Dálkový průzkum Země. Klasifikace obrazu
|
|
|
- Julie Jandová
- před 8 lety
- Počet zobrazení:
Transkript
1 Dálkový průzkum Země Klasifikace obrazu
2 Neřízená klasifikace v IDRISI Modul CLUSTER (Image Processing / Hard Classifiers) využívá techniku histogramových vrcholů pásma pro klasifikaci výsledný obraz volba algoritmu: broad (jen výrazné vrcholy) fine (všechny vrcholy)
3 Modul ISOCLUST (Image Processing / Hard Classifiers) koncept algoritmu ISODATA k zařazování pixelů do tříd využívá mimimální spektrální vzdálenosti pásma pro klasifikaci počet opakování výpočtu počet clusterů (tříd) k vytvoření mimimální počet trénovacích pixelů výsledný obraz
4 Modul KMEANS (Image Processing / Hard Classifiers) pásma pro klasifikaci výpočet průměrových vektorů shluků a jejich porovnávání se zařazovanými pixely maska výsledný obraz počet clusterů (shluků, tříd) k vytvoření způsob rozmístění počátečních clusterů kritéria ukončení procesu - max. % migrujících pixelů - max. počet iterací volba slučování clusterů pod prahem
5 Řízená klasifikace v IDRISI Tvorba trénovacích množin digitalizace z obrazovky jméno vytvářené vektorové vrstvy paleta pro zobrazování typ vektoru datový typ (celá/reálná) identifikační hodnota prvku při více polygonech pro jednu třídu je třeba všem těmto polygonům přiřadit stejné ID
6 tvorba signatur modul MAKESIG (Image Processing / Signature Development) typ souboru, definujícího tréningové množiny a jeho jméno pojmenování jednotlivých signatur (tříd) vložení pásem, ze kterých má být proveden výpočet signatur minimální počet tréninkových pixelů pro každou třídu
7 Porovnání signatur Idrisi modul SIGCOMP (Image Processing / Signature Development) vložení souboru signatur volba typu grafu Histogram signatur modul HISTO
8 Idrisi modul MAXLIKE možnosti apriorního nastavení pravděpodobností pro každou třídu vložení skupiny signatur jméno výsledného souboru určení % pixelů, které mohou zůstat nezařazeny
9 Další klasifikační moduly v IDRISI PIPED klasifikátor pravúhelníků MINDIST klasifikátor minimální vzdálenosti Měkké klasifikátory nevytvářejí definitivní zařazení pixelů do tříd výsledkem je několik obrazů (podle počtu signatur), znázorňujících pravděpodobnosti náležitosti každého pixelu do každé třídy Idrisi moduly: BAYCLASS, BELCLASS
10 Literatura Eastman, J.R. 2009: Idrisi TAIGA Guide to GIS and Image Processing, Clark Labs, Worcester, MA
11 Dálkový průzkum Země Přesnost klasifikace
12 Hodnocení klasifikace Chybová matice (error matrix) porovnává u všech tříd vztah mezi referenčními daty a výsledky klasifikace Kappa koeficient porovnává výslednou klasifikaci s klasifikací vzniklou čistě náhodným procesem zařazování pixelů do tříd hodnota 0,9 znamená, že jsme se vyhnuli 90% chyb, které by vznikly náhodným zařazováním
13 Chybová matice chyby z opomenutí (omission error) - pixely les jsou zařazeny jinam (sloupce) chyby z nesprávného zařazení (commission error) - do třídy les jsou zařazeny pixely představující jiný povrch (řádky) přesnost z hlediska uživatele (user s accuracy) - pravděpodobnost s jakou pixel zařazený do určité třídy tuto skutečně reprezentuje přesnost z hlediska zpracovatele (producer s accuracy) = počet správně klas. pixelů / počet pixelů použitých pro testování dané třídy
14 Výpočet chybové matice průměrná přesnost klasifikace všech tříd: / 301 = 95% Referenční data Klasifikace třída les pole voda domy Σ les pole voda domy Σ
15 Chyba z opomenutí = 11 / 121 = 9% součet pixelů ve sloupci mimo hl.diagonálu / počet pixelů referenčních dat Referenční data Klasifikace třída les pole voda domy Σ les pole voda domy Σ
16 Chyba z nesprávného zařazení = 5 / 121 = 4% součet pixelů v řádku mimo hl.diagonálu / počet pixelů referenčních dat Referenční data Klasifikace třída les pole voda domy Σ les pole voda domy Σ
17 Přesnost z hlediska uživatele = 110 / 115 = 96% počet správně klasifikovaných pixelů / celkový počet pixelů zařazených do třídy Referenční data Klasifikace třída les pole voda domy Σ les pole voda domy Σ
18 Přesnost z hlediska zpracovatele = 110 / 121 = 91% počet správně klas. pixelů / počet pixelů použitých pro testování dané třídy Referenční data Klasifikace třída les pole voda domy Σ les pole voda domy Σ
19 Literatura Campbell, J.B. 1996: Introdution to Remote Sensing, Taylor and Francis, London Dobrovolný, P. 1998: Dálkový průzkum Země, digitální zpracování obrazu, Masarykova Univerzita, Brno
Dálkový průzkum Země. Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU
Dálkový průzkum Země Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU Klasifikace obrazu Klasifikaci můžeme obecně definovat jako seskupování vzájemně si podobných prvků (entit) do
Analýza dat v GIS. Dotazy na databáze. Překrytí Overlay Mapová algebra Vzdálenostní funkce. Funkce souvislosti Interpolační funkce Topografické funkce
Analýza dat v GIS Dotazy na databáze Prostorové Atributové Překrytí Overlay Mapová algebra Vzdálenostní funkce Euklidovské vzdálenosti Oceněné vzdálenosti Funkce souvislosti Interpolační funkce Topografické
GIS ANALÝZA VLIVU DÁLNIČNÍ SÍTĚ NA OKOLNÍ KRAJINU. Veronika Berková 1
GIS ANALÝZA VLIVU DÁLNIČNÍ SÍTĚ NA OKOLNÍ KRAJINU Veronika Berková 1 1 Katedra mapování a kartografie, Fakulta stavební, ČVUT, Thákurova 7, 166 29, Praha, ČR veronika.berkova@fsv.cvut.cz Abstrakt. Metody
DZD DPZ 9 Klasifikace. Doc. Dr. Ing. Jiří Horák - Ing. Tomáš Peňáz, Ph.D. Institut geoinformatiky VŠB-TU Ostrava
DZD DPZ 9 Klasifikace Doc. Dr. Ing. Jiří Horák - Ing. Tomáš Peňáz, Ph.D. Institut geoinformatiky VŠB-TU Ostrava Dobrovolný Klasifikace obrazu proces extrahování tématické informace z kontinuálních dat
Řízená klasifikace. (Supervised classification)
Řízená klasifikace (Supervised classification) V předcházejícím cvičení jsme vykreslili křivky spektrální odezvy pro tři typy pokryvu zemského povrchu: zastavěné oblasti, zalesněné oblasti a povrchové
POROVNÁNÍ PER-PIXEL KLASIFIKÁTORŮ PRO IDENTIFIKACI ZÁSTAVBY
Univerzita Palackého v Olomouci Přírodovědecká fakulta Katedra geoinformatiky Eva TÖGELOVÁ POROVNÁNÍ PER-PIXEL KLASIFIKÁTORŮ PRO IDENTIFIKACI ZÁSTAVBY Bakalářská práce Čestné prohlášení Prohlašuji, že
VYBRANÉ METODICKÉ PŘÍSTUPY PRO HODNOCENÍ ZMĚN V KRAJINĚ METODAMI DÁLKOVÉHO PRŮZKUMU ZEMĚ V POVODÍ OTAVY
VYBRANÉ METODICKÉ PŘÍSTUPY PRO HODNOCENÍ ZMĚN V KRAJINĚ METODAMI DÁLKOVÉHO PRŮZKUMU ZEMĚ V POVODÍ OTAVY MARTIN HAIS*, ALEXANDRA KRÁLOVÁ*, KAROLÍNA MACHÁČKOVÁ* * Katedra fyzické geografie a geoekologie,
DÁLKOVÝ PRŮZKUM ZEMĚ
Teichmann Vysoká škola báňská Technická univerzita Ostrava Hornicko-geologická fakulta DÁLKOVÝ PRŮZKUM ZEMĚ (Řízená klasifikace) Tomáš Peňáz Ostrava, 2014 Vysoká škola báňská Technická univerzita Ostrava
DÁLKOVÝ PRŮZKUM ZEMĚ
Vysoká škola báňská Technická univerzita Ostrava Hornicko-geologická fakulta DÁLKOVÝ PRŮZKUM ZEMĚ (Neřízená klasifikace) Tomáš Peňáz Ostrava, 2014 Vysoká škola báňská Technická univerzita Ostrava Hornicko-geologická
Hodnocení klasifikátoru Test nezávislosti. 14. prosinec Rozvoj aplikačního potenciálu (RAPlus) CZ.1.07/2.4.00/
Čtyřpolní tabulky Čtyřpolní tabulky 14. prosinec 2012 Rozvoj aplikačního potenciálu (RAPlus) CZ.1.07/2.4.00/17.0117 O čem se bude mluvit? Čtyřpolní tabulky Osnova prezentace Čtyřpolní tabulky 1. přístupy
Obr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
Cvičení 5-1 Bayesův teorém a klasifikace maximální věrohodnosti (Bayes Theorem and Maximum Likelihood Classification)
Cvičení 5-1 Bayesův teorém a klasifikace maximální věrohodnosti (Bayes Theorem and Maximum Likelihood Classification) Následujících šest cvičení rozšiřuje diskusi o klasifikačních postupech, které byly
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT RNDr. Eva Janoušová INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ HODNOCENÍ ÚSPĚŠNOSTI KLASIFIKACE A SROVNÁNÍ KLASIFIKÁTORŮ ÚVOD Vstupní data Subjekt Objem hipokampu Objem komor Skutečnost
verze 1.0 autor listu: Lucie Červená
NEŘÍZENÁ KLASIFIKACE verze 1.0 autor listu: Lucie Červená Cíle V tomto výukovém listu se dozvíte: co je to klasifikace obrazu, na jakém principu funguje neřízená klasifikace, jak funguje algoritmus ISODATA,
Klasifikace lesních porostů na základě kombinace dat z dálkového průzkumu Země
Klasifikace lesních porostů na základě kombinace dat z dálkového průzkumu Země Bc. Pavlína Viačková Katedra geoinformatiky, HGF, VŠB TUO, 17. listopadu 15, 70833, Ostrava, ČR Pavlina.Viackova@gmail.com
Hledání optimální polohy stanic a zastávek na tratích regionálního významu
Hledání optimální polohy stanic a zastávek na tratích regionálního významu Václav Novotný 31. 10. 2018 Anotace 1. Dopravní obsluha území tratěmi regionálního významu 2. Cíle výzkumu a algoritmus práce
Lineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
POROVNÁNÍ VÝSLEDKŮ VIZUÁLNÍ FOTOINTERPRETACE A AUTOMATICKÉ KLASIFIKACE LETECKÝCH SNÍMKŮ V SÍDELNÍ ZÁSTAVBĚ. David VOJVODÍK 1
POROVNÁNÍ VÝSLEDKŮ VIZUÁLNÍ FOTOINTERPRETACE A AUTOMATICKÉ KLASIFIKACE LETECKÝCH SNÍMKŮ V SÍDELNÍ ZÁSTAVBĚ David VOJVODÍK 1 1 Katedra fyzické geografie a geoekologie, Přírodovědecká fakulta, Ostravská
Neuronové sítě v DPZ
Univerzita J. E. Purkyně v Ústí nad Labem Fakulta životního prostředí Neuronové sítě v DPZ Seminární práce z předmětu Dálkový průzkum Země Vypracovali: Jan Lantora Rok: 2006 Zuzana Vašková Neuronové sítě
Objektově orientovaná fuzzy klasifikace krajinného pokryvu (land cover) se zaměřením na zemědělskou krajinu
Objektově orientovaná fuzzy klasifikace krajinného pokryvu (land cover) se zaměřením na zemědělskou krajinu Lukáš Brodský 1, Tomáš Soukup 1 1 GISAT Praha, Charkovska 7 101 00, Praha 10, Česká republika
Analýza obrazu II. Jan Macháček Ústav skla a keramiky VŠCHT Praha
Analýza obrazu II Jan Macháček Ústav skla a keramiky VŠCHT Praha +4- - 44-45 Reference další doporučená literatura Microscopical Examination and Interpretation of Portland Cement and Clinker, Donald H.
Obsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou
Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci Cíle otestovat kvalitu interpolace pomocí
VÝUKA SYSTÉMU IDRISI NA KATEDŘE GEOINFORMATIKY PŘÍRODOVĚDECKÉ FAKULTY UNIVERZITY PALACKÉHO V OLOMOUCI
VÝUKA SYSTÉMU IDRISI NA KATEDŘE GEOINFORMATIKY PŘÍRODOVĚDECKÉ FAKULTY UNIVERZITY PALACKÉHO V OLOMOUCI Vilém Pechanec, Pavel SEDLÁK http://www.geoinformatics.upol.cz Geoinformatika v Olomouci ECO-GIS Centrum
Metodika vymezení urbánního území na základě klasifikace dat dálkového průzkumu Země MET
Metodika vymezení urbánního území na základě klasifikace dat dálkového průzkumu Země MET.01.2019.07.31 Autoři: Jana Seidlová, Martin Hofrajtr, Zbyněk Stein, Lenka Rejentová, Jiří Kvapil, Tereza Kochová
Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
HODNOCENÍ DLOUHODOBÝCH ZMĚN LAND COVER OKRESU NÁCHOD POMOCÍ DAT DPZ
UNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta Katedra aplikované geoinformatiky a kartografie HODNOCENÍ DLOUHODOBÝCH ZMĚN LAND COVER OKRESU NÁCHOD POMOCÍ DAT DPZ LAND COVER CHANGES IN DISTRICT NACHOD
Č ást 2 Kompozice v nepravých barvách Datové formáty Neřízená klasifikace. Program přednášky
DPZ Č ást Kompozice v nepravých barvách Datové formáty Neřízená klasifikace Program přednášky Popis využití pásem Landsat TM Vhodnost kombinací pásem TM Datové formáty Klasifikace obrazu Neřízená klasifikace
ŘÍZENÁ KLASIFIKACE. verze 1.0. autor listu: Lucie Červená
ŘÍZENÁ KLASIFIKACE verze 1.0 autor listu: Lucie Červená Cíle V tomto výukovém listu se dozvíte: na jakém principu funguje řízená klasifikace, jak fungují některé jednoduché algoritmy minimální vzdálenosti,
ELEKTROMAGNETICKÉ SPEKTRUM PRO POTŘEBY DPZ
ELEKTROMAGNETICKÉ SPEKTRUM PRO POTŘEBY DPZ Ultrafialové záření UV 0,1-0,4 μm Viditelné záření VIS 0,4-0,7 μm Infračervené blízké záření NIR 0,7-1,4 μm Infračervené střední záření MIR 1,4-3 μm Tepelné záření
Využití snímků Landsat pro detekci změn urbanizovaného území
Využití snímků Landsat pro detekci změn urbanizovaného území Jan Harbula, Jakub Miřijovský Univerzita Palackého, Přírodovědecá fakulta, Katedra geoinformatiky, Tř. Svobody 26, 77146 Olomouc, Česká republika;
Resolution, Accuracy, Precision, Trueness
Věra Fišerová 26.11.2013 Resolution, Accuracy, Precision, Trueness Při skenování se používá mnoho pojmů.. Shodnost měření, rozlišení, pravdivost měření, přesnost, opakovatelnost, nejistota měření, chyba
UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.
UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace
ÚLOHY S POLYGONEM. Polygon řetězec úseček, poslední bod je totožný s prvním. 6 bodů: X1, Y1 až X6,Y6 Y1=X6, Y1=Y6 STANOVENÍ PLOCHY JEDNOHO POLYGONU
ÚLOHY S POLYGONEM Polygon řetězec úseček, poslední bod je totožný s prvním 6 bodů: X1, Y1 až X6,Y6 Y1=X6, Y1=Y6 STANOVENÍ PLOCHY JEDNOHO POLYGONU 3 úsečky (segmenty) v horní části 2 úsečky ve spodní části
PROBLEMATICKÉ ASPEKTY GEOREFERENCOVÁNÍ MAP
Digitální technologie v geoinformatice, kartografii a DPZ PROBLEMATICKÉ ASPEKTY GEOREFERENCOVÁNÍ MAP Katedra geomatiky Fakulta stavební České vysoké učení technické v Praze Jakub Havlíček, 22.10.2013,
KVALITA DAT POUŽITÁ APLIKACE. Správnost výsledku použití GIS ovlivňuje:
KVALITA DAT Správnost výsledku použití GIS ovlivňuje: POUŽITÁ APLIKACE Kvalita dat v databázi Kvalita modelu, tj. teoretického popisu krajinných objektů a jevů Způsob použití funkcí GIS při přepisu modelu
Extrakce digitálních prostorových dat z historických map metodami segmentace obrazu
Extrakce digitálních prostorových dat z historických map metodami segmentace obrazu Karel JELÍNEK Geografický ústav Přírodovědecká fakulta, Masarykova univerzita Kotlářská 2 611 37 Brno E mail: k.a.jelinek@centrum.cz
Geoinformační technologie
Geoinformační technologie JDKEY1 1 GEOINFORMATIKA nový vítr v do plachet geografie obor zabývající se informacemi o prostorových objektech, procesech a vazbách mezi nimi geoinformační technologie = konkrétn
Trénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
GIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
Cvičení 4-1. Zkoumání obrazu (Image Exploration)
Cvičení 4-1 Zkoumání obrazu (Image Exploration) V tomto cvičení začneme extenzívním zkoumání rastrového obrazu, získaného distančním snímáním, a technik zpracování obrazu. Protože rastrový obraz, získaný
Fakulta chemicko-technologická Katedra analytické chemie. 3.2 Metody s latentními proměnnými a klasifikační metody
Fakulta chemicko-technologická Katedra analytické chemie 3.2 Metody s latentními proměnnými a klasifikační metody Vypracoval: Ing. Tomáš Nekola Studium: licenční Datum: 21. 1. 2008 Otázka 1. Vypočtěte
Lekce 4 - Vektorové a rastrové systémy
Lekce 4 - Vektorové a rastrové systémy 1. Cíle lekce... 1 2. Vlastnosti rastrových systémů... 1 2.1 Zobrazování vrstev... 1 2.1.1 Základní zobrazování... 1 2.1.2 Další typy zobrazení... 2 2.2 Lokální operace...
Univerzita Pardubice. Fakulta ekonomicko-správní Ústav systémového inženýrství a informatiky
Univerzita Pardubice Fakulta ekonomicko-správní Ústav systémového inženýrství a informatiky Soubor příkladů zpracování obrazu nástroji ERDAS Imagine v ArcGIS Desktop Magdalena Kalinová Bakalářská práce
Detekce a monitoring invazních druhů pomocí dálkového průzkumu
Detekce a monitoring invazních druhů pomocí dálkového průzkumu Jana Müllerová 1 Josef Brůna 1, Jan Pergl 1, Petr Pyšek 1 Petr Dvořák 2 Luboš Kučera 3, Tomáš Bartaloš 3 1 Botanický ústav AV ČR, Průhonice
GIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
Určeno: Resortním organizacím Ministerstva životního prostředí Krajským úřadům a orgánům krajů v přenesené působnosti
METODICKÝ POKYN odboru environmentálních rizik Ministerstva životního prostředí pro postup při zpracování dokumentu Návrh na zařazení objektu nebo zařízení do skupiny A nebo B" podle zákona č. 59/2006
KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ
KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ Marie Richterová 1, David Juráček 2 1 Univerzita obrany, Katedra KIS, 2 PČR MŘ Brno Abstrakt Článek se zabývá rozpoznáváním analogových a diskrétních
Připomeň: Shluková analýza
Připomeň: Shluková analýza Data Návrh kategorií X Y= 1, 2,..., K resp. i jejich počet K = co je s čím blízké + jak moc Neposkytne pravidlo pro zařazování Připomeň: Klasifikace Data (X,Y) X... prediktory
Univerzita Pardubice 8. licenční studium chemometrie
Univerzita Pardubice 8. licenční studium chemometrie Statistické zpracování dat při managementu jakosti Semestrální práce Metody s latentními proměnnými a klasifikační metody Ing. Jan Balcárek, Ph.D. vedoucí
10.12.2015. Co je Geoinformatika a GIT Přehled vybraných GIT GIS. GEOI NF ORM AČ NÍ T ECHNOL OGI E David Vojtek
GEOI NF ORM AČ NÍ T ECHNOL OGI E David Vojtek In s ti t u t g e o i n fo r m a ti k y Vy s o k á š k o l a b á ň s k á Te c h n i c k á u n i v e r z i ta O s tr a v a Co je Geoinformatika a GIT Přehled
GIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu geoprvků. Geometrická
DPZ. Program přednášky. Č ást 3 Řízená klasifikace Spektrální indexy. Řízená klasifikace. Spektrální indexy. Aplikace DPZ v geografii
DPZ Č ást 3 Řízená klasifikace Spektrální indexy Program přednášky Řízená klasifikace tré novací plochy klasifikátory Spektrální indexy Aplikace DPZ v geografii Jakub Langhammer, 2003 Aplikace VT ve FG
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA ATMOSFÉRICKÉ A TOPOGRAFICKÉ KOREKCE DIGITÁLNÍHO OBRAZU ZE SYSTÉMU SPOT 5 V HORSKÝCH OBLASTECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA Hornicko-geologická fakulta Institut geoinformatiky ATMOSFÉRICKÉ A TOPOGRAFICKÉ KOREKCE DIGITÁLNÍHO OBRAZU ZE SYSTÉMU SPOT 5 V HORSKÝCH OBLASTECH příspěvek
Cvičení 4 komplexní zpracování dat. Analýza povodí řeky Kongo
Cvičení 4 komplexní zpracování dat Analýza povodí řeky Kongo Tato případová studie (včetně cvičných dat) je převzata a přepracována z evropského vzdělávacího projektu Eduspace [0]. Pro zpracování této
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
Diskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky
Diskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky Interpretují rozdíly mezi předem stanovenými třídami Cílem je klasifikace objektů do skupin Hledáme
ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
II. Úlohy na vložené cykly a podprogramy
II. Úlohy na vložené cykly a podprogramy Společné zadání pro příklady 1. - 10. začíná jednou ze dvou možností popisu vstupních dat. Je dána posloupnost (neboli řada) N reálných (resp. celočíselných) hodnot.
Kybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
Pro úlohy digitálního zpracování obrazu je příznačný velký objem dat. Doposud ani rychlé počítače s konvenční sériovou architekturou nejsou schopny
Obrazová matice Pro úlohy digitálního zpracování obrazu je příznačný velký objem dat. Doposud ani rychlé počítače s konvenční sériovou architekturou nejsou schopny vykonat instrukce v čase, který odpovídá
Metody zvýrazňování obrazu III. Vícepásmová zvýraznění. Spektrální příznaky. Příznakový prostor. Podstata vícepásmových zvýraznění
Podstata vícepásmových zvýraznění Metody zvýrazňování obrazu III Vícepásmová zvýraznění DN hodnoty jako příznaky a, tzv. příznakový prostor. Vytváření nových pásem s cílem zvýšit odlišení různých objektů
Klasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
Algoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
Cvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
9. přednáška z předmětu GIS1 Digitální model reliéfu a odvozené povrchy. Vyučující: Ing. Jan Pacina, Ph.D.
9. přednáška z předmětu GIS1 Digitální model reliéfu a odvozené povrchy Vyučující: Ing. Jan Pacina, Ph.D. e-mail: jan.pacina@ujep.cz Lehký úvod Digitální modely terénu jsou dnes v geoinformačních systémech
Státnice odborné č. 20
Státnice odborné č. 20 Shlukování dat Shlukování dat. Metoda k-středů, hierarchické (aglomerativní) shlukování, Kohonenova mapa SOM Shlukování dat Shluková analýza je snaha o seskupení objektů do skupin
Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz
25. 10. 2012, Praha Ing. Petr Vahalík Ústav geoinformačních technologií Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz 21. konference GIS Esri v ČR Lesní vegetační stupně
Obraz matematický objekt. Spojitý obraz f c : (Ω c R 2 ) R
Obraz matematický objekt Spojitý obraz f c : (Ω c R 2 ) R 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 } Obraz matematický objekt
Úloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
Algoritmy a struktury neuropočítačů ASN P3
Algoritmy a struktury neuropočítačů ASN P3 SOM algoritmus s učitelem i bez učitele U-matice Vektorová kvantizace Samoorganizující se mapy ( Self-Organizing Maps ) PROČ? Základní myšlenka: analogie s činností
ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
Metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
UČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
Rozpoznávání izolovaných slov (malý slovník, např. číslovky, povely).
Rozpoznávání řeči Každý člověk má originální hlasové ústrojí a odlišný způsob artikulace, to se projevuje rozdílnou barvou hlasu, přízvukem, rychlostí řeči atd. I hlas jednoho řečníka je variabilní a závislý
Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného)
Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného) 1 Obecný popis metody Particle Image Velocimetry, nebo-li zkráceně PIV, je měřící
BROB Základy robotiky. Ing. František Burian, Ph.D. Jan Macháček VUT ID: Martin Pavelka VUT ID:
Předmět: BROB Základy robotiky Rok vypracování: 2018 Název projektu: Vedoucí práce: Realizace inverzní kinematiky manipulátoru Ing. František Burian, Ph.D. Autoři projektu: František Majvald VUT ID: 195601
ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM
Pokročilé neparametrické metody. Klára Kubošová
Pokročilé neparametrické metody Klára Kubošová Klasifikační a regresní lesy Pokročilé neparametrické metody Klasifikační a regresní lesy Klasifikační les Klasifikační les je klasifikační model vytvořený
Zobrazování barev. 1995-2015 Josef Pelikán CGG MFF UK Praha. pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/
Zobrazování barev 1995-2015 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ ColorRep 2015 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca 1 / 18 Barevné schopnosti HW True-color
VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ. #2 Nejistoty měření
VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ # Nejistoty měření Přesnost měření Klasický způsob vyjádření přesnosti měření chyba měření: Absolutní chyba X = X M X(S) Relativní chyba δ X = X(M) X(S) - X(M) je naměřená hodnota
Oborové číslo Hodnocení - část A Hodnocení - část B Hodnocení - část A+B
PŘIJÍMACÍ TEST Z INFORMATIKY A MATEMATIKY NAVAZUJÍCÍ MAGISTERSKÉ STUDIUM V OBORU APLIKOVANÁ INFORMATIKA FAKULTA INFORMATIKY A MANAGEMENTU UNIVERZITY HRADEC KRÁLOVÉ ČÁST A Oborové číslo Hodnocení - část
5. GRAFICKÉ VÝSTUPY. Zásady územního rozvoje Olomouckého kraje. Koncepce ochrany přírody Olomouckého kraje
5. GRAFICKÉ VÝSTUPY Grafickými výstupy této studie jsou uvedené čtyři mapové přílohy a dále následující popis použitých algoritmů při tvorbě těchto příloh. Vlastní mapové výstupy jsou označeny jako grafické
Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
Konvoluční model dynamických studií ledvin. seminář AS UTIA
Konvoluční model dynamických studií ledvin Ondřej Tichý seminář AS UTIA.. Obsah prezentace Scintigrafická obrazová sekvence a její analýza Konstrukce standardního modelu a jeho řešení Experiment Ovlivnění
Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu
Metoda Monte Carlo a její aplikace v problematice oceňování technologií Manuál k programu This software was created under the state subsidy of the Czech Republic within the research and development project
Ing. Martin Ferko; Ing. Jan Česelský; Mgr.Petr Otipka
SOFTWAROVÁ UTILITA "DISPARITÉR" V PROJEKTU MMR ČR PRO VÝZKUM REGIONÁLNÍCH DISPARIT Abstrakt FINANČNÍ A FYZICKÉ DOSTUPNOSTI BYDLENÍ Ing. Martin Ferko; Ing. Jan Česelský; Mgr.Petr Otipka V souvislosti s
Rozdělování dat do trénovacích a testovacích množin
Rozdělování dat do trénovacích a testovacích množin Marcel Jiřina Rozpoznávání je důležitou metodou při zpracování reálných úloh. Rozpoznávání je definováno dvěma kroky a to pořízením dat o reálném rozpoznávaném
Algoritmy pro shlukování prostorových dat
Algoritmy pro shlukování prostorových dat Marta Žambochová Katedra matematiky a informatiky Fakulta sociálně ekonomická Univerzita J. E. Purkyně v Ústí nad Labem ROBUST 21. 26. leden 2018 Rybník - Hostouň
GIS Idrisi na Fakultě stavební ČVUT v Praze
GIS Idrisi na Fakultě stavební Josef Krása Katedra hydromeliorací a krajinného inženýrství Stavební fakulta Josef.krasa@fsv.cvut.cz Katedra hydromeliorací a krajinného inženýrství výuka - obory Životní
Tomáš Hudeček Zuzana Žáková
Tomáš Hudeček Zuzana Žáková disertační, diplomové a bakalářské práce v tématech analýzy dostupnosti různých částíúzemí s využitím různých dopravních módů změny dostupnosti v čase vztahy dostupnosti a dalších
Renáta Bednárová STATISTIKA PRO EKONOMY
Renáta Bednárová STATISTIKA PRO EKONOMY ZÁKLADNÍ STATISTICKÉ POJMY Statistika Statistický soubor Statistická jednotky Statistický znak STATISTIKA Vědní obor, který se zabývá hromadnými jevy Hromadné jevy
Aplikační úlohy ve výuce GIS
Aplikační úlohy ve výuce GIS pro software Idrisi Kilimanjaro Ing. Martin KLIMK LIMÁNEK Mendelova zemědělsk lská a lesnická univerzita v Brně Lesnická a dřevad evařská fakulta Ústav 411 Geoinformačních
Strojové učení a dolování dat. Vybrané partie dolování dat 2016/17 Jan Šimbera
Strojové učení a dolování dat vgeografii Vybrané partie dolování dat 2016/17 Jan Šimbera simberaj@natur.cuni.cz Kde v geografii? Získávání prostorově podrobných dat Prostorová dezagregace Analýza dat dálkového
Možnosti podpory plošné inventarizace kontaminovaných míst interpretací multi- a hyperspektrálního snímkování Jana Petruchová Lenka Jirásková
Možnosti podpory plošné inventarizace kontaminovaných míst interpretací multi- a hyperspektrálního snímkování Jana Petruchová Lenka Jirásková Praha 13.6.2012 Multispektrální data cíl ověření vhodnosti
3. Vícevrstvé dopředné sítě
3. Vícevrstvé dopředné sítě! Jsou tvořeny jednou nebo více vrstvami neuronů (perceptronů). Výstup jedné vrstvy je přitom připojen na vstup následující vrstvy a signál se v pracovní fázi sítě šíří pouze
Výuka geoinformačních technologií
TU Zvolen, 29.5.2015 doc. Ing. Martin Klimánek, Ph.D. Výuka geoinformačních technologií Ústav hospodářské úpravy lesů a aplikované geoinformatiky Tato prezentace je spolufinancována Evropským sociálním
Vyhodnocení pokryvu a využití krajiny pomocí dat DPZ
Vyhodnocení pokryvu a využití krajiny pomocí dat DPZ Bc. Petr Lukeš 1 1 Institut geoinformatiky, Hornicko-geologická fakulta, VŠB Technická univerzita Ostrava, 17. listopadu 15, 708 33, Ostrava. Poruba,
Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics
Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Rainer Scharf, Félix M. Izrailev, 1990 rešerše: Pavla Cimrová, 28. 2. 2012 1 Náhodné matice Náhodné matice v současnosti nacházejí
Data a technické nástroje pro studium krajiny (GIS, DPZ)
Data a technické nástroje pro studium krajiny (GIS, DPZ) 1 Co je GIS Geografický informační systém je informační systém, který umožňuje ukládat, spravovat a analyzovat prostorová data data o geografické