.
1/35 HLEDÁNÍ HRAN Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac FYZIOLOGICKÁ MOTIVACE 2/35 Výsledky
Více1 Zpracování a analýza tlakové vlny
1 Zpracování a analýza tlakové vlny 1.1 Cíl úlohy Prostřednictvím této úlohy se naučíte a zopakujete: analýzu biologických signálů v časové oblasti, analýzu biologických signálů ve frekvenční oblasti,
VíceMetody rekonstrukce obrazu a
Metody rekonstrukce obrazu a odstranění šumu z obrazu Jan Švihlík svihlj1@fel.cvut.cz +420 224 352 113 České vysoké učení technické v Praze Fakulta elektrotechnická Katedra radioelektroniky Obsah Konvoluce
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
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
VíceÚlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,
Úlohy k přednášce NMAG a : Lineární algebra a geometrie a Verze ze dne. května Toto je seznam přímočarých příkladů k přednášce. Úlohy z tohoto seznamu je nezbytně nutné umět řešit. Podobné typy úloh se
VíceInformační systémy ve zdravotnictví
Informační systémy ve zdravotnictví ZS 2008/2009 Zoltán Szabó Tel.: (+420) 312 608 207 E-mail: szabo@fbmi.cvut.cz č.dv.: 504, 5.p Dnešní přednáška Kódování, komprese 2 1 Komprese dat Cíl komprese: redukovat
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
VíceKosinová transformace 36ACS
Kosinová transformace 36ACS 10. listopadu 2006 Martin BruXy Bruchanov bruxy@regnet.cz Uplatnění diskrétní kosinové transformace Úkolem transformačního kódování je převést hodnoty vzájemně závislých vzorků
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
VíceAnalýza lineárních regulačních systémů v časové doméně. V Modelice (ale i v Simulinku) máme blok TransfeFunction
Analýza lineárních regulačních systémů v časové doméně V Modelice (ale i v Simulinku) máme blok TransfeFunction Studijní materiály http://physiome.cz/atlas/sim/regulacesys/ Khoo: Physiological Control
VícePřednáška v rámci PhD. Studia
OBVODY SE SPÍNANÝMI KAPACITORY (Switched Capacitor Networks) Přednáška v rámci PhD. Studia Doc. Ing. Lubomír Brančík, CSc. UREL FEKT VUT v Brně ÚVOD DO PROBLEMATIKY Důsledek pokroku ve vývoji (miniaturizaci)
VíceMichal Dobeš ZPRACOVÁNÍ OBRAZU A ALGORITMY V C# Praha 2008 Michal Dobeš Zpracování obrazu a algoritmy v C# Bez pøedchozího písemného svolení nakladatelství nesmí být kterákoli èást kopírována nebo rozmnožována
VíceStavební fakulta Katedra mechaniky. Jaroslav Kruis, Petr Štemberk
České vysoké učení technické v Praze Stavební fakulta Katedra mechaniky Fuzzy množiny, fuzzy čísla a jejich aplikace v inženýrství Jaroslav Kruis, Petr Štemberk Obsah Nejistoty Teorie pravděpodobnosti
VíceNěkolik aplikací. Kapitola 12
Kapitola 12 Několik aplikací Diskrétní a rychlá Fourierova transformace Diskrétní Fourierova transformace spočívá ve změně reprezentace polynomu s koeficienty v nějakém tělese T Obvyklá reprezentace polynomu
VíceFourierova transformace ve zpracování obrazů
Fourierova trasformace ve zpracováí obrazů Jea Baptiste Joseph Fourier 768-83 6. předáška předmětu Zpracováí obrazů Martia Mudrová 24 Motivace Proč používat Fourierovu trasformaci? základí matematický
VíceZáklady a aplikace digitálních. Katedra radioelektroniky (13137), blok B2, místnost 722
Základy a aplikace digitálních modulací Josef Dobeš Katedra radioelektroniky (13137), blok B2, místnost 722 dobes@fel.cvut.cz 6. října 2014 České vysoké učení technické v Praze, Fakulta elektrotechnická
VíceLineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceFourierova transformace
Fourierova transformace Jean Baptiste Joseph Fourier (768-83) Jeho obdivovatel (nedatováno) Opáčko harmonických signálů Spojitý harmonický signál ( ) = cos( ω + ϕ ) x t C t C amplituda ω úhlová frekvence
VíceFiltrace snímků ve frekvenční oblasti. Rychlá fourierova transformace
Filtrace snímků ve frekvenční oblasti Rychlá fourierova transformace semestrální práce z předmětu KIV/ZVI zpracoval: Jan Bařtipán A03043 bartipan@students.zcu.cz Obsah Úvod....3 Diskrétní Fourierova transformace
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
VíceÚPGM FIT VUT Brno, periodické a harmonické posloupnosti. konvoluce Fourierova transformace s diskrétním časem
Diskrétní signály a jejich frekvenční analýza. Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz opakování základy o diskrétních signálech. periodické a harmonické posloupnosti operace s diskrétními
VíceMODERNÍ SMĚROVÉ ZPŮSOBY REPREZENTACE OBRAZŮ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ VLNKOVÁ FILTRACE SIGNÁLŮ EKG DIPLOMOVÁ PRÁCE. doc. Ing. JIŘÍ KOZUMPLÍK, CSc.
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceROZ1 - Cv. 2 - Fourierova transformace ÚTIA - ZOI
Vzorečky Co to je FT? Vzorečky Co to je FT? Transformace signálu z časové (resp. obrazové) reprezentace f(t) do frekvenční reprezentace F(ψ) a zpět. Díky ní můžeme signál analyzovat ve frekvenční oblasti
VíceROZ II cv. 01 Dekonvoluce KM - FJFI - ČVUT
ROZ II cv. 01 Dekonvoluce KM - FJFI - ČVUT ZS 2013 ÚTIA - ZOI zoi.utia.cas.cz Kontakty Ústav teorie informace a automatizace AV ČR, v.v.i. http://www.utia.cas.cz Zpracování obrazové informace http://zoi.utia.cas.cz
VíceMatematickým modelem soustavy je známá rovnice (1)
1. Lineární dynamické systémy 1.1 Rezonanční charakteristiky lineárních systémů s jedním stupněm volnosti Závislost amplitudy vynucených kmitů na frekvenci nazýváme amplitudo-frekvenční charakteristikou.
VíceÚvod do vlnkové transformace
Úvod do vlnkové transformace Radislav Šmíd ČVUT FEL katedra měření, Technická 2, CZ-66 27 Praha 6 e-mail: smid@feld.cvut.cz, www: http://measure.feld.cvut.cz/usr/staff/smid 9. srpna 2 Obsah Spojitá vlnková
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
VíceVěta o sedlovém bodu a Fredholmova alternativa
Věta o sedlovém bodu a Fredholmova alternativa Petr Tomiczek Fakulta Aplikovaných věd Západočeská univerzita Plzeň 2006 obsah 1 Rozklad Hilbertova prostoru Uzavřený lineární a samoadjungovaný operátor
VíceWAVELET TRANSFORMACE V POTLAČOVÁNÍ
WAVELET TRANSFORMACE V POTLAČOVÁNÍ RUŠIVÝCH SLOŽEK OBRAZŮ Andrea Gavlasová, Aleš Procházka Vysoká škola chemicko-technologická, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je zaměřen na problematiku
VíceVyužití moderních matematických postupů při analýze dynamických účinků od kolejové dopravy
Jaroslav Smutný 1 - Luboš Pazdera 2 Využití moderních matematických postupů při analýze dynamických účinků od kolejové dopravy Klíčová slova: dynamické účinky, kolejová doprava, lineární a nelineární časově
Více